(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110477808.9 (22)申请日 2021.04.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 113162375 A (43)申请公布日 2021.07.23 (73)专利权人 河北工业大 学 地址 300401 天津市北辰区西平 道5340号 河北工业大 学 (72)发明人 刘伯颖　陈国龙　胡佳程　王海宇　 刘玉伟　李玲玲　 (51)Int.Cl. H02M 1/08(2006.01) G06F 30/367(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/00(2006.01) (56)对比文件 CN 109101738 A,2018.12.28 CN 107368858 A,2017.1 1.21 CN 109918720 A,2019.0 6.21 Leila Gharavian et al. .“Combination of krill herd algorithm w ith chaos theory in global optimizati on problem s”. 《2013 3rd Joint Conference of AI & Robotics and 5th RoboCup Iran Open I nternati onal Symposium》 .2013, 程立翔.“鳞虾群算法的改进及其在结构可 靠性分析中的应用 ”. 《中国优秀博硕士学位 论文 全文数据库(硕士)基础科 学辑》 .2021, 审查员 刘中芳 (54)发明名称 一种IGBT动态过程中开关损耗预测的建模 方法 (57)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I GBT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I GBT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。 权利要求书4页 说明书8页 附图3页 CN 113162375 B 2022.04.12 CN 113162375 B 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_i n＝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Iterati on_max＝10 0； 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X50(i)， X50(i)的构造公式见公式(2)： X50(i)＝{[(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， 记为佳点磷虾权　利　要　求　书 1/4 页 2 CN 113162375 B 2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IGB T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， 表示历史最优佳点权　利　要　求　书 2/4 页 3 CN 113162375 B 3