基于神經網絡的功率模塊開關損耗預測

摘 要： 功率半導體器件的開關損耗的準確預測和評估對研究系統設計、選擇合適的散熱系統和提高系統的可靠性都是很重要的。采用功率半導體器件的開關動態測試系統，可以自動調整直流母線電壓、集電極電流、門極驅動電壓和開關頻率，記錄開關動態電壓、電流波形，計算獲得大量的損耗數據。通過建立人工神經網絡模型對開關損耗預測，并改變模型參數進行分析與研究，獲取最佳模型。

關鍵詞： 功率模塊； 開關損耗； 神經網絡； 損耗預測

中圖分類號： TN926?34 文獻標識碼： A 文章編號： 1004?373X（2016）20?0101?03

Abstract： The accurate prediction and evaluation for switching loss of power semiconductor devices are very important to study the system design， select the suitable cooling system， and improve the system reliability. The switch dynamic testing system of power semiconductor devices can automatically adjust the DC bus voltage， collector current， gate driving voltage and switching frequency， record the switch dynamic voltage and current waveforms， and obtain the massive loss data by calculation. The neural network model was established to predict the switching loss， and change the model parameters for analysis and study， so as to obtain the best model.

Keywords： power module； switching loss； neural network； loss prediction

0 引 言

功率半導體器件開關過程持續時間極短，且影響因子較多，因此開關損耗預測和評估比較難[1]。功率半導體器件的損耗主要取決于器件的類型和器件的操作條件，器件的損耗可能會產生大量的熱，引起過大的溫升，對其可靠性影響很大，這些直接決定了系統所需的散熱系統和過熱保護系統的等級。因此，功率模塊IGBT的損耗問題一直是各國學者研究的熱點，其中如何準確估算IGBT模塊的開關損耗是研究的重點內容之一。

目前，功率模塊IGBT開關損耗的計算方法主要有兩種，即基于物理方法的損耗計算法和基于數學方法的損耗計算法[2]?；谖锢矸椒ㄓ嬎汩_關損耗計算方法需要建立IGBT的等效物理模型，參數提取也比較復雜，但目前許多仿真軟件已經建立了一些器件的物理模型，大大方便了人們的應用[3?4]?；跀祵W方法的開關損耗計算方法大都是以數據手冊和實驗數據為基礎，回避器件的復雜的物理結構分析，由于廠商提供器件資料的測試環境的確定性導致基于數據手冊的開關損耗計算方法無法獲得工況下器件的精確開關損耗值，但計算方法簡單易懂，具有通用性[5?6]?；跀祵W模型和波形擬合的開關損耗計算方法都以實測的開關波形和開關損耗值為基礎，準備工作復雜，但模型建立后獲取開關損耗值比較簡單、計算速度快，精度較高[3，7]。目前，基于人工智能模型的開關損耗計算比較少見，并且沒有對模型參數調整以達到最優化。

基于以上分析，本文采用功率模塊動態測試系統測試開關動態電流、電壓波形，該系統可以調節的參數包括直流母線電壓、集電極電流、門極驅動電壓和開關頻率，處理波形獲取開關損耗，基于大量測試數據建立神經網絡模型對開關損耗預測，并改變模型的主要參數進行分析和研究，獲取最佳模型。

1 開關損耗定義

功率模塊IGBT的開關瞬態電壓、電流波形及開關損耗如圖1所示。

本試驗采用某典型的1 200 V/75 A的功率模塊IGBT進行試驗，采用疊層母排，有效地減少母線雜散電感；選取電感L為1 mH；門極觸發的雙脈沖信號為由DSP編程產生，它也控制著電壓、電流、門極驅動電壓、和開關頻率的自動調節。通過示波器記錄不同工作條件下的功率模塊IGBT的開通、關斷波形，并保存在計算機中等待后續處理。

在人機界面上分別設置測試條件如表1所示，共240個測試點，得到功率模塊IGBT動態開關電壓、電流波形并保存，為開關損耗建模提供數據基礎。

3 測試結果及損耗計算

如圖3所示為Vcc=600 V，Ic=75 A，Vge=15 V，f=20 kHz時的開關動態的測試波形，包括開通、關斷過程中的電壓波形和電流波形。采用開關損耗定義可以處理波形數據計算開關損耗，作為神經網絡模型的基礎。

4 人工神經網絡模型的建立

有些傳統的模型來自于其物理機理的定義，但是人工神經網絡模型（ANN）在其他模型很難使用甚至無法使用的地方仍能較好的應用。其中，它比較重要的能力就是函數映射，通常使用在輸入和輸出之間關系非常復雜的、未知并且非線性的情況下。ANN建模的對象可以看作一個黑盒子，測量輸入和輸出數據是用來調整模型網絡，使其更符合真實系統的外部特征，這就是訓練和學習的過程。在功率模塊IGBT的開關損耗模型中，ANN模型所需的數據比傳統的模型要少，精度更高。

誤差反傳網絡（BP網絡），是帶有隱層的前饋型神經網絡的代表模型，其具有結構簡單、算法完整和清晰的特點，因此在預測算法中，應用最多的就是這種網絡。

雖然BP神經網絡模型可以當作一個黑箱，但其還是有基本的結構如圖4所示。BP神經網絡模型是具有復雜結構和函數表達的特殊數學模型。

為了提高模型的精度，測試獲得的240個樣本點全部用于初始模型的建立（模型的規模可以靈活變動）。首先要對所選的數據進行歸一化處理，避免發生過飽和，隨機選取其中200個樣本作為訓練樣本，40個作為預測樣本，運用神經網絡模型對樣本進行學習和訓練。

從數據手冊中可以看出，使用神經網絡模型時，關鍵參數是其隱層數、隱層的節點數。根據經驗，多個隱層與一個隱層上的多個節點可相互代替，因此，一個三層的前饋網絡就滿足建模要求。本文建立的模型是一個三層神經網絡，輸入層有4個節點（電壓Vcc、電流Ic、門極電壓Vge和開關頻率f），輸出層有一個節點（開通損耗或者關斷損耗），設置一個隱層，隱層的節點數待定。如表2所示為關斷損耗模型的隱層節點數對模型誤差的影響。

從表2中可以看出隱層的節點數并不是越多越好，剛開始隨著隱層節點數的增大，預測誤差在減少，但當隱層節點數過多時，誤差反而增大。由表2可見，該模型隱層節的點數選擇為20，在實際操作比較合適時，一般采用試錯法確定隱層的節點數，通過經驗方程得到最初的節點數，然后增加或者減少節點數來觀察模型的性能。

經過試錯，在建立神經網絡關斷損耗模型時，選取神經網絡采用最大步長為100進行訓練，期望誤差為0.000 4，隱層的節點數為20，獲得經過BP神經網絡建模的預測集的預測值與實測值對比圖如圖5（a）所示。在建立神經網絡開通損耗模型時，選取神經網絡采用最大步長為100進行訓練，期望誤差為0.000 4，隱層的節點數為15，獲得經過BP神經網絡建模的預測集的預測值與實測值對比圖如圖5（b）所示。

通過對神經網絡模型中各參數的調節，采用BP神經網絡建立的功率模塊關斷損耗模型的預測誤差為3.20%，開通損耗模型的預測誤差為5.13%。從圖5可以看出基于神經網絡的功率模塊IGBT開關損耗預測的精度高、適用性好。在建立功率模塊電熱耦合模型時提供更精確的損耗數據，避免模塊溫度過高，及時進行散熱處理，從而避免模塊由此造成的裝置損壞。

5 結 語

本文研究了功率模塊IGBT的動態特性測試系統，該系統可以調節的參數包括電壓、電流、門極驅動電壓和開關頻率。記錄不同工作條件下的動態電壓、電流波形，經過處理獲取開關損耗值，為開關損耗建模提供數據基礎。采用BP神經網絡模型對功率模塊開關損耗數據進行建模，改變模型參數，找到最佳模型，精度較好，其有助于開關損耗的精確預測，對研究系統設計、選擇合適的散熱系統和提高系統的可靠性都很重要。

參考文獻

[1] 魯昌華，姚成忠，石洪源.基于虛擬儀器的IGBT自動測試系統[J].電子技術應用，2008（4）：88?90.

[2] 熊妍，沈燕群，江劍，等.IGBT損耗計算和損耗模型研究[J].電源技術應用，2006（5）：55?60.

[3] SHEN Y， XIONG Y， JIANG J， et al. Switching loss analysis and modeling of power semiconductor devices base on an automatic measurement system [C]// Proceedings of 2006 IEEE International Symposium on Industrial Electronics. [S.l.]： IEEE， 2006： 853?858.

[4] 張薇琳，張波，丘東元.電力電子開關器件仿真模型分析和比較[J].電氣應用，2007（9）：64?67.

[5] BIERHOFF M H， FUCHS F W. Semiconductor losses in voltage source and current source IGBT converters based on analytical derivation [C]// Proceedings of 35th Annual IEEE Power Electronics Specialists Conference. Aachen： IEEE， 2004： 2836?2842.

[6] Infineon. Calculation of major IGBT operating parameters [R]. Germany： Infineon， 1999.

[7] 鄒高域，趙爭鳴，袁立強，等.雙PWM變頻器中的IGBT模塊損耗[J].清華大學學報（自然科學版），2013（7）：1011?1018.