梅霜，李志剛

(河北工業(yè)大學電氣工程學院，天津300310)

小樣本數據下功率模塊開關損耗模型研究*

梅霜，李志剛*

(河北工業(yè)大學電氣工程學院，天津300310)

在研究新能源系統(tǒng)可靠性時，功率模塊IGBT的開關損耗的準確預測是非常重要的。采用功率模塊的開關動態(tài)測試系統(tǒng)進行試驗，可以自動調整直流母線電壓、集電極電流、門極驅動電壓和門極電阻，記錄開關動態(tài)電壓、電流波形，通過處理獲取精確的開關損耗值。基于試驗數據的基礎上，通過SVM算法建立開關損耗模型，改善了現有的基于小樣本數據的開關損耗模型。

功率模塊;開關損耗;SVM;小樣本

功率模塊的損耗主要有通態(tài)損耗、截止損耗和開關損耗，其中由于關斷狀態(tài)下的截止損耗很小，可以忽略不計，通態(tài)損耗可以通過數據表和操作模式準確的獲得，但是開關損耗，由于開關過程持續(xù)時間極短，且影響因子較多，比較難于預測和評估［1-2］。功率模塊的損耗主要取決于器件的類型和器件的操作條件，器件的損耗可能會產生大量的熱，引起過大的溫升，對其可靠性影響很大，這些直接決定了系統(tǒng)所需的散熱系統(tǒng)和過熱保護系統(tǒng)的等級。因此，功率模塊IGBT的損耗問題一直是各國學者研究的熱點，其中如何準確估算IGBT模塊的開關損耗是研究的重點內容之一。

目前，IGBT模塊開關損耗計算方法有基于物理方法的損耗計算法和基于數學方法的損耗計算法［3］。文獻［4-5］采用仿真軟件建立相應的物理模型得到開關動態(tài)波形，計算損耗，結果相對精確，但是建立的物理模型一般比較復雜，所需參數也不易獲得。目前，許多仿真軟件已經建立了一些器件的物理模型，大大方便了人們的應用。文獻［6-7］采用數據手冊對開關損耗進行估算，簡單方便，但其作者也指出該方法計算結果不太精確。文獻［1，8-9］采用相應的簡單函數擬合開通、關斷的電壓、電流波形，再通過積分獲取開關損耗值，但其作者在建立該模型時，都設立了一些條件假定，不能與實際曲線一致。文獻［10-12］采用傳統(tǒng)數學模型和神經網絡模型對開關損耗建模，考慮到電壓、電流、驅動電壓和驅動電阻等的影響，以實測的開關損耗值為基礎，在解決大樣本問題時模型精度高，效果好，準備工作復雜，模型建立后獲取開關損耗值比較簡單，計算速度快，而且精度較高。但在解決小樣本問題時，無法給出令人滿意的結果。建立模型的基礎需要大量的實驗數據，功率模塊IGBT的開關損耗的準確的測試就非常必要了。目前存在的IGBT開關損耗建?；A數據大都是計算上升時間(電流的10%～90%)損耗，或者電流上升開始到測試電流為止的開通損耗(關斷損耗一樣)，而不是開通時間和關斷時間內的損耗，本文嚴格按照開關時間的定義，測試電壓、電流和門極電壓波形，開關動態(tài)測試更準確，開關損耗計算更精確。

基于以上分析，本文首先描述了功率模塊IGBT開關特性測試系統(tǒng)的設計，該系統(tǒng)可以調節(jié)的參數包括電壓、電流、門極驅動電壓、門極電阻。一旦測試條件設定好，測試系統(tǒng)自動地就可以進行測試。該系統(tǒng)能自動測試記錄電壓、電流和門極電壓的波形，使開關損耗計算更精確。最后，研究了利用支持向量機(SVM)算法建立開關損耗模型，解決功率模塊IGBT開關損耗小樣本建模的缺陷。

1 功率模塊開關特性測試

為研究功率模塊IGBT開關特性，可以采用圖1所示的雙脈沖控制觸發(fā)信號和二極管鉗位的感性負載電路，與單脈沖測試系統(tǒng)相比，該系統(tǒng)能夠準確測試功率模塊的開通過程和關斷過程。采用疊層母排，有效地減少母線雜散電感;門極觸發(fā)的雙脈沖信號為由DSP編程產生，它也控制著電壓、電流、門極驅動電壓、門極電阻的自動調節(jié);采用高壓差分電壓探頭測試電壓波形，采用羅氏線圈電流探頭測試電流波形，采用普通探頭測試門極電壓波形，能夠獲得足夠高精度的數據。通過計算機實現對測試波形的保存。

圖1 功率模塊動態(tài)特性測試系統(tǒng)

該測試采用某典型的1 200 V/75 A的功率模塊IGBT進行試驗，保持室溫25℃，記錄不同工作條件下的功率模塊IGBT的開通、關斷波形，測試電壓Vce、電流Ic、門極電壓Vge波形如圖1所示，并保存在計算機中等待后續(xù)處理。

在人機界面上分別設置測試條件如表1所示共54個測試點，得到功率模塊IGBT動態(tài)開關電壓、電流波形并保存，為開關損耗建模提供數據基礎。

表1 動態(tài)測試條件

2 測試結果及損耗計算

如圖2所示為Vcc=600 V，Ic=75 A，Vge=15 V，Rg=10Ω時的開關動態(tài)的測試波形，包括電壓波形、電流波形和門極驅動電壓波形。

圖2 IGBT動態(tài)測試波形圖

功率模型IGBT的開關損耗由IGBT的開關特性決定，損耗計算公式如下所示:

式中:Eon為開通損耗，Eoff為關斷損耗，ton為開通時間，toff為關斷時間，vce為集-射極間電壓，ic為集電極電流。

使用測試設備數據表的定義來確定開通和關斷過程的時間。開通損耗的過程是當IGBT門極電壓Vge達到10%的測試電壓開始到電流Ic上升達到測試電流的90%結束的過程，關斷損耗的過程從門極電壓Vge下降到90%的測試電壓開始到電流Ic上升達到測試電流的10%結束的過程。

3 小樣本數據的開關損耗模型

功率模塊開關損耗建模的主要目的是要找出一個合理的表示方法來描述開關能量損耗和可變參數包括集電極電流(Ic)，直流母線電壓(Vce)，門極電阻(Rg)和門極驅動電壓(Vg)的關系。由于該測試樣本點只有54個，且是在多個測試條件下，在電力電子測試中，屬于小樣本數據，采用傳統(tǒng)的基于物理機理的模型和建模算法中常用的人工智能模型BP神經網絡建模的模型所需樣本點不足，建立模型精度可能不高，因此選取適用于小樣本學習的支持向量機(SVM)算法建立功率模塊的開關損耗模型，同時該模型能較好地解決了機器學習模型的過學習、非線性、維數災難以及局部極小值等問題。

3.1 模型的建立與誤差定義

首先要對所選的數據進行歸一化處理，避免發(fā)生過飽和。采用開關損耗測試系統(tǒng)測試數據共獲得54個樣本，隨機選取其中37個樣本作為訓練樣本，17個作為測試樣本，對樣本進行學習和訓練。設置模型采用最大步長為50進行訓練，期望誤差0.000 04，隱層的節(jié)點數為10。分別采用SVM算法和神經網絡算法對開關損耗建模，對比分析SVM算法在解決小樣本模型的優(yōu)越性。

采用均方根誤差和復測定系數作為模型的評價標準。

均方根誤差RMSE

式中:yi為真實值為預測值，n為樣本數目。均方根誤差越小說明模型的預測能力越強。

復測定系數R2

式中，殘差平方和:

總偏差平方和:

式中:yi為真實值，^yi為預測值，ˉy為真實值的平均值，n為樣本數目。復測定系數R2越接近1，模型越適用。

3.2 模型結果分析

獲得經過SVM算法訓練的開通損耗和關斷損耗的測試集預測結果對比圖如圖3所示;經過神經網絡算法訓練的開通損耗和關斷損耗的測試集預測結果對比圖如圖4所示。

圖3 SVM模型的測試集預測結果對比圖

圖4 神經網絡模型的測試集預測結果對比圖

采用SVM建立的功率模塊IGBT開關損耗模型與采用BP神經網絡建立的功率模塊IGBT開關損耗模型的誤差對比結果如表2所示。從中可以看出，采用SVM建立的功率模塊IGBT開關損耗模型很好的解決了樣本點數目減少導致模型的精度變差的問題，彌補了在功率模塊IGBT開關損耗建模中的缺陷。

表2 兩種算法的誤差比較

4 結論

(1)研究了功率模塊IGBT開關動態(tài)特性，設計了功率模塊開關動態(tài)測試系統(tǒng)，同時監(jiān)測電壓、電流和門極電壓的波形，根據定義計算開關損耗，計算結果更全面。

(2)分析了現有的損耗計算方法及其優(yōu)缺點，采用SVM算法對功率模塊開關損耗數據進行建模，在解決小樣本損耗建模時與神經網絡模型相比，精度更高，效果更好。彌補了在功率模塊IGBT開關損耗在小樣本建模中的缺陷。

［1］毛鵬，謝少軍，許澤剛.IGBT模塊的開關暫態(tài)模型及損耗分析［J］.中國電機工程學報，2010，33(15):40-47.

［2］胡珊，羅賢明，白杰，等.IGBT動態(tài)參數測試方法研究［J］.電力電子技術，2012，12:62-63.

［3］熊妍，沈燕群，江劍，等.IGBT損耗計算和損耗模型研究［J］.電源技術應用，2006，5:55-60.

［4］崔揚，賈林，王正元.IGBT SPICE模型的建立［J］.電力電子技術，1996，4:87-89.

［5］張薇琳，張波，丘東元.電力電子開關器件仿真模型分析和比較［J］.電氣應用，2007，9:64-67.

［6］Bierhoff M H，Fuchs FW.Semiconductor Losses in Voltage Source and Current Source IGBT Converters Based on Analytical Derivation［C］//Proceedings of 35th Annual IEEE Power Electronics Specialists Conference.Aachen，Germany:IEEE，2004: 2836-2842.

［7］Calculation ofMajor IGBTOperating Parameters［EB/OL］.Inflneon Application Notes，http://www.infineon.com.

［8］柳丹，劉鈞，孟金磊，等.電動汽車用IGBT模塊損耗分析方法［J］.電力電子技術，2013，8:74-76.

［9］鄒高域，趙爭鳴，袁立強，等.雙PWM變頻器中的IGBT模塊損耗［J］.清華大學學報(自然科學版)，2013，7:1011-1018.

［10］Shen Yanqun，Xiong Yan，Jiang Jian，et al.Switching Loss Analysis and Modeling of Power Semiconductor Devices Base on an Automatic Measurement System［J］.Industrial Electronics，2006，2: 853-858.

［11］陳娜，李鵬，江劍，等.中高壓IGBT開關特性的遺傳神經網絡預測［J］.電工技術學報，2013，2:239-247，254.

［12］Deng Yan，He Xiangning，Zhao Jing，et al.Application of Artificial Neural Network for Switching Loss Modeling in Power IGBTs［J］.Journal of Zhejiang University—SCIENCEC(Computers and Electronics)，2010，11(6):435-443.

梅霜(1991-)，女，漢族，江蘇沛縣，河北工業(yè)大學電器研究所，碩士研究生，研究方向為電器可靠性及其檢測技術、電子電器，592264122@qq.com;

李志剛(1958-)，男，漢族，天津，河北工業(yè)大學電器研究所，教授，博士生導師，研究方向為電器可靠性及其檢測技術、電子電器，zgli@hebut.edu.cn。

The Research of Sw itching Loss in Power M odule Under the Small Sam p le Data*

MEIShuang，LIZhigang*

(School of Electrical Engineering，Hebei University of Technology，Tianjin 300130，China)

Themodeling of switching loss in powermodules is important in practice for the prediction and evaluation of new energy system reliability.Using the powermodules dynamic test system that can automatically adjust the DC bus voltage、collector current、gate drive voltage and gate resistance.Recording switching dynamic voltage and currentwaveforms to obtain precise switching loss values by processing.A switching lossmodel that improved the existing switching lossmodel based on a small sample of test pointswas established by SVM algorithm.

powermodule;switching loss;SVM;small sample

C:2560L;2180B

10.3969/j.issn.1005－9490.2017.01.043

TN3

:A

:1005－9490(2017)01－0228－04

項目來源:國家科技支撐計劃項目(2015BAA09B01);國家自然科學基金項目(51377044);河北省科技計劃項目(14214503D，13214303D)

2016-01-04修改日期:2016-02-25