基于ISFO-SVM模型的IGBT结温预测方法

基于isfo-svm模型的igbt结温预测方法
技术领域
1.本发明的技术方案属于igbt可靠性技术领域，具体地说是基于isfo-svm模型的igbt结温预测方法。


背景技术：

2.igbt是新能源系统中功率转换的关键部件，igbt的可靠性极大程度的制约着工作系统的安全与可靠运行。由于igbt模块各层材料的热膨胀系数不同，温度循环波动使其内部连接处承受不同的热应力，致使igbt模块失效。尤其是在高频大功率的工作环境中，igbt会产生较大的开关损耗，引起igbt模块较大结温波动。工作环境温度越高，igbt模块的失效概率越大。当igbt芯片产生的功率不能及时消散时，结温将不断升高，直至器件失效。由于igbt模块的老化程度对功率变流装置的转换效率及其系统的安全性存在一定的影响，因此精准预测igbt结温对评估其可靠性，对系统的安全性准确判断具有重要意义。
3.igbt结温的获取方法包含以下两种：相关实验设备测量方法和计算模型方法；实验室测量法主要是通过热传感器法、光纤探测法和温敏参数法获取igbt结温，但这样会破外igbt的封装结构，不适合用于工况下igbt的结温预测；计算模型方法则通过建立基于电热耦合的结温计算模型或基于智能算法的结温预测模型来计算igbt结温，通过建立机器学习模型预测igbt的结温，从而对igbt可靠性进行评估。
4.现有技术中，单纯的机器学习模型很难实现高精度的预测，因此常采用智能进化算法对机器学习模型进行优化，构建组合模型实现预测。但这些算法存在寻优能力差、早熟收敛等问题，最终结温预测结果的精度与准确度等方面仍可待提高。因此，寻求一种预测精度高、预测误差小的igbt结温预测方法对igbt的更换与维修及对其所在系统的安全可靠具有重要意义。


技术实现要素：

5.本发明所要解决的技术问题是：提供一种igbt结温预测的方法；该方法基于改进旗鱼算法优化支持向量机模型(isfo-svm)对igbt结温进行预测，引入自适应非线性化迭代因子提高旗鱼个体的寻优能力，利用levy飞行策略来提高搜索空间的多样性，在搜索过程中为了避免算法陷入局部收敛，引入差分变异策略中的de/current to best/1策略来增加群体的多样性。
6.本发明解决所述技术问题所采用的技术方案是：提供一种igbt结温预测的方法，具体来说是基于改进旗鱼算法优化支持向量机模型(isfo-svm)对igbt结温进行预测的方法，其步骤如下：
7.步骤1，通过igbt功率循环老化加速试验获取igbt结温、饱和压降、集电极电流、老化次数等数据，并对数据进行归一化处理；
8.步骤2，设置改进旗鱼算法和支持向量机模型的参数；
9.步骤3，运行改进旗鱼算法，获得支持向量机模型中的最优惩罚因子和核函数的最
优参数；
10.步骤4，将优化得到的最优惩罚因子和核函数最优参数带入到支持向量机模型中，并训练改进旗鱼算法优化的支持向量机(isfo-svm)模型；
11.步骤5，将预测数据输入到isfo-svm模型中得到预测结果，并对预测结果进行反归一化；
12.步骤6，显示输出igbt结温预测结果。
13.进一步，所述步骤1的具体实现方法包括以下步骤：
14.步骤1.1，为了获取igbt模块在全生命周期下的退化数据，本发明设计了igbt功率循环老化试验和单脉冲测试试验，从而获取包含igbt的饱和压降，集电极电流，结温和老化循环次数的数据集s；
15.步骤1.2，对获取的数据集s进行随机混淆及归一化处理并按比例分别划分为训练数据和测试数据，将功率循环次数n、饱和压降vce和集电极电流ic作为模型的输入部分；结温tj作为模型的输出部分；
16.步骤1.3，对上述数据进行归一化处理；
[0017][0018]
式中，a为待归一化的变量的值，如功率循环次数n、饱和压降vce、集电极电流ic和结温tj，a
min
为变量的最小值，a
max
为变量的最大值，an为该变量归一化后的数值；
[0019]
进一步，所述步骤2设置的参数包括：改进旗鱼算法中的种群数量、最大迭代次数、种群维数，支持向量机模型中惩罚因子c的搜索范围，以及核函数参数g的搜索范围；
[0020]
进一步，所述步骤3的具体实现方法包括以下步骤：
[0021]
步骤3.1，初始化改进旗鱼算法的旗鱼种群和沙丁鱼种群的个体位置，并计算每个个体的目标函数值；
[0022]
步骤3.2，对每个个体的位置和目标函数值进行排序，记录当前最优个体位置和最优目标函数值；
[0023]
步骤3.3，引入自适应非线性化迭代因子更新旗鱼个体的位置，引入levy飞行策略更新沙丁鱼个体的位置；
[0024]
步骤3.4，引入差分变异策略，不断搜索并更新旗鱼种群和沙丁鱼种群中个体的位置，判断是否达到最优收敛；若满足，则得到模型的最佳参数，输出最优旗鱼个体位置x(x1，x2)(分别对应svm模型的最优惩罚因子c和核函数的最优参数g)；若不满足，则返回并继续执行步骤3.2；
[0025]
进一步，所述步骤3中选取均方根误差作为目标函数，采用训练数据优化支持向量机模型的内部参数；
[0026][0027]
改进旗鱼算法根据此时个体位置的目标函数值来判断更新后的位置是否优于原位置，并决定在后面的搜索过程中是否使用更新后的位置，目标函数描述如下：
[0028][0029]
式中，为[0，1]的随机数；
[0030]
所述步骤3.3的具体实现方法为：
[0031]
步骤3.3.1，引入自适应非线性化迭代因子更新旗鱼个体的位置；
[0032]
由于迭代初期旗鱼个体随机分布，为了提升旗鱼个体的在寻优时的能力，本发明在旗鱼的位置更新公式中引入自适应非线性化迭代因子，加快旗鱼个体的寻优能力；其中，旗鱼种群用x
sf
表示；
[0033]
第t次迭代时第i个旗鱼个体的自适应非线性化迭代因子的更新公式描述如下：
[0034][0035]
旗鱼的位置更新公式为：
[0036][0037]
式中，表示第t次迭代时，旗鱼种群中的最佳个体位置；表示第t次迭代时，沙丁鱼种群中的最佳个体位置；表示第t次迭代时，待更新旗鱼个体的位置；λi系数的定义见公式(6)：
[0038]
λi＝2
×
rand(0，1)
×
pd-pd
ꢀꢀꢀꢀꢀꢀ
(6)
[0039]
式中，pd表示猎物群的密度，用公式(7)详细描述：
[0040][0041]
式中，n
sf
代表旗鱼的数量，ns代表沙丁鱼的数量；
[0042]
步骤3.3.2，引入levy飞行策略更新沙丁鱼个体的位置；其中，沙丁鱼种群用xf表示；
[0043]
原始旗鱼算法中沙丁鱼的位置更新公式如公式(8)所示：
[0044][0045]
式中，表示第t次迭代时第i个旗鱼个体的自适应非线性化迭代因子，表示第t次迭代时，旗鱼种群中的最佳个体位置，表示第t次迭代时，待更新沙丁鱼个体的位置；ap代表旗鱼的攻击力度，其详细表述见公式(9)：
[0046]
ap＝a
×
(1-2
×
itr
×
e)
ꢀꢀꢀꢀꢀꢀ
(9)
[0047]
式中，a，e表示旗鱼攻击力度的控制系数，使旗鱼攻击力度从a线性变换到0；
[0048]
当ap＞0.5时，也就是说旗鱼的攻击力度较强时，用公式(8)更新全部沙丁鱼的位置；当ap＜0.5时，此时旗鱼的攻击力度较低，只需要更新部分沙丁鱼位置；
[0049]
部分沙丁鱼位置的范围定义如下：
[0050]
α＝ns×
ap
ꢀꢀꢀꢀꢀ
(10)
[0051]
β＝di×
ap
ꢀꢀꢀꢀꢀ
(11)
[0052]
式中，α表示更新沙丁鱼的数量，β表示沙丁鱼更新的维度数量，di第i次迭代时的变量数；
[0053]
为了提高沙丁鱼种群的随机性和搜索空间的多样性，本发明引入levy飞行策略，此时的沙丁鱼的位置更新公式为：
[0054][0055]
式中，t为当前迭代次数，d为位置向量的维数，表示第t次迭代时，待更新沙丁鱼个体的位置；
[0056]
le
′
vy飞行的式子可以描述为：
[0057][0058]
式中，r
1 r2为两个随机数，取值范围为[0，1]，β＝1.5，σ可以计算为：
[0059][0060]
式中，γ(x)＝(x-1)！
[0061]
因此，先根据公式(9)计算旗鱼的攻击力度ap，当ap＞0.5时，也就是说旗鱼的攻击力度较强时，用改进后的沙丁鱼位置更新公式(12)更新全部沙丁鱼的位置；当ap＜0.5时，此时旗鱼的攻击力度较低，则根据公式(10)、(11)计算需要位置更新的沙丁鱼的数量和维度，再用改进后的沙丁鱼位置更新公式(12)对其更新；
[0062]
所述步骤3.4的具体实现方法为：
[0063]
为避免在搜索过程中陷入局部收敛，本发明引入差分变异策略中的de/current to best/1策略对种群个体的向量进行变异，在每一轮搜索后期加入差分变异策略来增加群体的多样性；公式表述如下：
[0064][0065]
式中，p1≠p2≠p3，为差分向量，f∈[0.1，0.9]为缩放因子，h
i，t
为第i个位置在第t次搜索的变异向量，得到变异向量后，进行交叉操作为：
[0066][0067]
式中，v
i，t
为第i个搜索位置的交叉变量，j0为维数中的一个随机值，每次交叉操作仅涉及个体的一个维度，pcr∈[0，1]为交叉概率；
[0068]
进行选择操作，保留目标函数值较优向量作为下一代个体，选择操作表示为：
[0069][0070]
按照上式，不断搜索并更新种群个体的位置，判断是否达到最优收敛；若满足，则得到模型的最佳参数，输出最优旗鱼个体位置x(x1，x2)(分别对应svm模型的最优惩罚因子c和核函数的最优参数g)；若不满足，则返回并继续执行步骤3.2；
[0071]
进一步，所述步骤4的具体实现方法为：将步骤3得到的最优惩罚因子c和核函数的最优参数g输入至支持向量机模型，组成改进旗鱼算法优化的支持向量机(isfo-svm)模型，
利用优化后的最优惩罚因子c和核函数的最优参数g训练支持向量机模型。
[0072]
进一步，所述步骤5进行反归一化处理如公式(18)所示：
[0073]
t
′i＝t
′
soale，i
×
(t
max-t
min
) t
min
ꢀꢀꢀꢀꢀꢀ
(18)
[0074]
式中，t
′i为反归一化后的结温预测值，t
′
soale，i
为步骤4得到的归一化的结温预测值，t
max
、t
min
为步骤1.3中结温变量的最大值和最小值。
[0075]
进一步，所述步骤6的具体实现方法为：在计算机的显示屏上输出步骤5中得到的isfo-svm模型对igbt结温的预测图以及显示利用不同模型对igbt结温预测的误差曲线图、误差直方图。
[0076]
以上所述步骤中数据输入计算机的方法是公知的方法；所使用计算机、显示器和matlab计算机软件均是通过商购获得的。
[0077]
与现有技术相比，本发明的有益效果是：
[0078]
(1)提出一种包含自适应非线性化迭代因子、levy飞行策略和差分变异策略的改进旗鱼算法；所提出的改进旗鱼算法不仅保持了原算法的求解稳定性与鲁棒性，而且得到的最优解具有很好的收敛性和寻优精度；
[0079]
(2)为了使结温变化量满足试验设定要求并加速igbt模块老化，本发明参照国际电工委员会(iec)对功率循环试验定下的iec60068-2-14jedec标准设计了igbt老化加速实验与单脉冲测试试验平台，以饱和压降升高5％作为igbt失效的参考量；通过试验获取igbt的饱和压降、集电极电流、结温及老化次数的数据，构建igbt试验数据集；
[0080]
(3)提出isfo优化svm模型，构建了基于isfo-svm的igbt结温预测模型；相较于sfo-svm、svm模型，提出的基于isfo-svm的igbt结温预测模型的预测结温的性能更好，拟合度更高；综上，本发明构建的isfo-svm模型对igbt结温有更好的预测结果。
附图说明
[0081]
下面结合附图和实施例对本发明进一步说明。
[0082]
图1是本发明提供的isfo-svm模型的结温预测步骤示意图；
[0083]
图2是本发明实施案例提供的igbt功率循环老化试验电路图；
[0084]
图3是本发明实施案例提供的单脉冲试验电路图；
[0085]
图4是本发明实施案例提供的isfo-svm模型对igbt结温的预测图；
[0086]
图5是本发明实施案例提供的不同模型对igbt结温预测的误差曲线图；
[0087]
图6是本发明实施案例提供的不同模型对igbt结温预测的误差直方图；
具体实施方式
[0088]
图1表明本发明提供的igbt结温预测方法的大体步骤是，开始
→
igbt功率循环老化试验和单脉冲试验
→
获得相应功率循环老化次数下igbt的饱和压降、结温、集电极电流数据
→
将igbt饱和压降、集电极电流和老化时间设定为输入数据集，结温设定为输出数据集
→
对获取的数据集作归一化等预处理
→
初始化旗鱼种群、沙丁鱼种群以及算法参数
→
选取均方根误差作为目标函数，计算旗鱼和沙丁鱼的适应度值，对个体目标函数的值进行排序并记录最优适应度值和位置
→
引入自适应非线性化迭代因子更新旗鱼个体的位置
→
引入levy飞行策略更新沙丁鱼位置
→
引入差分变异策略中的de/current to best/1策略来
增加群体的多样性
→
判断是否达到最优收敛，若满足，则得到模型的最佳参数，输出最优旗鱼个体位置x(x1，x2)(分别对应svm模型的最优惩罚因子c和核函数的最优参数g)
→
构建基于isfo-svm的igbt结温预测模型
→
对测试数据进行预测，显示输出igbt结温预测结果
→
结束。
[0089]
图2表明本发明提出的igbt功率循环老化试验电路原理，本研究试验对象为2个igbt模块；当开关闭合后，下管接反压，持续关断；对上管进行老化加速试验，栅极信号驱动上管igbt导通，此时程控直流电源输出75a电流，使igbt结温和壳温迅速上升，达到加速igbt老化的目的；igbt功率循环老化试验的基本试验步骤如下：
[0090]
(1)首先闭合开关s，设置程控恒流源输出电流50a，门极输出驱动电压15v，使igbt功率模块上管导通，试品模块产生功率损耗引起结温和壳温上升，设置壳温初始值为40℃；
[0091]
(2)通过模块底部内置的温度传感器监测温度的变化情况，当最高壳温为90℃时，断开开关s，开启风冷散热器工作使igbt功率模块快速降温至壳温为40℃时，一次壳温波动功率循环老化完成；
[0092]
(3)重复以上步骤(1)和(2)，直到模块接近失效标准时停止试验，本试验一共完成6000次的功率循环试验，并每隔1000次功率循环试验暂停一次，取下模块将其放入恒温箱中进行短时单脉冲测试试验；记录igbt模块在不同结温下的集电极电流、饱和压降值。
[0093]
图3表明本发明提出的单脉冲试验电路原理，通过dsp开发板以及放大电路和驱动器给igbt功率模块以单脉冲驱动信号向igbt通入单脉冲触发电流；本试验设定：恒温箱的温度调节范围为[0℃，100℃]，温度调节间隔为10℃，集电极电流的设定范围为[25a，70a]，其调节间隔为5a；单脉冲试验步骤如下：
[0094]
(1)将待测igbt功率模块放入恒温箱中，调节恒温箱的温度，待恒温箱温度稳定后认为模块此时已达到热平衡；
[0095]
(2)当热平衡条件满足后，调节恒温箱温度和集电极电流的设定值，依次记录相应功率循环老化次数下饱和压降、结温、集电极电流数据。
[0096]
为了说明本发明所述的技术方案，下面通过具体实施案例来进行说明；
[0097]
步骤1，通过igbt功率循环老化加速试验获取igbt结温、饱和压降、集电极电流、老化次数等数据，并对数据进行归一化处理；
[0098]
为了便于构造预测模型，且不失一般性，本发明在上述igbt老化试验的数据中，随机挑选出386组数据建立数据集；该数据集的前70％作为训练样本，数据经过随机混淆及归一化处理之后用于对预测模型的训练，剩下的30％则作为测试样本，用于测试和验证igbt结温预测模型的有效性；本发明设置：功率循环次数n、饱和压降vce和集电极电流ic作为模型的输入部分，结温tj作为模型的输出部分；按照公式(1)对上述数据作归一化处理；
[0099]
步骤2，设置改进旗鱼算法和支持向量机模型的参数；
[0100]
设置改进旗鱼算法中的种群数量、最大迭代次数、种群维数，支持向量机模型中惩罚因子c的搜索范围，以及核函数参数g的搜索范围；
[0101]
在本实施例中，记改进旗鱼算法中的种群数量为30，最大迭代次数为500，种群维数为2，支持向量机模型中的惩罚因子c的搜索范围为[0.1，1200]，支持向量机模型核函数参数g的范围为[0.01，100]，其余参数均为默认值；
[0102]
步骤3，运行改进旗鱼算法，获得支持向量机模型中的最优惩罚因子和核函数的最
优参数；
[0103]
步骤3.1，初始化改进旗鱼算法的旗鱼种群和沙丁鱼种群的个体位置，并计算每个个体的目标函数值；
[0104]
根据公式(2)选取均方根误差作为目标函数，采用训练数据优化支持向量机模型的内部参数；
[0105]
步骤3.2，对每个个体的位置和目标函数值进行排序，记录当前最优个体位置和最优目标函数值；
[0106]
步骤3.3，引入自适应非线性化迭代因子更新旗鱼个体的位置，引入levy飞行策略更新沙丁鱼个体的位置；
[0107]
由于迭代初期旗鱼个体随机分布，为了提升旗鱼个体的在寻优时的能力，在旗鱼的位置更新公式中引入自适应非线性化迭代因子，加快旗鱼个体的寻优能力；其中，旗鱼的位置更新公式见公式(5)所示；
[0108]
为了提高沙丁鱼种群的随机性和搜索空间的多样性，本发明引入levy飞行策略，此时的沙丁鱼的位置更新公式见公式(12)所示；先根据公式(9)计算旗鱼的攻击力度ap，当ap＞0.5时，也就是说旗鱼的攻击力度较强时，用改进后的沙丁鱼位置更新公式(12)更新全部沙丁鱼的位置；当ap＜0.5时，此时旗鱼的攻击力度较低，则根据公式(10)、(11)计算需要位置更新的沙丁鱼的数量和维度，再用改进后的沙丁鱼位置更新公式(12)对其更新；
[0109]
步骤3.4，为避免在搜索过程中陷入局部收敛，本发明引入差分变异策略中的de/current to best/1策略对种群个体的向量进行变异，在每一轮搜索后期加入差分变异策略来增加群体的多样性；具体描述公式(15)所示；得到变异向量后，根据公式(16)进行交叉操作；然后根据公式(17)进行选择操作，保留目标函数值较优向量作为下一代个体，不断搜索并更新种群个体的位置，判断是否达到最优收敛；若满足，则获取支持向量机模型中的最优惩罚因子c和核函数的最优参数g；若不满足，则返回并继续执行步骤3.2；
[0110]
步骤4，将步骤3得到的最优惩罚因子c和核函数的最优参数g输入至支持向量机模型，组成改进旗鱼算法优化的支持向量机(isfo-svm)模型，利用优化后的最优惩罚因子c和核函数的最优参数g训练支持向量机模型。
[0111]
步骤5，将预测数据输入到isfo-svm模型中得到预测结果，并对预测结果进行反归一化；
[0112]
步骤6，显示输出igbt结温预测结果；
[0113]
在计算机的显示屏上输出步骤5中得到的isfo-svm模型对igbt结温的预测图以及显示利用不同模型对igbt结温预测的误差曲线图、误差直方图。
[0114]
另外，在本发明实施例中，为了更好的展现所提出的预测模型的良好性能，本发明选用svm模型、sfo-svm模型与isfo-svm模型进行对比，并选用rmse、mape、r2作为模型的评价指标；不同模型下igbt结温预测的评估指标值见表1；
[0115][0116]
[0117][0118]
其中，n为测试样本的数量；t
′i为预测值；ti为实际值。
[0119]
表1结温预测评价指标分析表
[0120][0121]
结合表1和图5发现，isfo-svm模型的rmse、mape和r2均优于其他两种模型。svm模型的rmse和mape指标的最大值、最小值与平均值相差相对小，说明svm模型的鲁棒性良好；isfo-svm模型的rmse、mape及r2，均优于其他两种模型，展现出来良好的预测性能，对预测igbt结温有较高的预测精度；isfo-svm模型相较于sfo-svm模型，rmse平均值减少了67.16％，mape的平均值减少56.52％，且r2增加了0.71％，证明isfo-svm模型预测结温的性能更好，拟合度更高。
[0122]
根据图6可以看出，svm模型中的样本个体预测误差分布于[-3℃，3℃]范围占64.65％，在误差绝对值在[9℃，12℃]范围内占0.86％，sfo-svm模型对结温预测结果较svm模型稍有改善，更加拟合结温的真实值；本发明通过对sfo算法进行改进，构建的isfo-svm模型对结温预测的误差相对小且集中，主要分布在[-3℃，3℃)区间内的样本个体占样本总数的91.38％，而且仅有8.82％的样本个体误差绝对值在[3℃，6℃)；综上所述，本发明提出的基于isfo-svm模型的igbt结温预测方法有效地提升了igbt结温预测模型的预测精度和鲁棒性。
[0123]
上述基于isfo-svm模型的igbt结温预测方法中，所述的数据输入计算机的方法是公知的方法；所使用计算机、显示器和matlab计算机软件均是通过商购获得的。
[0124]
以上仅为本发明所介绍方法的具体实施方式，但本发明的保护范围并不仅限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。