申请/专利权人：河北工业大学

申请日：2021-04-30

公开（公告）日：2021-07-23

公开（公告）号：CN113162375A

主分类号：H02M1/08(20060101)

分类号：H02M1/08(20060101);G06F30/367(20200101);G06F30/27(20200101);G06N3/04(20060101);G06N3/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.04.12#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：本发明涉及一种IGBT动态过程中开关损耗预测的建模方法，是基于佳点磷虾群算法优化极限学习机的IGBT开关损耗预测方法，步骤是：首先，获取IGBT动态特性试验数据；其次，在完成试验数据处理、极限学习机和磷虾群算法基本参数设定后，利用佳点集算法优化初始磷虾群，以此作为极限学习机的权值阈值，并计算佳点磷虾适应度。在寻优过程中，佳点磷虾以莱维飞行和余弦控制因子为翼不断更新其位置，并计算佳点磷虾的适应度，直至结束；最后，根据佳点磷虾寻得的极限学习机最优权值阈值，预测、输出IGBT开、关损耗值。本发明通过对算法寻优实行动态性调整，使得预测模型的预测精度高、预测速度快，预测结果对于工程师改进IGBT模块的散热系统等具有较好的指导意义。

主权项：1.一种IGBT动态过程中开关损耗预测的建模方法，其特征在于是基于佳点磷虾群算法优化极限学习机的IGBT开关损耗预测的方法，其步骤如下：步骤一，获取IGBT动态特性试验数据1.1通过IGBT动态特性试验获取240组试验数据，每组数据包括IGBT模块的直流母线电压、集电极电流、门极电压和开关频率数据，及其开通、关断损耗数据；步骤二，对IGBT动态特性试验数据进行归一化处理和分配2.1使用归一化公式1对IGBT动态特性试验数据进行归一化处理： 2.2将归一化后的试验数据分为学习数据和测试数据，分配比例为：学习数据的数量∶测试数据的数量＝8∶2；因此，IGBT的240组动态特性试验数据分为192组学习数据，和48组测试数据；每组包括六个变量，IGBT模块的开通、关断损耗，和IGBT模块的直流母线电压、集电极电流、门极电压和开关频率；步骤三，设置和初始化极限学习机参数极限学习机的参数需要设置每一层的节点数和初始化极限学习机的权值及阈值，包括：设置极限学习机的输入层节点数num_in＝4；设置极限学习机的隐含层节点数num_hid＝7；设置极限学习机的输出层节点数num_out＝1；步骤四，设置磷虾群算法基本参数，完成极限学习机输入层到隐含层节点的权值和阈值的分配4.1设置的磷虾群算法的参数：设置磷虾群中磷虾的数量n＝50；设置磷虾群寻优的最大迭代次数Iteration_max＝100；设置每只磷虾所含数据的维度dim＝num_in×num_hid+num_hid＝4×7+7＝35；初始化磷虾群的种群数据，并将此作为极限学习机输入层到隐含层节点的权值和阈值，方法为：利用MATLAB软件，采用分圆域的方法在35维的单位空间内生成一个包含50个点的集合X50i，X50i的构造公式见公式2：X50i＝{[r1×i，r2×i，...，rj×i，...，r35×i]，1≤i≤50，1≤j≤35}2式中并且rj×i为rj×i的小数部分，q是满足2×dim+3≤q的最小素数，可算得q＝73，通过公式2得到佳点矩阵X： 矩阵X中，xij∈[Lb，Ub]1≤i≤50，1≤j≤35，Ub、Lb分别为变量xij的上、下边界，分别赋值为1、-1；将佳点矩阵X作为磷虾群算法中磷虾群的第一代的种群数据矩阵，记为佳点磷虾群；因此，式3中，X1，X2，...，Xi，...，X50表示佳点磷虾群中第1，2，3，...，i，...，50只佳点磷虾，xij表示第i只佳点磷虾上第j维上的数据；因此，极限学习机输入层到隐含层节点的权值和阈值初始化完毕；4.2考虑到极限学习机输入层和隐含层的节点数量，将每只佳点磷虾的35维数据进行分配，将佳点磷虾的[1，28]维数据作为极限学习机输入层到隐含层的权值，将佳点磷虾的[28，35]维数据作为极限学习机输入层到隐含层的阈值，并将上述分配的数据导入极限学习机中；至此，极限学习机的参数设置全部完成；步骤五，利用佳点磷虾群算法优化极限学习机，计算每只磷虾的适应度值5.1建立佳点磷虾群算法-极限学习机的预测模型，称之为GKH-ELM预测模型，用于预测IGBT开通损耗或关断损耗；将佳点磷虾群算法中的每只佳点磷虾数据作为GKH-ELM预测模型的输入层节点到隐含层节点的一组权值和阈值；将步骤2.2获得的192组学习数据导入极限学习机中，学习数据分为两部分：输入数据和输出数据；一组输入数据包括4个变量，分别为IGBT模块的直流母线电压、集电极电流、门极电压和开关频率，输出数据为IGBT模块的开通损耗或关断损耗；将学习数据导入极限学习机之后，会获得50组，每组192个IGBT开通损耗或关断损耗预测值，并通过公式4计算每只佳点磷虾的适应度值，即每只佳点磷虾对应下的极限学习机的预测性能评估值， 公式4中，F为每只佳点磷虾的适应度值，适应度值越大越好；pk为IGBT动态特性试验获得的数据，以此视为IGBT的开通损耗或关断损耗的实际值；p′k为IGBT开通损耗或关断损耗的预测值；N为极限学习机开通损耗或关断损耗的预测输出个数，即学习期间N为192；同理，在测试期间，N＝48；5.2筛选适应度高的佳点磷虾，记录和保留佳点磷虾群算法中适应度值最大的佳点磷虾位置数据；筛选适应度高的佳点磷虾包括：筛选当代最优适应度的佳点磷虾，以及比较当代最优佳点磷虾和历史最优佳点磷虾的适应度值，选择最优，即，若则记录佳点磷虾i第t次运动的位置数据；若则记录当代最优佳点磷虾位置数据，并记为历史最优佳点磷虾；步骤六，对佳点磷虾群算法进行改进，寻找全局最优解6.1更新步骤四或公式13得到的佳点磷虾群X；佳点磷虾个体的位置更新运动，主要包括诱导运动Ii、觅食运动Fi和物理扩散运动Pi，其公式分别见5、6、7： 公式5中，表示第i只佳点磷虾的第t次诱导运动，同理表示第i只佳点磷虾的第t-1次诱导运动；Imax表示最大诱导速度，取Imax＝0.01；表示周围佳点磷虾第t次对第i只佳点磷虾产生的影响，而表示历史最优佳点磷虾对佳点磷虾i产生的诱导作用；ωI为诱导运动的惯性权重，范围是[0，1]； 公式6中，Fit表示第i只佳点磷虾的第t次觅食运动，同理Fit-1表示第i只佳点磷虾的第t-1次觅食运动；表示当前食物对第i只佳点磷虾的诱导强度，表示历史最优佳点磷虾对佳点磷虾i运动的觅食牵引力；vF表示磷虾的觅食速度，取vF＝0.02；ωF为觅食运动的诱导权重，其范围是[0，1]； 公式7中，Pit表示第i只佳点磷虾的第t次物理扩散运动；Pmax表示佳点磷虾扩散的最大速度，取Pmax＝0.005；t表示当前运动次数；δi为当前佳点磷虾的随机扩散的方向向量，且δi∈[0，1]；因此，佳点磷虾i在第t次运动时的位置运动的变化量见式8，以及其第t次运动结束后的位置见公式9： 记佳点磷虾i第t次运动结束后的位置作为第t+1次运动的初始位置；6.2引入余弦控制因子和莱维飞行改进佳点磷虾群的位置更新公式，余弦控制因子用于改进佳点磷虾诱导运动公式5和觅食运动公式6中的ωI和ωF，改进公式见式10； 莱维飞行用于改进公式9，并对莱维飞行进行设定，若佳点磷虾群最优适应度值超过20次迭代不发生变化，便启动莱维飞行，直至磷虾群的最优适应度值发生变化，莱维飞行公式见式11： 其中，u和ε均服从标准正态分布，且β＝1.5，而φ的计算公式见式12； 因此，结合公式9、10、11、12得到改进后的佳点磷虾位置更新公式13，因而佳点磷虾群X中每个个体的位置根据公式13进行位置更新，生成新的位置； 步骤七，判断磷虾群的当前运动次数t是否达到了磷虾群算法设定的最大迭代次数100次；若t＜100，则返回步骤五；若t＝100，则执行步骤八；步骤八，输出IGBT开通损耗、关断损耗预测结果将步骤五中获得的历史最优佳点磷虾位置数据作为GKH-ELM预测模型的最优权值和阈值；将240组动态试验特性试验数据中的48数据作为测试数据，每组测试数据包括：IGBT模块的开通或关断损耗，和IGBT模块的直流母线电压、集电极电流、门极电压和开关频率；将IGBT模块的直流母线电压、集电极电流、门极电压和开关频率作为GKH-ELM预测模型的输入数据，并预测IGBT开通或关断损耗值；将IGBT动态特性试验获取的开通或关断损耗数据作为GKH-ELM预测IGBT开通或关断损耗值的参考值，并利用公式4计算其适应度值，即计算最优佳点磷虾位置下的极限学习机预测性能评估值；借助MATLAB软件在计算机的显示屏上显示步骤八预测的IGBT的开通、关断损耗值和实际开通、关断损耗值对比图，以及IGBT的测试数据的开通、关断损耗值预测的均方根误差RMSE和决定系数R2。

全文数据：

权利要求：

百度查询： 河北工业大学 一种IGBT动态过程中开关损耗预测的建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD