[發明專利]一種IGBT結溫預測的方法

有效

• 申請號: 202010882768.1
• 申請日: 2020-08-28
• 公開（公告）號: CN112001127B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 劉伯穎;陳國龍;李玲玲;常云彪;張冠英
• 申請（專利權）人: 河北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/00;G06N3/04;G06N3/08;G06F119/02;G06F119/04;G06F119/08;G06F111/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種IGBT結溫預測的方法，其特征在于是基于混沌化布谷鳥優化極限學習機的IGBT結溫預測的方法，其步驟如下：

步驟一，獲取IGBT的老化實驗數據

(1.1)通過IGBT功率循環老化實驗獲得380組IGBT的老化實驗數據，包括結溫數據，老化循環次數數據，飽和壓降V_ce(sat)數據，集電極電流數據；

步驟二，對老化實驗數據進行歸一化處理和分配

(2.1)使用歸一化公式(1)對IGBT的老化實驗數據進行歸一化處理：

(2.2)把老化實驗數據分為訓練數據和測試數據兩部分，分配比例為：

訓練數據的數量∶測試數據的數量＝7∶3；

由此，將380組IGBT的老化實驗數據分為266組訓練數據和114組測試數據；每組數據包含四個變量，IGBT的結溫數據，當前時刻的IGBT功率循環老化實驗的循環次數，飽和壓降V_ce(sat)數據，集電極電流數據；

步驟三，對極限學習機參數進行初始化

設置極限學習機的初始化參數，包括：

設置極限學習機的輸入層節點數indim為3，三個節點依次代表IGBT的飽和壓降V_ce(sat)、集電極電流和當前時刻的IGBT功率循環老化實驗的循環次數；

設置極限學習機的隱含層節點數hiddennum為50；設置極限學習機的輸出層節點數outdim為1，該節點代表IGBT的結溫；

設置極限學習機的輸入層節點到隱含層節點的權值和閾值的初始值，方法為：利用MATLAB中rand函數隨機生成一個200維數據組Z，利用式(2)把這200維的數據組映射至實數區間[0，1]上，得到經映射至[0，1]區間上200維數據組CZ，并將CZ作為極限學習機的輸入層節點到隱含層節點的權值閾值的初始值，由Z到CZ的映射規則見式(2)：

其中，z_i為Z中第i維數據，i≤200，cz_i是CZ中的第i維數據的值，是z_i映射至[0，1]上的值，z_min是Z中的最小值，z_max是Z中的最大值；

步驟四，采用混沌算法優化布谷鳥算法，獲得混沌化布谷鳥算法中的鳥巢

(4.1)把步驟三中生成的200維數據組CZ作為混沌第一代數據CZ⁽¹⁾，即CZ⁽¹⁾＝CZ，使用式(3)對得到的混沌第一代數據進行迭代計算，生成混沌第二代數據；式(3)描述了由混沌第t代的第i個數據迭代生成混沌第t+1代的第i個數據的方法，為：

其中，μ為混沌控制參數，這里令μ為4的時候，此時系統完全處于混沌狀態，表示混沌第t代第i個數據，其中

如果在迭代計算中，恰好為0、0.25、0.75或1，則賦值這里Δ為實數區間[0，0.05]上的一個隨機數，使代替原來的繼續進行迭代計算；

(4.2)設置混沌迭代次數的最大值item_max為5000，重復(4.1)這一步驟5000次，從而生成5000組混沌數據，并把這5000組混沌數據作為混沌化布谷鳥算法中的5000個鳥巢，每個鳥巢含200個數據；

步驟五，篩選混沌化布谷鳥算法中的鳥巢

(5.1)極限學習機黑箱化，并尋找最優的50個計算黑箱

將由步驟四得到的5000組混沌化布谷鳥算法中的鳥巢數據作為極限學習機的權值和閾值，每個鳥巢的數據維度為200，其中，前150維的數據作為極限學習機的輸入層到隱含層的權值，后50維的數據作為極限學習機的輸入層到隱含層的閾值，將按照上述方法設置了權值和閾值的一個極限學習機視為一個計算黑箱，由此可得5000個計算黑箱；將通過步驟(2.2)獲得的266組訓練數據，訓練數據包括：輸入數據和輸出數據，一組的輸入數據包含三個變量，包括IGBT的飽和壓降V_ce(sat)、集電極電流和當前時刻的IGBT功率循環老化實驗的循環次數，輸出數據為IGBT的結溫，將訓練數據輸入到5000個計算黑箱中的任意一個，得到相應的一組266個IGBT結溫預測值，并通過式(4)計算每個黑箱的性能指標值

其中，f為計算黑箱的性能指標函數，性能指標值越大越好；y_i是由IGBT功率循環老化實驗獲得的一個實測值，視為IGBT結溫的實際值，y′_i表示IGBT結溫的預測值，N表示輸入一個計算黑箱的IGBT結溫實際值的個數，也是一個計算黑箱輸出的IGBT結溫預測值的個數；

(5.2)導出計算黑箱中的權值和閾值，作為混沌化布谷鳥算法中的初始鳥巢

將通過式(4)計算得到的50個性能指標最優的計算黑箱記錄并保存下來，并導出該50個計算黑箱的輸入層節點到隱含層節點的權值閾值數據，共得到50組權值閾值數據作為混沌化布谷鳥算法尋優的50組混沌化布谷鳥算法中的初始鳥巢，并記為cz₅₀；

步驟六，對混沌化布谷鳥算法參數進行設置

設置混沌布谷鳥算法參數：設置混沌布谷鳥算法中鳥巢個體數量為50；設置混沌布谷鳥算法中每個鳥巢的數據維度為200；設置鳥巢被發現的概率p_a為0.25；設置混沌布谷鳥算法最大迭代次數t_max為100次；

步驟七，使用混沌化布谷鳥算法尋找最大適應度的鳥巢，并構建IGBT結溫預測模型

(7.1)首先，將步驟五中得到的50組混沌化布谷鳥算法中的初始鳥巢cz₅₀作為混沌化布谷鳥算法中迭代尋優的第一代鳥巢，記為x¹，見式(5)：

x¹＝cz₅₀ (5)

使用levy飛行對50組混沌化布谷鳥算法中的鳥巢進行處理，產生新的鳥巢；式(6)表示混沌化布谷鳥算法中第t代的第i個鳥巢位移stepsize步長得到混沌化布谷鳥算法中的第t+1代的第i個鳥巢：

其中，stepsize則是由步長因子α，levy飛行所產生的步長step，和迭代時混沌化布谷鳥算法中最優的鳥巢x_best和組成，見式(7)：

公式(7)中，表示進行點對點的乘法，α為步長因子，本發明引入非線性收斂公式對步長因子進行改進，非線性收斂公式見式(8)，非線性收斂公式的引入使混沌化布谷鳥算法服從于全局收斂；

α＝0.1-0.09×(t/t_max)³ (8)

公式(7)中，step為levy飛行所產生的步長，見式(9)：

其中，u和v均服從標準正態分布，參數β在混沌化布谷鳥算法中大小為1.5，而參數φ的計算公式，見式(10)：

由公式(6)、(7)、(8)、(9)、(10)得到經過levy飛行位移的混沌化布谷鳥算法中的下一代第i個鳥巢的公式(11)；

(7.2)再次將(7.1)得到的混沌化布谷鳥算法中的鳥巢數據作為計算黑箱的權值和閾值，以及訓練數據加載到計算黑箱中，通過計算黑箱得到IGBT結溫的預測值，使用式(12)分別計算混沌化布谷鳥算法中當代的50個鳥巢的適應度值，記錄并保留混沌化布谷鳥算法中當代最優的鳥巢

式中，fitness為混沌化布谷鳥算法中的每個鳥巢的適應度函數，適應度值越大越好；y_i是由IGBT功率循環老化實驗獲得的一個實測值，視為IGBT結溫的實際值，y′_i表示IGBT結溫的預測值，N表示輸入一個計算黑箱的IGBT結溫實際值的個數，也是一個計算黑箱輸出的IGBT結溫預測值的個數；

(7.3)淘汰宿主鳥識別的被混沌化布谷鳥侵占的鳥巢，丟棄被識別的鳥巢

首先，確定被混沌布谷鳥侵占的混沌化布谷鳥鳥巢被發現的概率為p_a，p_a為0.25，隨后利用MATLAB隨機產生一個均勻分布的隨機數作為縮放因子b，b∈(0，1)，若b＞p_a則對該鳥巢進行變異操作見式(13)，以新的鳥巢代替舊的鳥巢：

其中，式(13)的含義是混沌化布谷鳥算法中的第t代的第i個鳥巢被發現，并對該鳥巢進行變異，和表示在第t代中隨機選出的兩個混沌化布谷鳥算法中的鳥巢；

最后，與步驟(7.2)一樣，計算經過篩選變異后的混沌化布谷鳥算法中的每個鳥巢的適應度，并記錄和保留混沌化布谷鳥算法中適應度值最大的鳥巢；

(7.4)用混沌化布谷鳥算法優化極限學習機，建立基于混沌化布谷鳥算法-極限學習機的預測模型，稱之為CCS-ELM預測模型，用以預測IGBT的結溫；預測過程如下：

將380組IGBT的老化實驗數據中的266組數據作為訓練數據，每組訓練數據包括：IGBT的飽和壓降V_ce(sat)、集電極電流、當前時刻的IGBT功率循環老化實驗的循環次數，和IGBT的結溫，將歸一化后的IGBT的飽和壓降V_ce(sat)、集電極電流、當前時刻的IGBT功率循環老化實驗的循環次數作為CCS-ELM預測模型的輸入數據，將歸一化后的IGBT的結溫作為CCS-ELM預測模型的輸出數據；將混沌布谷鳥算法中的每個鳥巢數據作為CCS-ELM預測模型的輸入層節點到隱含層節點的一組權值和閾值；預測IGBT的結溫值，并將獲得的IGBT訓練數據的結溫預測值與IGBT訓練數據的結溫實際值，利用公式(12)計算和記錄每個鳥巢的適應度值；

步驟八，記錄混沌化布谷鳥算法中歷史記錄中的最優鳥巢，若未達到混沌布谷鳥算法最大迭代次數t_max(t_max＝100)，則返回至步驟七，若達到混沌布谷鳥算法最大迭代次數則進行步驟九，并記錄下混沌化布谷鳥算法中歷史記錄中的最優鳥巢；

步驟九，輸出結溫預測結果

將步驟八中獲得的混沌化布谷鳥算法中的最優鳥巢數據作為CCS-ELM預測模型的最優權值和閾值；將380組IGBT的老化實驗數據中的114組數據作為測試數據，每組訓練數據包括：IGBT的飽和壓降V_ce(sat)、集電極電流、當前時刻的IGBT功率循環老化實驗的循環次數和IGBT的結溫，將歸一化后的IGBT的飽和壓降V_ce(sat)、集電極電流、當前時刻的IGBT功率循環老化實驗的循環次數作為CCS-ELM預測模型的輸入數據，將歸一化后的IGBT的結溫作為CCS-ELM預測模型的輸出數據；預測測試數據中的IGBT結溫，并將獲得的IGBT測試數據的結溫預測值與IGBT測試數據的結溫實際值利用式(12)計算其適應度值；

借助MATLAB軟件在計算機的顯示屏上顯示步驟九預測的IGBT的結溫數值和實際結溫值對比圖，以及步驟八中記錄每一代的目標函數值的倒數，即均方根誤差圖，以及IGBT的測試數據的結溫預測的均方根誤差RMSE和決定系數R²。

2.按照權利要求1所述的一種IGBT結溫預測的方法，其特征在于：影響結溫的變量得到充分考慮，分別是老化循環次數數據，飽和壓降V_ce(sat)數據，集電極電流數據。