(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211330583.5 (22)申请日 2022.10.28 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 申请人 清华大学 (72)发明人 杨雁勇　张品佳　丁晓峰　 (74)专利代理 机构 北京中创云知识产权代理事 务所(普通 合伙) 11837 专利代理师 肖佳 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) H02M 1/00(2007.01) G06F 119/08(2020.01) (54)发明名称 功率变换器中功率器件结温预测模型建立 方法及装置 (57)摘要 本发明实施例涉及模 型预测领域， 尤其涉及 一种功率变换器中功率器件结温预测模型建立 方法及装置， 所述方法包括： 离线测取不同温度 下， 功率器件在不同母线电压条件 下的通态电压 数据和栅极电压过冲数据， 以及不同温度下， 功 率器件在不同负载电流条件下的通态电压数据 和栅极电压过冲数据； 建立神经网络模型， 利用 所测取的数据对 所述神经网络模 型进行训练、 测 试和验证， 得到训练后的神经网络模型。 本发明 实施例的技术方案， 通过选取两个同时受功率器 件温度和键合线失效影响的电气参数联合建立 神经网络模型， 预测功率器件的结温， 实现了可 解耦键合线失效的功率器件温度监测。 权利要求书1页 说明书8页 附图5页 CN 115392140 A 2022.11.25 CN 115392140 A 1.一种功率变换器中功率器件结温预测模型建立方法， 其特 征在于， 所述方法包括： 离线测取不同温度下， 功率器件在不同母线电压条件下的通态电压数据和栅极电压过 冲数据， 以及不同温度下， 功率器件在不同负载电流条件下 的通态电压数据和栅极电压过 冲数据； 建立神经网络模型， 利用所测取的通态电压数据和栅极电压过冲数据对所述神经网络 模型进行训练、 测试和验证， 得到训练后的神经网络模型。 2.根据权利要求1所述的方法， 其特征在于， 所述神经网络模型的输入为功率器件的通 态电压数据和栅极电压过冲数据、 以及所述通态电压数据和栅极电压过冲数据各自对应的 母线电压数据以及负载电流数据， 输出为功率器件的结温数据。 3.根据权利要求2所述的方法， 其特征在于， 所述神经网络模型包括输入层、 隐藏层和 输出层； 所述输入层为1层， 隐藏层为20层， 输出层为1层。 4.根据权利要求3所述的方法， 其特征在于， 所述功率器件包括IGBT； 所述功率变换器 包括整流器、 逆变 器、 以及变流器。 5.根据权利要求4所述的方法， 其特征在于， 将所测取数据的70%作为训练数据集， 将所 测取数据的15%作为测试数据集， 将所测取数据的15%作为验证数据集， 对所述神经网络模 型进行训练、 测试和验证。 6.根据权利要求5所述的方法， 其特 征在于， 所述训练包括： 获取神经网络模型的输出误差， 当输出误差连续n 次迭代无变化时， 则终止训练， n为迭 代误差阈值。 7.根据权利要求1 ‑6中任意一项所述的方法， 其特 征在于， 所述方法还 包括： 根据在线监测的功率器件的电气参数， 利用所述训练后的神经网络模型预测所述功率 器件的结温。 8.根据权利要求7所述的方法， 其特征在于， 所述在线监测的功率器件的电气参数包括 功率器件所在功率变换器的母线电压、 功率器件所在功率变换器的负载电流、 功率器件导 通时的集 射极电压、 以及功率器件开 通瞬态的栅极电压过冲。 9.一种功率变换器中功率器件结温预测模型建立装置， 其特 征在于， 所述装置包括： 功率器件数据获取模块， 用于离线测取不同温度下， 功率器件在不同母线电压条件下 的通态电压数据和栅极电压过冲数据， 以及不同温度下， 功率器件在不同负载电流条件下 的通态电压数据和栅极电压过冲数据； 神经网络建立模块， 用于建立神经网络模型， 利用所测取的通态电压数据和栅极电压 过冲数据对所述神经网络模型进行训练、 测试和验证， 得到训练后的神经网络模型。 10.一种电子设备， 其特 征在于， 包括： 处理器； 和  存储器， 其上存储有可执行代码， 当所述可执行代码被处理器执行时， 执行如权利要 求1‑8中任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 115392140 A 2功率变换器 中功率器件结温预测模型建立方 法及装置 技术领域 [0001]本发明实施例涉及模型预测领域， 尤其涉及一种功率变换器中功率器件结温预测 模型建立方法及装置 。 背景技术 [0002]电力电子功率变换器的核心部件是功率器件， 其可靠性与寿命直接影响着功率变 换器系统的性能。 根据电力电子功率器件的可靠性报告， 热应力是导致电力电子功率器件 的主要诱因。 这是因为电力电子功率器件长期处于高速的开关切换工作状态， 且电力电子 功率器件在工作时不可避免要产生功 率损耗 （包括通态损耗与开关损耗） ， 这个损耗将转化 为热， 对电力电子功率器件进行作用会使得电力电子功率器件面临严重的老化问题。 [0003]对电力电子功率器件进行准确、 及时的状态监测对于保证整个系统的安全稳定运 行具有重要意 义。 发明内容 [0004]基于现有技术的上述情 况， 本发明实施例的目的在于提供一种功率变换器中功率 器件结温预测模型建立方法及装置， 通过建立功率器件结温预测模型， 对功率变换器中功 率器件的结温进行 预测， 具有结温监测响应快、 采样频率高、 对电路无侵入等 技术效果。 [0005]为达到上述目的， 根据本发明的一个方面， 提供了一种功率变换器中功率器件结 温预测模型建立方法， 所述方法包括： 离线测取不同温度下， 功率器件在不同母线电压条件下的通态电压数据和栅极电 压过冲数据， 以及不同温度下， 功率器件在不同负载电流条件下 的通态电压数据和 栅极电 压过冲数据； 建立神经网络模型， 利用所测取的通态电压数据和栅极电压过冲数据对所述神经 网络模型进行训练、 测试和验证， 得到训练后的神经网络模型。 [0006]进一步的， 所述神经网络模型的输入为功率器件的通态电压数据和栅极电压过冲 数据、 以及所述通态电压数据和栅极电压过冲数据各自对应的母线电压数据以及负载电流 数据， 输出为功率器件的结温数据。 [0007]进一步的， 所述神经网络模型包括输入层、 隐藏层和输出层； 所述输入层为1层， 隐藏层为20层， 输出层为1层。 [0008]进一步的， 所述功率器件包括IGBT； 所述功率变换器包括整流器、 逆变器、 以及变 流器。 [0009]进一步的， 将所测 取数据的70%作为训练数据集， 将所测 取数据的15%作为测 试数 据集， 将所测取 数据的15%作为验证数据集， 对所述神经网络模型进行训练、 测试和验证。 [0010]进一步的， 所述训练包括： 获取神经网络模型的输出误差， 当输出误差连续n次迭代无变化时， 则终止训练， n 为迭代误差阈值。说　明　书 1/8 页 3 CN 115392140 A 3