← 返回
基于动态模态分解与深度学习的IGBT模块温度场预测混合模型方法
Hybrid Model Temperature Field Prediction Method Based on Dynamic Mode Decomposition and Deep Learning for IGBT Modules
| 作者 | Jiahao Geng · Fujin Deng · Qiang Yu · Yaqian Zhang · Zhe Chen · Frede Blaabjerg |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年8月 |
| 技术分类 | 功率器件技术 |
| 技术标签 | IGBT 功率模块 可靠性分析 深度学习 热仿真 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | IGBT模块 温度场预测 动态模态分解 深度学习 可靠性分析 热设计 |
语言:
中文摘要
大功率IGBT模块的温度场分布对于电力电子系统的可靠性分析与热设计至关重要，但难以快速获取。本文提出了一种基于动态模态分解（DMD）与深度学习的IGBT模块温度场预测混合模型，旨在实现对IGBT内部温度分布的快速、高精度预测。
English Abstract
The detailed temperature field distribution of high-power insulated gate bipolar transistor (IGBT) modules is important information for the reliability analysis and thermal design of power electronic systems and it is difficult to obtain quickly. This article proposes a hybrid model for temperature field prediction based on dynamic mode decomposition (DMD) and deep learning for IGBT modules. First...
S
SunView 深度解读
该技术直接服务于阳光电源核心产品线（光伏逆变器、储能PCS及风电变流器）的可靠性提升。IGBT作为上述产品的核心功率器件，其热管理直接决定了设备在极端工况下的寿命与功率密度。通过引入DMD与深度学习的混合预测模型，研发团队可实现对IGBT结温的实时、高精度监测，从而优化散热设计，提升产品在高温、高负载环境下的可靠性。建议将此方法集成至iSolarCloud智能运维平台，通过数字孪生技术实现对在运设备功率模块的健康状态评估与寿命预测，进一步降低运维成本。