电气技术

参数	数值（类型）
输入参数	V_ce, i_c, T_j
输出参数	E_on, E_off, E_rec
隐含层激活函数	tansig
输出层激活函数	purelin
阈值初始取值范围	(0, 1)
权值初始取值范围	(0, 1)
最大训练次数	1 000

参数	数值（类型）
输入参数	V_ce, i_c, T_j
输出参数	E_on, E_off, E_rec
隐含层激活函数	tansig
输出层激活函数	purelin
阈值初始取值范围	(0, 1)
权值初始取值范围	(0, 1)
最大训练次数	1 000

参数	数值
IGBT规格	1 700V/450A（并联）
IGBT开通电阻/Ω	3.8
IGBT关断电阻/Ω	5.0
IGBT驱动电压/V	+15/-10
IGBT模块寄生电感/nH	20
叠层母排寄生电感/nH	72
直流母线电容	730μF×16/1 400V

参数	数值
IGBT规格	1 700V/450A（并联）
IGBT开通电阻/Ω	3.8
IGBT关断电阻/Ω	5.0
IGBT驱动电压/V	+15/-10
IGBT模块寄生电感/nH	20
叠层母排寄生电感/nH	72
直流母线电容	730μF×16/1 400V

测试条件	测试点	样本数
电压/V	600, 650, 700,…, 1 100, 1 150, 1 200	13
电流/A	100, 150, 200,…, 800, 850, 1 200	17
结温/℃	25, 35, 45, 55, 65, 75, 85, 95	8

测试条件	测试点	样本数
电压/V	600, 650, 700,…, 1 100, 1 150, 1 200	13
电流/A	100, 150, 200,…, 800, 850, 1 200	17
结温/℃	25, 35, 45, 55, 65, 75, 85, 95	8

参数	开通损耗	关断损耗	反向恢复损耗
开关损耗实际值/mJ	121.3	119.9	70.4
粒子群优化预测值/mJ	123.1	117.6	69.6
粒子群优化预测值百分误差/%	1.5	1.9	1.1
随机预测值/mJ	132.5	111.2	65.3
随机预测值百分误差/%	9.2	7.3	7.2

参数	开通损耗	关断损耗	反向恢复损耗
开关损耗实际值/mJ	121.3	119.9	70.4
粒子群优化预测值/mJ	123.1	117.6	69.6
粒子群优化预测值百分误差/%	1.5	1.9	1.1
随机预测值/mJ	132.5	111.2	65.3
随机预测值百分误差/%	9.2	7.3	7.2

基于神经网络的绝缘栅双极型晶体管开关损耗预测

PDF下载

王长华 , 李祥雄 , 梁顺发 , 陈荣东

电气技术 | 研究与开发 2025,26(3): 42-48

收起

电气技术 | 研究与开发 2025, 26(3): 42-48

基于神经网络的绝缘栅双极型晶体管开关损耗预测

全屏

王长华, 李祥雄, 梁顺发, 陈荣东

作者信息

顺特电气设备有限公司，广东佛山 528300

王长华（1983—），男，湖南省邵阳市人，硕士，工程师，主要从事电力电子技术与电池储能研发工作。

Insulated gate bipolar transistor switching loss prediction based on neural network

Changhua WANG, Xiangxiong LI, Shunfa LIANG, Rongdong CHEN

Affiliations

SUNTEN Electrical Equipment Co., Ltd, Foshan, Guangdong 528300

出版时间: 2025-03-15

文章导航

摘要

收起

针对级联储能应用领域大量绝缘栅双极型晶体管（IGBT）的开关损耗难以准确在线测量的问题，引入误差反向传播神经网络，建立IGBT开关损耗预测模型。首先采用级联H桥功率模块搭建开关损耗动态测试系统，通过调整直流母线电压、交流电流及冷却液温度，获得大量测试数据；然后将影响IGBT开关损耗的3个主要因素——集射极电压、集电极电流、结温作为预测模型的输入，采用粒子群优化算法优化开关损耗预测模型的初始权值和阈值，以提升预测开通损耗、关断损耗及二极管反向关断损耗的准确度并加速学习规律的收敛；最后与随机给定初始权值及阈值的开关损耗预测模型进行对比分析。结果表明，引入粒子群优化算法所建立的开关损耗预测模型的预测准确度更高，针对50组随机验证数据的最大百分误差为3.3%。

关键词

绝缘栅双极型晶体管（IGBT） / 开关损耗预测 / 神经网络 / 粒子群优化算法

Abstract

收起

Aiming at the disadvantages that numerous insulated gate bipolar transistor (IGBT) switching loss are difficult to accurately measure online in the cascaded energy storage application area, switching loss prediction model is established based on the error back propagation neural network. Firstly, dynamic test system of switching loss is built with cascaded H bridge power module, the massive switching loss data is obtained with changing the direct current bus voltage, alternating current and coolant temperature of power module. 3 main factors including collector-emitter voltage, collector current and device junction temperature are taken as the input of IGBT switching loss prediction model. The particle swarm optimization is used to optimize the initial weight and threshold of prediction model, improving prediction accuracy and accelerating the convergence of learning laws. The optimized performance of this model is compared and analyzed with the prediction model that the initial weight and threshold are given randomly. The results show that the prediction accuracy of the model proposed in this paper is higher. The maximum percentage error for 50 sets of random validation data is 3.3%.

Key words

insulated gate bipolar transistor (IGBT) / switching loss prediction / neural network / particle swarm optimization

引用本文

王长华, 李祥雄, 梁顺发, 陈荣东. 基于神经网络的绝缘栅双极型晶体管开关损耗预测. 电气技术, 2025 , 26 (3) : 42 -48 .

Changhua WANG, Xiangxiong LI, Shunfa LIANG, Rongdong CHEN. Insulated gate bipolar transistor switching loss prediction based on neural network[J]. Electrical Engineering, 2025 , 26 (3) : 42 -48 .

正文

收起

0 引言

收起

级联H桥多电平储能^[1]因具有多种优势而成为当前研究及应用的热点，但是系统所含绝缘栅双极型晶体管（insulated gate bipolar transistor, IGBT）数量成百上千，其开关瞬态过程与主回路元件紧密耦合^[2]，造成开关瞬态电磁现象复杂^[3]。因此，对多电平IGBT的故障模拟、故障诊断研究应运而生^[4-6]。级联H桥IGBT的开关过程持续时间极短，开关损耗产生大量热能^[7-8]，直接影响散热、硬件电路、保护系统的设计，以及液冷机组和空调的选型。本文针对IGBT的开关损耗进行研究，以期为准确设计系统的散热器、硬件电路、保护系统等提供依据。

当前，IGBT开关损耗计算主要基于数学和物理的方法。其中，数学方法需要借助实验数据及IGBT数据手册^[7]，物理方法需要建立精确的IGBT等效模型。两种方法均需要专业的知识和复杂的测试工作。例如，文献[9]所述的基于物理模型法和文献[10]所述的基于数学计算法，普通工程师可能因专业知识不足而难以进行实际应用。

随着人工智能在新能源领域的广泛应用，人工神经网络算法在电源的可靠性预测^[11]、电力负荷预测^[12]、IGBT故障诊断^[5-6]、IGBT温度监测^[8]、IGBT寿命预测及老化失效预测^[13-16]方面得到推广应用。研究表明，采用BP神经网络^[17-18]、记忆循环神经网络^[8]、贝叶斯-双向长短期记忆神经网络^[16]等可实现对IGBT开关损耗、结温、剩余寿命的准确预测及监测。

由于无需建立IGBT模型，也无需了解其内部结构，即可利用BP神经网络实现对IGBT开关损耗的预测^[17-18]，故本文采用BP神经网络来建立级联H桥IGBT的开关损耗预测模型。

文献[7,17-18]采用BP神经网络来预测IGBT开关损耗，均基于实验室离线双脉冲法获取测试数据，而IGBT开关损耗受主回路、工作环境、实际工况等影响^[2-3]，其实际值与双脉冲测试数据相差大，故实际预测的可靠性无法保证。另外，在级联H桥多电平应用领域，大容量IGBT主回路存在杂散电感，IGBT反向并联的二极管在关断过程中会产生电压过冲，而且关断尖峰电流大，故二极管反向关断损耗不可忽略^[19]。目前，少有文献对IGBT二极管的反向关断损耗进行神经网络预测。

因此，本文采用实际产品的级联H桥功率模块，搭建准在线动态测试系统，以尽量减少关联电路及外部环境的影响；模拟级联H桥全部工况，以获取IGBT开关损耗（包括开通损耗、关断损耗、二极管反向关断损耗）测试数据，减少测试数据与实际损耗的误差；引入BP神经网络，建立级联H桥IGBT开关损耗的预测模型。

为提高预测模型的准确度、加速学习规律的收敛，采用粒子群优化算法优化IGBT开关损耗预测模型的初始权值和阈值，并与随机给定初始权值和阈值的IGBT开关损耗预测模型进行性能对比。

1 IGBT开关损耗测试

收起

1.1 IGBT开关损耗定义

级联H桥IGBT开关损耗是IGBT在开关瞬态过程中的高电压及大电流产生的能量损耗，可分为开通损耗、关断损耗及二极管反向关断损耗。图1所示为IGBT开关损耗示意图，其中V_ce为IGBT集射极电压，V_rec为二极管反向关断电压，V_dc为二极管承受的反向电压，i(t)为IGBT开关瞬间电流及二极管反向关断电流，i_rr为二极管反向关断尖峰电流，t_on为开通时间，t_con为导通时间，t_off为关断时间，t_rr为反向关断时间。

根据图1的描述，IGBT开关损耗为

（1）

E on = ∫ t on V ce (t) i (t) K (T j)d t

（2）

E off = ∫ t off V ce (t) i (t) K (T j)d t

（3）

E rec = ∫ t rr V rec (t) i (t) K (T j)d t

式中：E_on为开通损耗；E_off为关断损耗；E_rec为二极管反向关断损耗；K(T_j)为IGBT的结温系数；T_j为IGBT结温。

1.2 IGBT开关损耗的影响因素

影响IGBT开关损耗的因素有开关频率f_s、门极驱动电压U_ge、集射极电压V_ce、集电极电流i_c、门极驱动电阻R_g、主回路寄生电感L_s及器件结温T_j^[17-18]。对于级联H桥IGBT，其驱动电压、驱动电阻、开关频率及主回路的寄生参数是确定的，几乎不受外部环境及工况的影响。因此，只需考虑其直流工作电压、交流电流及器件结温的影响，故选取上述3个参数作为IGBT开关损耗预测模型的输入变量。

1.3 IGBT开关损耗动态测试系统

图2为IGBT开关损耗动态测试系统框图，级联H桥功率模块由IGBT、驱动板、电容器、滤波电抗器、熔断器、直流接触器、光纤接口、液冷散热等组成；负载为2.6mH/420A交流电抗器；控制器由电源、数字信号处理器（digital signal processor, DSP）、现场可编程门阵列（field programmable gate array, FPGA）、采样电路、外设驱动电路及光纤接口等组成；直流源输出范围为DC 50V~DC 1 500V；温控系统由冷却机组提供，IGBT内置热敏电阻，可实时在线监测IGBT结温；测试系统由高端示波器、高精度、高性能的电压电流探头组成。

2 IGBT开关损耗预测模型

收起

2.1 IGBT开关损耗预测模型原理

IGBT的集射极电压、集电极电流、结温之间具有复杂的非线性关系，BP神经网络可考虑多种因素，并能通过学习训练逼近任意非线性映射^[17-18]，故采用BP神经网络来预测级联H桥IGBT的开关损耗。

先将IGBT看作黑盒系统，建立一个多输入-多输出的BP神经网络预测模型；再对级联H桥IGBT典型工况进行测试，获取大量IGBT开关损耗数据；最后，将IGBT开关损耗数据输入预测模型，学习并存储输入输出模型的映射关系，通过误差的反向传播不断调整预测模型的权值和阈值，使预测模型误差最小^[17-18]。级联H桥IGBT开关损耗预测模型原理如图3所示。

2.2 IGBT开关损耗预测模型结构设计

IGBT开关损耗预测模型设计的关键是控制网络复杂度，确定合理的预测模型结构^[17-18]，具体包括确定IGBT开关损耗预测模型的层数、隐含层节点数、每层节点的激活函数，确定IGBT开关损耗预测模型的初始权值及阈值等。

1）网络层数选取

通常1个隐含层的BP神经网络就能以任意精度逼近任意连续函数^[17-18]，因此本文预测模型的结构为3层（输入层、输出层、隐含层）神经网络结构。

2）隐含层节点数计算

在3层IGBT开关损耗预测模型中，隐含层节点数q与输入节点数n、输出节点数m的关系^[15]为

（4）

q = 1 + n (m + 2)

由于n=m=3，经式（4）计算得q=5。

3）初始权值和阈值优化

初始权值和阈值对IGBT开关损耗预测模型的性能影响较大^[[17-18]。常规神经网络预测模型的初始权值和阈值通常采用[0,1]区间内的随机数，对初始权值和阈值要求高，容易陷入局部最优解。

粒子群算法可快速确定个体极值和全局极值，故采用粒子群算法搜索最佳初始权值和阈值^[15]，以加速模型收敛，减少迭代次数，提升预测准确度。粒子群按式（5）和式（6）不断更新速度和位置。

（5）

v i, j k +1 = ω v i, j k + c 1 r 1 m i, j k − x i, j k + c 2 r 2 n j k − x i, j k

（6）

x i k +1 = x i,1 k + v i,1 k +1, x i,2 k + v i,2 k +1, ⋯, x i, D k + v i, D k +1

式中：

v i, j k

为第k次迭代中第i个粒子第j维的速度；

x i, j k

为第k次迭代中第i个粒子第j维的位置；

ω

为粒子惯性系数；c₁、c₂为粒子非负加速度系数；r₁、r₂均为[0,1]区间内的随机数；

m i, j k

为第k次迭代中第i个粒子第j维的历史最优位置；

n j k

为第k次迭代中整个粒子群的历史最优位置；

x i k + 1

为第k+1次迭代中第i个粒子位置；D为粒子的维度。

由粒子译码得到初始权值和阈值，利用训练样本训练IGBT开关损耗预测模型，再用测试样本对训练后的预测模型进行测试。通过与随机给定初始权值和阈值的预测模型进行对比，来评价引入粒子群优化的预测模型的性能。

4）激活函数选取

激活函数负责将神经元的输入映射到输出端。常用的激活函数有线性函数、阶跃函数、双曲正切S型函数等。IGBT开关损耗预测模型属于函数逼近型，其隐含层神经元的激活函数选择双曲正切S型函数tansig，该函数的反对称性使模型的学习速度更快^[17-18]。对只含1个隐含层且采用tansig作为激活函数的IGBT开关损耗预测模型来说，输出层采用线性函数purelin作为激活函数，可实现对多输入函数任意精度的逼近^[20]。输出层和隐含层的神经元激活函数如图4所示，对应的激活函数表达式分别为

（7）

purelin (x) = x

（8）

tansig (x) = e x − e − x e x +e − x

IGBT开关损耗预测模型结构如图5所示。其中，b¹为连接输入层与隐含层的阈值矩阵，b²为连接隐含层与输出层的阈值矩阵，V为连接输入层与隐含层的权值矩阵，W为连接隐含层与输出层的权值矩阵^[17-18]。

在每次迭代完成后，IGBT开关损耗预测模型根据粒子群算法优化结果更新神经网络的最优权值和阈值，直至训练结束。IGBT开关损耗预测模型参数见表1。

3 实验

收起

3.1 测试数据获取

IGBT开关损耗动态测试系统参数见表2。通过调整直流电压、控制交流电流、调节冷却液温度，即可获取测试数据。

用示波器记录级联H桥IGBT开关瞬态电压、电流波形。直流母线电压为718.7V，交流侧电流为495.1A，IGBT结温为45℃条件下的IGBT开关损耗测试波形如图6所示，其中Ch1为H桥交流电压，Ch2为H桥直流电压，Ch3为H桥交流电流，Ch4为H桥直流电流。根据1.1节对IGBT开通损耗、关断损耗及二极管反向关断损耗的定义，即可计算出相应的损耗测试值。

由于IGBT开关损耗测试数值变动范围大，为提高IGBT开关损耗预测模型的性能，对测试数据进行归一化处理，即

（9）

V g = V y V ymax

式中：V_g为归一化后的数据；V_y为原始数据；V_ymax为原始数据的最大值。

3.2 测试点数据选择

所选择样本测试点须覆盖级联H桥IGBT功率模块的全部工况^[15]。样本数据测试点见表3，在不同电压、电流及结温测试条件下，共计1 768个测试点。

3.3 测试数据处理及预测模型训练

首先清洗1 768个测试点中的25个异常点，然后随机抽取50个测试点，用于IGBT开关损耗预测模型性能对比，最后将剩余1 693个测试点分别输入基于粒子群优化的预测模型及基于常规算法（随机给定初始权值和阈值）建立的预测模型进行训练，并保存两个训练模型。

3.4 IGBT开关损耗预测模型性能对比

图7所示为基于粒子群算法优化的BP神经网络训练过程及基于随机给定初始权值和阈值的BP神经网络训练过程对比。

由图7（a）可知，基于粒子群算法优化的神经网络在第53次训练时的方均误差达到最小，为0.000 134 16。由图7（b）可知，基于随机给定初始权值和阈值的神经网络在第92次训练时的方均误差达到最小，为0.000 150 03。

显然，采用粒子群算法优化后的预测模型迭代次数更少。这是因为，粒子群算法利用粒子群中个体和群体的最优信息来更新粒子速度和位置，从而加速了迭代过程，减少了迭代次数；而常规神经网络中随机给定的初始权值和阈值较小时，会导致神经网络训练过程的迭代次数较多、收敛速度慢^[17-18]。

为了定性对比两种预测模型的准确度，随机抽取50个测试点，得到IGBT开关损耗预测结果对比如图8所示。显然，图8（a）比图8（b）的曲线拟合度更好，即基于粒子群算法优化的预测模型准确度更高。

为了定量对比两种预测模型的准确度，随机抽取50个测试点，得到两种预测模型的百分误差对比如图9所示。图9（a）中，第19个测试样本的二极管反向关断损耗预测值的百分误差最大，约为3.3%；第47个测试样本的IGBT开通损耗预测值的百分误差最大，约为1.6%；第30个测试样本的IGBT关断损耗预测值的百分误差最大，约为2.0%。图9（b）中，第14个测试样本的二极管反向关断损耗预测值的百分误差最大，约为8.6%；第40个测试样本的IGBT关断损耗预测值的百分误差最大，约为8.6%；第42个测试样本的IGBT开通损耗预测值的百分误差最大，约为9.2%。图9（a）的百分误差整体比图9（b）更小，因此基于粒子群算法优化初始权值及阈值的预测模型准确度更高。

两个预测模型针对第42个测试样本的预测数据见表4。由表4可知，引入粒子群算法后的IGBT开关损耗预测模型的百分误差降低了5.4~7.7个百分点。

基于粒子群算法优化的预测模型，通过全局搜索和局部搜索相结合的方式，避免神经网络陷入局部最优，从而使预测模型预测值的误差较小；而基于随机给定初始权值及阈值的预测模型，由于初始权值和阈值随机给定，每次训练结果不同，导致预测值误差较大。

综上所述，引入粒子群算法优化的IGBT开关损耗预测模型具有更高的预测准确度，能够应用于级联H桥IGBT开关损耗的预测。

4 结论

收起

本文选取实际级联H桥IGBT功率模块搭建准在线动态测试系统，利用大量实验数据，结合粒子群算法优秀的全局优化能力，提高了IGBT开关损耗预测模型的预测准确度。与常规IGBT开关损耗计算相比，采用人工神经网络可将IGBT开关损耗与环境关联因素统一考虑，从而获得更高的IGBT开关损耗预测准确度（最大预测百分误差为3.3%），有利于工程师准确完成散热器、保护系统、硬件电路设计及对产品性能的评估。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

蔡旭, 李睿, 李征. 储能功率变换与并网技术[M]. 北京: 科学出版社, 2019.

[2]

张午宇, 齐磊, 张翔宇, 等. 计及金属化薄膜电容器与IGBT模块退化过程相关性的柔直换流阀组件可靠性评估方法[J]. 电工技术学报, 2024, 39(14): 4508-4518.

[3]

李雨泽, 张秀敏, 袁文迁, 等. 基于电参数的IGBT开关瞬态过程耦合关系分析[J]. 高电压技术, 2024, 50(3): 1252-1263.

[4]

邹毅军, 魏明洋. 模块化多电平换流器子模块故障模拟方法[J]. 电气技术, 2022, 23(4): 96-101.

[5]

Yang

, SUN

Xiangdong

, REN

Biying

, et al. A data-driven method for IGBT open-circuit fault diagnosis for the modular multilevel converter based on a modified Elman neural network[J]. Energy Reports, 2022, 8: 80-88.

[6]

SIVAPRIYA

, KALAIARASI

. A novel enhanced deep learning-based fault diagnosis approach for cascaded multilevel inverter[J]. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 2023, 5: 100253.

[7]

李志刚, 梅霜. 基于神经网络的功率模块开关损耗预测[J]. 现代电子技术, 2016, 39(20): 101-103.

[8]

LIU

Yunhe

, GUO

Tengfei

, LI

Jinda

, et al. A study on temperature monitoring method for inverter IGBT based on memory recurrent neural network[J]. High- speed Railway, 2024, 2(1): 64-70.

[9]

普靖, 罗毅飞, 肖飞, 等. 针对高压IGBT的改进瞬态模型[J]. 高电压技术, 2018, 44(2): 448-455.

[10]

杨立敏, 王晖, 韩志勇, 等. 全桥型模块化多电平换流器损耗简化计算模型研究[J]. 电工电能新技术, 2019, 38(8): 53-62.

[11]

黄李奔. 基于BP神经网络模型的智慧杆电源热稳定性评估方法[J]. 电气技术, 2023, 24(6): 47-56.

[12]

徐扬, 张紫涛. 基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测[J]. 电气技术, 2021, 22(9): 70-76.

[13]

任宏宇, 余瑶怡, 杜雄, 等. 基于优化长短期记忆神经网络的IGBT寿命预测模型[J]. 电工技术学报, 2024, 39(4): 1074-1086.

[14]

唐圣学, 张继欣, 姚芳, 等. IGBT模块寿命预测方法研究综述[J]. 电源学报, 2023, 21(1): 177-194.

[15]

刘嘉诚. 基于机器学习算法的IGBT寿命预测研究[D]. 合肥: 合肥工业大学, 2020.

[16]

万庆祝, 于佳松, 佟庆彬, 等. 基于Bo-BiLSTM网络的IGBT老化失效预测方法[J]. 电气技术, 2024, 25(3): 1-10.

[17]

陈娜, 李鹏, 江剑, 等. 中高压IGBT开关特性的遗传神经网络预测[J]. 电工技术学报, 2013, 28(2): 239-247, 254.

[18]

唐波, 刘任, 江浩田, 等. 基于BP神经网络的IGBT模块开关损耗求解[J]. 高压电器, 2019, 55(7): 27-32.

[19]

田安民, 孙光淼, 卢文冰, 等. 大容量变流器中IGBT关断过电压抑制技术研究[J]. 电力电子技术, 2023, 57(10): 13-16.

2025年第26卷第3期

PDF下载

135

引用本文

BibTeX

文章信息

接收时间：2024-09-19
首发时间：2025-11-10
出版时间：2025-03-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-09-19
修回日期：2024-10-16

基金

作者信息

顺特电气设备有限公司，广东佛山 528300

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/dqjs/CN/1194580237221593719

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

参数	数值（类型）
输入参数	V_ce, i_c, T_j
输出参数	E_on, E_off, E_rec
隐含层激活函数	tansig
输出层激活函数	purelin
阈值初始取值范围	(0, 1)
权值初始取值范围	(0, 1)
最大训练次数	1 000

参数

数值（类型）

输入参数

V_ce, i_c, T_j

输出参数

E_on, E_off, E_rec

隐含层激活函数

tansig

输出层激活函数

purelin

阈值初始取值范围

(0, 1)

权值初始取值范围

(0, 1)

最大训练次数

1 000

参数	数值
IGBT规格	1 700V/450A（并联）
IGBT开通电阻/Ω	3.8
IGBT关断电阻/Ω	5.0
IGBT驱动电压/V	+15/-10
IGBT模块寄生电感/nH	20
叠层母排寄生电感/nH	72
直流母线电容	730μF×16/1 400V

参数

数值

IGBT规格

1 700V/450A（并联）

IGBT开通电阻/Ω

3.8

IGBT关断电阻/Ω

5.0

IGBT驱动电压/V

+15/-10

IGBT模块寄生电感/nH

叠层母排寄生电感/nH

直流母线电容

730μF×16/1 400V

测试条件	测试点	样本数
电压/V	600, 650, 700,…, 1 100, 1 150, 1 200	13
电流/A	100, 150, 200,…, 800, 850, 1 200	17
结温/℃	25, 35, 45, 55, 65, 75, 85, 95	8

测试条件

测试点

样本数

电压/V

600, 650, 700,…, 1 100, 1 150, 1 200

电流/A

100, 150, 200,…, 800, 850, 1 200

结温/℃

25, 35, 45, 55, 65, 75, 85, 95

参数	开通损耗	关断损耗	反向恢复损耗
开关损耗实际值/mJ	121.3	119.9	70.4
粒子群优化预测值/mJ	123.1	117.6	69.6
粒子群优化预测值百分误差/%	1.5	1.9	1.1
随机预测值/mJ	132.5	111.2	65.3
随机预测值百分误差/%	9.2	7.3	7.2

参数

开通
损耗

关断
损耗

反向恢复
损耗

开关损耗实际值/mJ

121.3

119.9

70.4

粒子群优化预测值/mJ

123.1

117.6

69.6

粒子群优化预测值百分误差/%

1.5

1.9

1.1

随机预测值/mJ

132.5

111.2

65.3

随机预测值百分误差/%

9.2

7.3

7.2