IGBT模块结温预测BP神经网络模型

探索了BP(Back Propagation)神经网络在IGBT模块结温预测中的应用。首先从物理机理角度分析了IGBT模块中饱和压降、集电极电流与温度的内在关系。通过IGBT结温测试试验,获取了三者的关系图,并建立了基于饱和压降的温敏参数法结温预测模型。最后建立了BP神经网络结温预测模型,并与温敏参数法进行了对比分析,证明该方法计算速度更快,误差降低。     

风电变流器IGBT模块通断延迟时间结温探测模型研究

针对风电变流器中绝缘栅双极型晶体管(insulated gate bipolar transistor,IGBT)开关,研究基于通断延迟时间风电变流器IGBT模块结温探测方法.首先,从半导体物理机理视角分析了通断延迟时间的温敏机理和温敏特性,明确了本征载流子浓度、电流增益和载流子迁移率等影响通断延迟时间的物理因素.然后,设计IGBT模块的动态测试试验,测试不同母线电压或不同集电极电流条件下,通断延迟时间与结温的关系,并对试验结果进行分析.动态测试试验采用双脉冲法二极管钳位电路,提高通断过程栅极电压和集电极电流的动态特性测试精度,采用恒温控制底板加热设备,控制IGBT芯片温度.再后,对IGBT模块开关过程中不同结温下集电极电流和栅极电压波形进行分析,考虑电压电流影响的条件下,建立了基于开通及关断延迟时间的结温探测模型,并对比研究了模型精度.结果表明,基于关断延迟时间的结温探测精度较高、稳定性更强,且母线电压越高或者集电极电流越低,则关断延迟时间越大.最后,建立了基于关断延迟时间的IGBT结温探测模型,该模型考虑电压和电流影响,拟合精度高,平均相对误差小,可用于热平衡态风电变流器的IGBT模块的工作结温探测.     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于大数据的多工序产品质量预测

随着生产过程越来越复杂,多工序制造过程在工业生产中越来越普遍,工序之间相互关联作用,产品质量的影响因素日益复杂。针对大数据环境下多工序复杂生产过程,考虑数据的全样本、多特征特性,构建了谱聚类(SC)和粒子群(PSO)算法优化径向基(RBF)神经网络的质量预测模型。模型验证结果表明,单一的RBF预测误差为0. 649,SC+RBF预测误差为0. 214,BP神经网络质量预测误差为0. 183,改进的RBF预测模型效果最佳,均方根误差为0. 089,小于10%,满足工业生产的实际要求。     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于径向基神经网络的建筑物空调负荷预测模型

本文建立了一种基于径向基（RBF）神经网络的建筑物空调负荷预测模型。对广州市某办公楼在夏季不同月份的逐时冷负荷,分别用RBF神经网络模型和BP神经网络模型进行训练和预测计算,发现RBF神经网络模型预测的均方根误差ΔRMSE和平均相对误差ΔMRE都仅是BP神经网络方法的64％左右。仿真结果表明径向基（RBF）神经网络具有更高的预测精度及更好的泛化能力,是建筑物空调负荷预测的一种有效方法。     

基于反向恢复电流的绝缘栅双极型晶体管模块动态结温估测方法

针对传统结温估测方法响应速度慢、测量误差大问题,采用绝缘栅双极型晶体管(insulated gate bipolar transistor, IGBT)模块的反向恢复电流作为温敏电参数,提出一种新型结温估测方法。分析了IGBT模块结温和负载电流对反向恢复电流的影响机理,并建立了三者间的理论关系。考虑实际工况并采用试验数据拟合得到IGBT模块的结温预测模型,通过比较试验测量数据与预测模型计算结果的差异,证实了采用反向恢复电流提取IGBT模块动态结温的估测方法具有较高的估测精度和较快的响应速度。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.