本發(fā)明涉及電動(dòng)汽車(chē)領(lǐng)域，具體涉及一種用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法。

背景技術(shù)：

1、高壓絕緣柵雙極晶體管(igbt)廣泛應(yīng)用于需要高電壓、大電流的電氣化交通領(lǐng)域。在新能源車(chē)電驅(qū)動(dòng)系統(tǒng)中，igbt模塊設(shè)置于高壓與低壓電之間，用于隔離高低壓之間的電磁干擾，通過(guò)設(shè)置合適的igbt參數(shù)能夠有效降低高低壓之間的耦合效應(yīng)，降低電驅(qū)動(dòng)系統(tǒng)中各線纜的電磁干擾，優(yōu)化電驅(qū)動(dòng)系統(tǒng)性能。由于死區(qū)時(shí)間、開(kāi)關(guān)時(shí)間、延遲時(shí)間和電壓降的影響，輸出電壓和電流相對(duì)于理想開(kāi)關(guān)性能來(lái)說(shuō)會(huì)失真，igbt暫態(tài)參數(shù)對(duì)于電機(jī)控制等場(chǎng)景至關(guān)重要。隨著新能源車(chē)的快速發(fā)展，對(duì)應(yīng)用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)的igbt的高開(kāi)關(guān)速度和高開(kāi)關(guān)頻率可靠運(yùn)行提出了更高要求。通過(guò)建立精度較高的igbt開(kāi)關(guān)暫態(tài)建模獲取igbt暫態(tài)參數(shù)，能夠提高新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)速度及頻率。

2、目前，igbt暫態(tài)模型主要分為物理模型、解析模型和行為模型。物理模型通常需要詳細(xì)準(zhǔn)確的器件制造參數(shù)，包括尺寸、材料摻雜濃度等，由于涉及廠家商業(yè)機(jī)密，許多參數(shù)獲取難度較大，所以模型實(shí)用性較差；解析模型利用從測(cè)試波形中提取的參數(shù)并求解高階物理方程，由于方程計(jì)算復(fù)雜度高導(dǎo)致仿真效率低；行為模型利用電壓及電流波形進(jìn)行參數(shù)擬合，并建立相應(yīng)的等效電路模型,模型參數(shù)與器件內(nèi)部結(jié)構(gòu)沒(méi)有關(guān)聯(lián)，但是在不同工況下模型的精確性較低。igbt暫態(tài)建模面臨的主要挑戰(zhàn)在于以高精度和低計(jì)算復(fù)雜度實(shí)現(xiàn)建模，雖然基于物理模型能最準(zhǔn)確地表示igbt的詳細(xì)動(dòng)態(tài)行為，然而，隨著仿真規(guī)模的上升，基于物理模型的建模往往更加復(fù)雜并且計(jì)算速度非常慢，因此無(wú)法直接在大規(guī)模仿真中實(shí)現(xiàn)。

3、公告號(hào)cn114330197b的專(zhuān)利申請(qǐng)，公開(kāi)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的igbt數(shù)值模型參數(shù)提取方法，利用tcad數(shù)值仿真軟件構(gòu)建數(shù)值模型，并獲取原始數(shù)據(jù)集形成訓(xùn)練數(shù)據(jù)集，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)生成igbt數(shù)值模型參數(shù)提取卷積神經(jīng)網(wǎng)絡(luò)，并采用實(shí)際電路提取的波形作為輸入值，獲得工藝參數(shù)。這種通過(guò)神經(jīng)網(wǎng)絡(luò)建模提取參數(shù)的方法，計(jì)算速度慢效率較低，而新能源車(chē)電驅(qū)動(dòng)系統(tǒng)需要進(jìn)行大量仿真或進(jìn)行實(shí)時(shí)仿真，這種方法獲取的igbt開(kāi)關(guān)暫態(tài)的參數(shù)并不準(zhǔn)確，若電驅(qū)動(dòng)系統(tǒng)要得到高精度的參數(shù)就需要花費(fèi)較長(zhǎng)時(shí)間，該方法并不適用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)準(zhǔn)確獲。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)存在的不足，提供一種用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，能夠準(zhǔn)確地模擬出igbt開(kāi)通和關(guān)斷時(shí)的暫態(tài)波形，適用于大量數(shù)據(jù)及實(shí)時(shí)仿真，解決igbt模型應(yīng)用于計(jì)算機(jī)仿真時(shí)計(jì)算速度慢和精度不高的問(wèn)題。

2、本發(fā)明的目的是采用下述方案實(shí)現(xiàn)的：一種用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，具體包括以下步驟：

3、s1：建立新能源車(chē)電驅(qū)動(dòng)系統(tǒng)的igbt物理模型，利用ltspice收集不同工況下igbt的溫度t、直流供電電壓vcc和負(fù)載電流il作為原始波形數(shù)據(jù)，利用python-ltspice進(jìn)行聯(lián)合仿真，得到igbt不同工況下集射極電壓vce和集電極電流ic的仿真波形數(shù)據(jù)；

4、s2：確定固定時(shí)間步長(zhǎng)，對(duì)原始波形數(shù)據(jù)利用線性插值法計(jì)算出固定時(shí)間步長(zhǎng)下各時(shí)間點(diǎn)對(duì)應(yīng)的溫度t、直流供電電壓vcc和負(fù)載電流il，得到預(yù)處理原始波形數(shù)據(jù)；對(duì)仿真波形數(shù)據(jù)利用線性插值法計(jì)算出固定時(shí)間步長(zhǎng)下各時(shí)間點(diǎn)對(duì)應(yīng)的集射極電壓vce、集電極電流ic，得到預(yù)處理仿真波形數(shù)據(jù)；

5、s3：確定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集包含輸入樣本數(shù)據(jù)集和輸出樣本數(shù)據(jù)集：

6、將預(yù)處理原始波形數(shù)據(jù)劃分?jǐn)?shù)組，形成輸入樣本數(shù)據(jù)集；

7、根據(jù)預(yù)處理原始波形數(shù)據(jù)、預(yù)處理仿真波形數(shù)據(jù)確定igbt開(kāi)通和關(guān)斷時(shí)集射極電壓vce、集電極電流ic的波動(dòng)時(shí)間范圍，并根據(jù)s2中的固定時(shí)間步長(zhǎng)確定波動(dòng)時(shí)間范圍內(nèi)訓(xùn)練時(shí)間點(diǎn)以及訓(xùn)練時(shí)間點(diǎn)個(gè)數(shù)；

8、將預(yù)處理仿真波形數(shù)據(jù)中同一訓(xùn)練時(shí)間點(diǎn)的集射極電壓vce、集電極電流ic作為神經(jīng)網(wǎng)絡(luò)模型的一個(gè)輸出數(shù)據(jù)集，形成輸出樣本數(shù)據(jù)集；

9、s4：建立多層感知器結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)模型，其中輸入層包括三個(gè)神經(jīng)元；隱藏層包括第一隱藏層、第二隱藏層，第一隱藏層包括10～30個(gè)神經(jīng)元數(shù)量，第二隱藏層包括5～10個(gè)神經(jīng)元數(shù)量；輸出層包括兩個(gè)神經(jīng)元；

10、s5：將訓(xùn)練數(shù)據(jù)集進(jìn)行歸一化處理后劃分訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集放入人工神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并根據(jù)驗(yàn)證數(shù)據(jù)集確定該人工神經(jīng)網(wǎng)絡(luò)模型的最佳驗(yàn)證損失的模型參數(shù)并保存模型參數(shù)；

11、s6：對(duì)每一個(gè)訓(xùn)練時(shí)間點(diǎn)進(jìn)行循環(huán)訓(xùn)練，并保存各訓(xùn)練時(shí)間點(diǎn)對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，得到各個(gè)訓(xùn)練時(shí)間點(diǎn)下神經(jīng)網(wǎng)絡(luò)模型參數(shù)，形成電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)模型。

12、優(yōu)選地，輸入層的三個(gè)神經(jīng)元分別對(duì)應(yīng)溫度t、直流供電電壓vcc和負(fù)載電流il三個(gè)神經(jīng)元；輸出層的兩個(gè)神經(jīng)元分別對(duì)應(yīng)兩個(gè)輸出數(shù)據(jù)集射極電壓vce、集電極電流ic。

13、優(yōu)選地，第一隱藏層的神經(jīng)元數(shù)量為16個(gè)，第二隱藏層的神經(jīng)元數(shù)量為8個(gè)。

14、優(yōu)選地，所述輸入樣本數(shù)據(jù)集的各樣本為同一工況下的溫度t、直流供電電壓vcc和負(fù)載電流il。

15、優(yōu)選地，所示訓(xùn)練數(shù)據(jù)集與驗(yàn)證數(shù)據(jù)集的比例為9:1。

16、本發(fā)明優(yōu)點(diǎn)在于：

17、1.新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)建模方法，能夠在保證仿真精度的基礎(chǔ)上極大的提高仿真效率，可直接應(yīng)用在系統(tǒng)級(jí)仿真中，避免了傳統(tǒng)電路仿真軟件的復(fù)雜計(jì)算過(guò)程以及不收斂現(xiàn)象，因此該方法適合用在需要進(jìn)行大量仿真或?qū)崟r(shí)仿真的情況，滿足新能源車(chē)電驅(qū)動(dòng)系統(tǒng)進(jìn)行大量仿真或進(jìn)行實(shí)時(shí)仿真的需求；

18、2.igbt開(kāi)關(guān)暫態(tài)模型能夠在納秒級(jí)的高分辨率時(shí)間尺度上實(shí)現(xiàn)igbt開(kāi)關(guān)暫態(tài)仿真，能夠準(zhǔn)確地模擬出igbt開(kāi)通和關(guān)斷時(shí)的暫態(tài)波形，不會(huì)隨著仿真規(guī)模的上升，而計(jì)算速度非常慢；

19、3.基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的igbt開(kāi)關(guān)暫態(tài)建模方法，能夠避免采用傳統(tǒng)實(shí)驗(yàn)測(cè)量方法，節(jié)約了模型構(gòu)建的時(shí)間和經(jīng)費(fèi)，為部分缺少專(zhuān)業(yè)實(shí)驗(yàn)設(shè)備或條件的單位提取工藝參數(shù)提供了備選方案。

20、下面結(jié)合說(shuō)明書(shū)附圖和具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。

技術(shù)特征：

1.一種用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，其特征在于，具體包括以下步驟：

2.根據(jù)權(quán)利要求1所述的用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，其特征在于，輸入層的三個(gè)神經(jīng)元分別對(duì)應(yīng)溫度t、直流供電電壓vcc和負(fù)載電流il三個(gè)神經(jīng)元；輸出層的兩個(gè)神經(jīng)元分別對(duì)應(yīng)兩個(gè)輸出數(shù)據(jù)集射極電壓vce、集電極電流ic。

3.根據(jù)權(quán)利要求1所述的用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，其特征在于，第一隱藏層的神經(jīng)元數(shù)量為16個(gè)，第二隱藏層的神經(jīng)元數(shù)量為8個(gè)。

4.根據(jù)權(quán)利要求1所述的用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，其特征在于，所述輸入樣本數(shù)據(jù)集的各樣本為同一工況下的溫度t、直流供電電壓vcc和負(fù)載電流il。

5.根據(jù)權(quán)利要求1所述的用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)igbt開(kāi)關(guān)暫態(tài)的建模方法，其特征在于，所示訓(xùn)練數(shù)據(jù)集與驗(yàn)證數(shù)據(jù)集的比例為9:1。

技術(shù)總結(jié)
一種用于新能源車(chē)電驅(qū)動(dòng)系統(tǒng)IGBT開(kāi)關(guān)暫態(tài)的建模方法，S1：收集原始波形數(shù)據(jù)、仿真波形數(shù)據(jù)；S2：對(duì)原始波形數(shù)據(jù)、仿真波形數(shù)據(jù)利用線性插值法計(jì)算，得到預(yù)處理原始波形數(shù)據(jù)、預(yù)處理仿真波形數(shù)據(jù)；S3：確定神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集：S4：建立多層感知器結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)模型，根據(jù)原始波形數(shù)據(jù)、仿真波形數(shù)據(jù)確定各層的神經(jīng)元數(shù)量；S5：將訓(xùn)練數(shù)據(jù)集劃分訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集，進(jìn)行訓(xùn)練，并根據(jù)驗(yàn)證數(shù)據(jù)集確定最佳驗(yàn)證損失的模型參數(shù)；S6：對(duì)各訓(xùn)練時(shí)間點(diǎn)進(jìn)行循環(huán)訓(xùn)練，保存各訓(xùn)練時(shí)間點(diǎn)對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置，形成電驅(qū)動(dòng)系統(tǒng)IGBT開(kāi)關(guān)暫態(tài)模型。能夠準(zhǔn)確地模擬出IGBT開(kāi)通和關(guān)斷時(shí)的暫態(tài)波形，適用于大量數(shù)據(jù)仿真。

技術(shù)研發(fā)人員：吳行,羅洋,何建,劉奔奇,龍科宇,趙琦,龔為倫
受保護(hù)的技術(shù)使用者：重慶青山工業(yè)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2