基于GA-BP算法的IGBT結溫預測模型

禹 健，郭天星，高 超

（山西大學 自動化系，太原 030013）

IGBT是一種綜合了GTR和MOSFET優點的電力電子器件，目前廣泛應用于光伏/風電逆變器、動車組電力牽引以及智能電網等領域[1]。IGBT在承擔電能的變換和控制的同時，其自身產生了一定的功率損耗，導致器件溫度升高超過其允許的最高結溫而失效。因此，IGBT的結溫預測與控制對于電力電子器件的可靠性研究意義重大。

IGBT的結溫測量方法包括傳感器直接測量法[2]、電熱耦合模型法[3]、溫敏參數法[4]等。其中溫敏參數法因其無需破壞器件封裝、反映靈敏、測量精確度高等優點，成為了應用最廣泛的結溫測量方法。

人們通過離線采集IGBT結溫和溫敏參數，再通過BP神經網絡建立的結溫預測模型來進行結溫預測。BP神經網絡算法無需擬合結溫與溫敏參數之間復雜的數學表達關系，只需將大量的輸入/出數據進行深度學習，因而在結溫預測上取得了應用。但BP神經網絡也存在一些缺陷：①網絡的初始權值和閾值是隨機產生的，缺乏科學依據，會影響預測效果[5]；②網絡采用標準梯度下降算法，易導致陷入局部極值[6]。因此傳統BP神經網絡算法的準確性和穩定性有待提高。

遺傳算法是一種多點搜索全局優化性算法，使用遺傳算法優化神經網絡算法可以確定最優的初始權值和閾值、克服傳統BP神經網絡容易陷入局部最優的缺陷，提高BP神經網絡的預測精度[7]。因此，本文建立了基于GA-BP算法的結溫預測模型，探索了GA-BP算法在IGBT結溫預測的應用。

1 實驗平臺

圖1和圖2分別為結溫測量電路原理圖和裝置圖，通過該裝置測量在不同結溫和集電極電流下，被測器件的飽和導通壓降。被測器件采用英飛凌IGBT模塊，型號為IKW40T120，額定電流為75 A，最高允許結溫為150℃。被測器件與續流二極管置于恒溫箱內，恒流源提供被測器件工作的直流電流，示波器采集被測器件的飽和導通壓降，脈沖信號控制被測器件的開通與關斷，脈沖寬度為300 μs。結溫測量列表項｛Tn｝和電流測量列表項｛In｝為結溫和電流測量數據值。實驗步驟如下所示，步驟流程如圖3所示。

圖1 結溫測量電路原理圖Fig.1 Schematic diagram of junction temperature calibration circuit

圖2 結溫測量裝置圖Fig.2 Junction temperature calibration experimental platform

圖3 結溫測量步驟流程Fig.3 Flow chart of the junction temperature calibration step

步驟一確定被測器件的結溫測量列表項｛Tn｝和電流測量列表項｛In｝。

步驟二設定恒溫箱內部溫度為T1，等待足夠長的時間，待恒溫箱內部環境達到熱平恒狀態，此時被測器件的結溫與恒溫箱溫度相等。

步驟三啟動恒流源，設置恒流源輸出電流為I1，控制脈沖信號使被測器件導通，示波器測量被測器件飽和導通壓降VCE。

步驟四判斷電流測量列表項數據是否完成取值，若完成，繼續下一步；若未完成，令n=n+1，并返回步驟三，直到所有的電流測量列表項數據完成取值。

步驟五判斷結溫測量列表項數據是否完成取值，若完成，則記錄實驗數據；若未完成，令n=n+1，并返到步驟二，直到所有的結溫測量列表項數據完成取值。

圖4為被測器件在不同結溫下，飽和導通壓降與集電極電流之間的關系圖。圖中可以看出在不同的結溫下，IGBT的飽和導通壓降與結溫呈非線性關系。圖中箭頭所指的方向為溫度升高的方向。由圖可知，當集電級電流IC高于臨界電流Im時，被測器件的飽和導通壓降隨結溫升高而升高；當集電級電流IC低于臨界電流Im時，被測器件的飽和導通壓降隨結溫的升高而降低；當集電級電流IC等于臨界電流Im時，被測器件的飽和導通壓降不隨結溫的變化而變化。因此為提高結溫預測度，將集電極電流IC分為高于臨界電流Im和低于臨界電流Im兩部分進行測量。并且在選取集電極電流數據點的時候，要避免選取距離臨界電流較近的數據點，因為距離臨界電流附近的數據點，被測器件的飽和導通壓降隨結溫的變化不明顯，影響最終的預測效果。

圖4 不同結溫下被測器件的集電級電流與飽和導通壓降之間關系圖Fig.4 Collector current of the device under test at Different junction temperatures Relationship with saturation conduction voltage drop

2 BP神經網絡

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，是迄今為止工程應用中最廣泛的神經網絡算法之一[8]。訓練過程包括信號的正向傳遞和誤差的反向傳遞。輸入層信號經過隱含層處理后傳遞至輸出層，輸出層信號與期望輸出比較后，若誤差未達到設定的精度要求，則將誤差通過原路反向傳遞，并不斷修正各連接權值和閾值，進而使實際輸出與期望輸出的誤差不斷減小。本文選取了飽和導通壓降和集電極電流為輸入層，結溫為輸出層，中間隱含層設置為5層，BP神經網絡結構如圖5所示。

圖5 BP神經網絡結構Fig.5 BP neural network model

3GA-BP算法

3.1 遺傳算法

遺傳算法（GA）遵循自然界適者生存、優勝劣汰的原則，是一種借鑒生物界自然選擇和自然遺傳機制的多點搜索全局性優化算法[9]。遺傳算法按照一定的適應度函數來初始化種群中的個體，保留適應度高的個體進行遺傳操作（選擇、交叉和變異），進而使種群中的個體達到最優。

遺傳算法具有其極強的宏觀搜索能力和良好的全局優化性能，因此使用遺傳算法優化BP神經網絡，可以克服BP神經網絡易陷入局部最優的缺陷，使預測輸出更加接近期望輸出。遺傳算法的基本要素包括種群初始化、適應度函數確定、以及選擇、交叉和變異遺傳操作。

3.2 種群初始化

染色體編碼的方式通常有2種，分別為二進制編碼和實數編碼，本文中采用實數編碼方式。結溫預測模型中有2個輸入（飽和導通壓降和集電級電流），1個輸出（結溫），其中隱含層共有5個神經元節點，則有2×5個輸入層與隱含層連接權值、5個隱含層閾值、5×1個隱含層與輸出層連接權值、1個輸出層閾值。每個個體均為1個實數串，由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值四部分組成，則染色體編碼長度為2×5+5+5×1+1＝21。

3.3 適應度函數確定

適應度函數又叫評價函數，是根據目標函數確定的用于區分群體中個體好壞的標準。根據個體得到BP神經網絡結構的初始權值和閾值，采用訓練數據預測，將預測輸出和期望輸出之間的絕對誤差和作為個體適應度值F，其計算公式如下：

式中：n為輸出節點數；yi為BP神經網結構第i個期望輸出；zi為BP神經網結構第i個預測輸出；k為系數。

3.4 選擇、交叉和變異操作

結溫預測模型中選擇輪盤賭法進行選擇操作，每個個體i選擇的概率Pi為

式中：Fi為個體的適應度值；N為種群個體數目；k為系數。

式中：Xi′、Xj′為交叉后的兩個個體；Xi、Xj為交叉前的兩個個體；m為［0，1］之間均勻分布的隨機數。

變異是對種群中的每一個個體，以一定的變異概率改變某一個或多個基因組的基因值為替他的等位基因，其數學表達式如下所示：

式中：Xj為變異后的新基因；Xmax與Xmin分別為初始個體的最大值和最小值；β為［0，1］之間均勻分布的隨機數。

3.5 GA-BP算法流程

GA-BP算法的流程如圖6所示，由BP神經網絡部分和遺傳算法兩部分組成。其基本思想為用個體代表網絡的初始權值和閾值、個體初始化的BP神經網絡的預測誤差作為該個體的適應度值，通過選擇、交叉、變異等遺傳操作尋找最優個體，即最優的BP神經網絡初始權值、閾值，直到滿足預測誤差要求或者達到最大迭代次數結束[10]。

交叉操作方法采用實數交叉法，一對個體交叉產生新的個體的數學表達式如下所示：

圖6 GA-BP算法流程Fig 6 GA-BP algorithm flow chart

4 實驗測試

4.1 預測誤差指標

實驗誤差分析采用平均絕對百分比誤差（MAPE）和均方根誤差（RMSE）2個指標評價，其計算公式分別如下所示：

式中：N為結溫預測數據個數；Pi為第i個結溫實測數據；mi為第i個結溫預測數據。

4.2 數據處理與參數設置

被測器件的臨界電流為38 A，為提高網絡訓練精度，將集電極電流分為高于和低于臨界電流兩部分進行測量，其中高于臨界電流部分，集電極電流取值范圍為50～75 A，測量數據為250組；低于臨界電流部分，集電極電流取值范圍為5～25 A，測量數據為200組。兩組數據中，將90%的數據進行訓練，10%的數據用于測試。神經網絡訓練前，需進行數據的歸一化處理。經多次反復訓練網絡，最終確定各算法的訓練參數如下設置。

BP神經網絡參數設置：訓練次數100，訓練目標0.001，學習率0.1。GA參數設置：種群規模50，遺傳代數100，變異概率0.04，交叉概率0.6。

4.3 分析比較

兩種工況下，GA-BP算法與BP神經網絡預測輸出與實測數據對比曲線如圖7、圖8所示，相對誤差曲線如圖9、圖10所示，預測誤差數據如表1所示。分析以上圖表數據可知，兩種算法在兩種工況下，在一定的預測精度范圍內均實現了對被測器件結溫的預測。集電極電流高于臨界電流較集電極電流低于臨界電流，結溫預測波動量更小，這說明了當集電極低于臨界電流時，數據的非線性特征更明顯。GA-BP算法較BP神經網絡結溫預測更接近實測數據，預測誤差更低。

圖7 IC＞Im時，兩種算法輸出與實測對比圖Fig.7 Comparison of two algorithms output and actual measurement when IC＞Im

圖8 IC＜Im時，兩種算法輸出與實測對比圖Fig.8 Comparison of two algorithms output and actual measurement when IC＜Im

圖9 IC＞Im時，兩種算法相對誤差對比圖Fig.9 Comparison of two algorithms relative error when IC＞Im

圖10 IC＜Im時，兩種算法相對誤差對比圖Fig.10 Mparison of two algorithms relative error when IC＜Im

表1 兩種算法誤差數據表Tab.1 Two algorithms error data tables

5 結語

本文以IGBT模塊為研究對象，搭建了實驗平臺，選取了器件的飽和導通壓降和集電極電流的溫敏參數，分別測量了集電極電流大于和小于臨界電流兩組實驗數據，建立了基于GA-BP算法和BP神經網絡的結溫預測模型，分析實驗結果，得出了以下結論：①使用GA-BP算法和BP神經網絡對IGBT結溫進行訓練及建模，為了提高訓練精度，將測量數據分為集電極電流大于和小于臨界電流兩組，且集電極電流大于臨界電流時，兩種算法的預測誤差更低；②GA-BP神經網絡結溫預測模型較BP神經網絡預測模型更接近實測數據，預測誤差更低，驗證了遺傳算法優化BP神經網絡在IGBT結溫預測的可行性和實用性。