车用IGBT模块健康管理技术综述

IGBT模块作为电力电子系统的核心器件, 其在工况应用中的可靠性与安全性对现代车辆系统的健康稳定运行至关重要。本文面向车用IGBT模块健康管理技术，分别从失效机理、状态监测、故障诊断、寿命预测四个方面综述国内外的研究进展，提出当前研究中存在的关键问题和技术优缺点，在此基础上，对车用IGBT模块健康管理技术今后的发展趋势做出展望。

 

绝缘栅双极型晶体管（IGBT）同时具备双极功率晶体管以及MOSFET功率晶体管的优点，是电力能源变换与传输的核心器件，俗称电力电子装置的“CPU”，作为国家战略性新兴产业，在轨道交通、智能电网、航空航天、电动汽车与新能源装备等领域应用极广。以车辆系统为例，IGBT是轨道车辆牵引变流器和各种辅助变流器的主流电力电子器件，在现代轨道交通交流传动系统中发挥着关键作用；IGBT也成为电动汽车逆变器的首选装置，用以实现电动汽车加速时的电流输出，以及制动能量回馈时的电流输入。

 

由于内部属性及外部工况作用，车载IGBT工作时不得不承受较大的功率波动以及频繁工况变化所带来的累积疲劳损伤。据可靠统计，约有38%的功率变流器系统故障源于IGBT的失效。因此，本文以电动汽车和轨道车辆为应用对象，总结梳理国内外车用大功率IGBT模块健康管理（PHM）技术的发展状况，按照失效机理、状态监测、故障诊断、寿命预测四部分进行综述，如图1所示。

图1 车用IGBT模块健康管理技术框架

 

典型焊接式IGBT模块结构图如图2所示，从上至下依次是芯片层、芯片焊料层、DBC层、DBC焊料层、铜基板、以及散热器。在此结构基础上，车用IGBT模块通常并联多个芯片以增强模块负载电流的能力。在运行过程中，模块会经历功率循环、温度循坏，模块内部承受电、热、机械应力的交互作用，产生疲劳损伤，逐渐老化失效，或在过应力作用下发生瞬态失效。

 

图2 焊接式IGBT模块结构图

 

图3 IGBT模块失效分类

 

目前研究普遍按失效部位将IGBT模块失效分为芯片级失效和封装级失效，详细的分类如上图3所示，对应机理分析综述于表1。

 

表1 IGBT模块失效机理分析：

 

 

归纳国内外IGBT模块失效机理相关文献可知，键合线脱落是IGBT模块实际应用中最普遍的失效模式，也是大部分退化形式下模块的最终故障形式，因此是失效机理研究的热点。现有研究大多针对键合线脱落和焊料层老化机理，对于芯片级失效机理研究不够深入，尤其是大功率IGBT模块多芯片失效耦合作用的研究仍很少。IGBT模块失效前往往经历了性能的退化。一般而言，芯片失效往往是瞬时失效，较难通过相应参数表征其退化的情况。但由于栅极氧化层受外界影响后会对芯片产生影响，甚至导致芯片失效，因此可以通过栅极漏电流和栅极阈值电压两种表征参数，通过表征IGBT栅极氧化层的退化情况，进而表征芯片的退化情况。

 

 

状态监测是指利用各种分析检测方法，直接或间接提取能够有效表征对象系统运行状态的参数，通过参数的变化追踪监测对象系统状态的变化。按照监测对象，本文将IGBT模块状态监测手段划分为以下四种：结温监测，键合线脱落监测，焊料层老化监测以及芯片氧化层退化监测。根据参阅文献将各种监测手段以及其特点总结如表2所示。

表2各类IGBT模块监测参数手段及其优缺点

 

 

车载大功率IGBT主要用于车辆变流装置如整流器和逆变器等，每个装置由多个IGBT 组成。根据在车辆运行过程中的故障类型可以将IGBT故障分为突变故障和老化故障，老化故障由于过程缓慢，发生之后不会对系统造成太大的影响，因此该类故障的处理方法主要是对老化特征因子进行提取，从而判断其健康状态，对寿命进行预测，与该内容相关的技术在2.4节进行综述。而突变故障发生之后如若不能及时进行检测和诊断，并采取被动或主动容错控制，将会对整个系统造成严重损害。

 

通常来说，突变故障又分为短路故障和开路故障。IGBT模块雪崩、过热、过压击穿等都会导致短路故障，短路故障具有很强的破坏力，一般通过短路保护电路来避免短路故障造成的巨大危害；而开路故障主要是由于焊接脱落、电路失效、器件破裂或者短路故障导致，开路故障发生后短期内并不会对系统造成较大损害，可以持续工作一段时间，但是在工作状况恶劣的情况下，将会造成灾难性二次故障。因此可以通过对故障特征的有效提取以及对故障位置的定位和故障模式的隔离，有效地减轻故障的危害，保证系统的良好运行。

 

近几年来有学者针对IGBT的故障诊断技术进行了追踪调研，从基于电流和基于电压两个方向、定性和定量两个角度、从基于模型、基于数据以及基于信号处理三个角度以及比较监督和非监督类型算法展开了逆变器开关管的故障诊断技术综述。

 

在此基础上，本文从工程应用角度出发，综合最新几年的车载IGBT故障诊断技术，将IGBT故障诊断所需信号种类以及其优缺点总结成表格3如下： 

 

表3故障诊断各类方法所需模型、参数以及其优缺点:

 

 

 

 

采用电流参数，配合信号处理方法，可对故障特征进行提取。当IGBT发生开路故障时，IGBT对应相的电流只有半个周期，且其余相的电流存在一定程度的畸变。以两电平逆变器T1故障为例，当T1发生开路故障前后，其仿真电流波形如下图4所示。

 

 

 

图4. IGBT(T1)故障前后电流对比图

 

在信号分析技术方面，由于当故障发生时，未故障相的定子电流会有相应的畸变，其谐波含量也会随之增加，因此可以通过时频分析方法提取瞬时频率，从而对开路故障进行检测。文献[6]提出了一种基于定子电流的Hilbert-Huang变换（HHT）IGBT开路故障检测方法，通过计算经过CEEMDAN分解得到的IMF的RMS(均方根)选择对应的IMF，进而对该IMF信号进行希尔伯特包络谱分析得到故障的瞬时频率，但该方法并未提及多管故障。

当故障发生时，电流信号所含的能量发生瞬间变化，因此也可以通过计算对应的熵值或者谱峭度方法，对变化的瞬态信号进行检测。文献[7]等针对CRH3型动车组整流器单管故障和双管故障，采用改进谱峭度方法并结合电流均值法对整流器发出的固定脉冲响应实现故障诊断，改进的谱峭度如公式2计算得到。

通过不同故障特征的提取，采用数据驱动的方法，通过对神经网络或是分类器进行训练，最终得到的模型可以对不同故障进行分类，实现故障有效诊断。文献[8]基于三相变流器输出的电流信号，提出一种基于集成的随机分类器来识别三相PWM变换器中的IGBT开路故障。除此之外，Kou Lei等人通过分析三相脉冲整流器的开路故障，提出了一种基于电流暂态综合特征的深度前反馈神经网络的诊断和定位方法。

 

基于模型方法上也同样用于车用IGBT的故障诊断中，主要是采用电流残差作为分析信号。变流器系统是由连续和离散变化的事件组成，其特征满足混杂系统的条件。混杂系统建模方法之一即为基于混合逻辑动态模型（MLD） 模型，该方法考虑到了系统的控制、电压和电流条件，因此基于 MLD 建模的方法被应用到诊断中。文献[10]研究了一种基于观测器误差和电流平均值的自适应阈值方法。考虑到暂态模式和稳态模式，利用产生的残差的演化及其相应的阈值来检测故障的发生。然后，利用电流和将IGBT故障与电流传感器故障区分开来，通过电流平均值实现IGBT故障隔离，具体的技术路线图如下图5所示。

 

 

图5. 基于观测器电流残差的故障诊断技术的框图

 

除了电流残差作为故障特征之外，由于发生开路故障后，三相电流的波形会发生有规律且明显的变化（对应相电流半个周期变为零），因此基于模型的电流轨迹方法也用于诊断中。文献[11]提出一种基于电流形状因子残差的IGBT开路故障诊断方法，通过定义自适应阈值进行诊断。另外，文献[12]对模型故障下的相电流轨迹进行分析，以零故障相电流为故障特征，通过对故障后的电流表达式进行积分，根据积分符号实现故障的定位，利用此方法在不同控制策略下依托半实物仿真平台进行了验证。

 

 

对于方便提取电压的变流装置而言，将电压作为故障特征参数可以得到更加稳定和精确的诊断结果。在基于数据的诊断方法中，文献[13]利用主成分分析（PPCA）和支持向量机（SVM）进行诊断。且当电平数增多时，故障的种类、故障数据的维度等也会随之增加，一般的分类算法无法较快的对故障进行分类诊断，通过分析开路故障前后的电压等级的变化，文献[14]采用基于傅里叶变换对数据进行预处理，并通过主元分析将数据中的特征降维，最后基于贝叶斯网络的方法对七电平逆变器的IGBT开路故障进行诊断，并采用对变载波和调制波的电压进行重构容错。

 

在基于模型方面，文献[15]提出了一种基于电压偏差的平均模型诊断方法，该方法通过建立的模型分别得到线电压和相电压的估计值，分别与观测到的真实值计算残差，进而得到故障特征值，可以对单管开路的IGBT和电流传感器故障进行诊断。针对于电压、电流均可采样的三相逆变器，文献[41]提出将逆变器桥臂电压作为故障特征，利用平均模型法分别得到三线制和四线制的逆变器的诊断变量，结合误差自适应的阈值方法，得到鲁棒性强的单管、双管故障诊断规则。文献[16]通过建立换流器开关函数模型，利用三相电压残差作为故障特征，实现了单桥臂IGBT开路和双桥臂IGBT开路故障的在线诊断，并进行了实验验证了方法的抗干扰性,上下桥臂电压残差的阈值如公式3和4所示。

 

 

 

除了单独利用电流和电压参数之外，还可以利用电流和电压组合参数对故障进行诊断。例如，文献[17]使用高速列车和工业驱动中可获取的开关指令信号、接触网电流和直流链路电压作为系统参数，基于MLD模型输出与实际系统输出的系统参数连续比较结果得到残差，用于IGBT故障诊断，非常适合于电力牵引应用。文献[18]基于级联H桥（CHB）多电平变换器开路IGBT检测技术，利用单个电流传感器和单个电压传感器来监测支路的电流和输出电压。将实测电压与期望电压进行比较，并根据偏差的大小和电流流向确定断路故障的位置，但该方法需要加装电流传感器和电压传感器。

 

归纳上述国内外IGBT模块状故障诊断相关文献可知，基于电流的诊断方法获取可以适用于大部分的车用IGBT故障诊断，相比之下，基于电压和基于其他或组合参数的诊断方法可以保证有较好的精度；另外多种信号融合技术也会降低诊断的实时性。针对IGBT的故障种类逐渐增多、故障诊断的方法趋于成熟和多样化，并且开始考虑故障的容错控制。但是到目前为止，针对于IGBT的故障种类大都停留在单管开路和双管开路，目前有效的多元信号融合诊断、有效的故障容错方法以及故障的演化传递特性的研究极少。

 

 

除了将电流和电压作为故障特征参数之外，也有学者尝试将行为残差、磁链残差等作为故障特征参数用以诊断相应故障。

 

 

 

在IGBT模块寿命预测技术研究方面，一些文献[21-24]对寿命预测的解析模型和物理模型进行较为详细的介绍和比较，这些文献对于数据驱动的寿命预测方面少有提及。并且在实际运行过程中，结温是反映IGBT工作状态的重要参数，因此对结温进行有效预测，对IGBT剩余有用寿命的评估有着指导意义。因此本文从基于模型、基于数据的角度，从工程应用的角度对当前IGBT寿命预测和结温预测技术进行综述，并总结了各类方法的优缺点，如表4所示。

 

表4寿命预测各类方法所需模型、参数以及其优缺点

 

 

 

 

基于模型的方法主要包括基于解析模型和基于物理模型。解析模型主要通过对老化试验得到的数据进行拟合，将失效次数与相应的变量（如电流、结温等）组合成为相应的寿命方程，该方法仅是数学方面的拟合，没有理论依据做支撑，因此可信度不高，但是方法简单。基于物理模型则是依据材料失效的机理，从应力应变的角度分析，得到相应的寿命方程，由于建立在失效机理基础上，因此该类方法具有更高精度，但也伴随着复杂的建模和计算难度。 

 

 

在汽车IGBT寿命预测方面，文献[25]通过对IGBT模块在驱动工况下的工作状态、功率损耗和结温波动的分析以及考虑到汽车行驶速度和道路条件对IGBT功率损耗和结温的影响，建立了一种适用于不同工况下的电动汽车IGBT模块Lesit寿命预测模型，用于预测给定驱动条件下IGBT模块的寿命。针对CRH5动车组IGBT寿命预测问题，文献[26]采用半实物仿真的方法，通过模拟CRH5动车真实工况并结合热模型得到IGBT的结温和壳温分别与电流的关系，采用雨流计数法得到波动数据，再利用Miner损伤累积理论分析，得到整流器侧IGBT累积损伤度小于逆变器侧，加速工况相比制动和匀速工况更能使IGBT损伤。

 

在不同控制策略层面，文献[27]针对牵引变流器中的IGBT寿命预测进行了研究，在电流开环弱磁控制和单电流闭环弱磁控制下进行了仿真验证，并与实际工况相结合，对比不同策略下的IGBT寿命损耗情况，发现采用单电流闭环弱磁控制的策略可以使IGBT寿命延长。

 

 

利用失效物理模型方法进行寿命预测通常是以仿真研究以及验证为主，文献[28]通过设计不同试验条件下的低结温功率循环试验和仿真，提出了一种基于功率循环试验的功率模块贴片焊料层PoF寿命预测方法，发现损伤的增长率与结温和结温平均值成正比，但是该方法只考虑了焊料的疲劳问题。文献[29]提出一种采用电流变化率来预测结温变化的方法，通过对IGBT关断机理和关断过程中的电流温度特性进行研究和理论推导，并利用基于Saber仿真平台建立的IGBT模型搭建了仿真电路进行验证，得到方法的有效性。

 

 

数据驱动方法是通过分析加速老化过程中各相关参数的变化，提取出老化特征参数，通过训练模型，将参数与寿命相对应，从而实现寿命的预测。不少文献结合NASA-ARC加速寿命试验数据中的集电极发射极关断电压尖峰值参数展开相关的研究。利用集电极-发射极关断电压尖峰值数据，文献[30]提出了过程神经网络的IGBT健康预测方法，文献[31]提出长短期记忆（LSTM）网络的寿命预测方法,也有文献基于 GARCH 模型建立了 IGBT 老化寿命模型，对IGBT剩余寿命进行预测。在结温预测方面，文献[32]提出了基于温敏参数法的结温预测模型。文献[34-35]通过改进SVM算法，利用饱和压降、集电极电流预测结温。

 

归纳上述国内外IGBT模块寿命预测以及结温预测相关文献可知，大多方法目前停留在仿真和验证方面。虽然越来越多的智能算法如深度学习等被尝试运用到寿命预测中，然而文献大多采用NASA的加速寿命实验公开测试数据，存在数据源头单一的情况，且方法的实时性和有效性不能有“突破性的创新和进步”。总体而言，考虑多寿命因子、多工况下、多数据源兼容的寿命预测方法应该是未来努力的方向。

 

 

 

本文面向车用IGBT模块健康管理，从失效机理、状态监测、故障诊断以及寿命预测四个方向入手，介绍了现阶段国内外IGBT智能运维技术的发展状况。其中失效机理是IGBT 健康管理的研究基础，状态监测、故障诊断和寿命预测则是研究的最终目的。针对IGBT健康管理的技术主要存在以下难点：首先，在失效机理方面，针对IGBT-二极管芯片耦合作用，尤其大功率IGBT模块内多芯片失效耦合作用的研究很少；其次，在状态监测方面，当前状态监测方法多从单一参量与退化状态的关系入手，且进行了一定的假设，在实际工程应用中，尤其是大功率工况波动的应用具有较大的局限性；第三，在故障诊断层面上，现阶段研究并未考虑故障在更高层系统内的传递影响，除此之外，诊断的实时性和在线诊断的可行性在多数文献中并未体现；最后，在寿命预测阶段，由于受到监测条件的约束，现阶段的预测水平仍停留在基于模型的方法上，基于数据驱动的预测方法所选取的数据也大多源于加速寿命试验，与现实工况相差甚大。

 

 

基于上述存在的问题，对未来的IGBT健康管理技术提出对应展望：首先，在失效机理研究方面，建议进一步通过相关实验研究芯片退化的有效表征参数。考虑到在实际工作中，IGBT的运行工况可能发生突变，该情况可能不会导致其立即失效，但是基于失效机理的相关特征参数退化趋势将会有所改变，因此在失效的研究基础上，应该增加异常工况的模拟；与此同时，状态监测技术的发展应紧密联系失效机理，发展芯片级状态监测技术，寻求非侵入、高精度、实时性好、实用性强的监测方法，同退化表征参数结合，寻求新的、更有效的寿命预测方法；在故障诊断层面上，未来研究应充分考虑计算分析的时效性和准确性，深入研究面向实际应用的定性与定量、实测数据与知识模型混合的诊断方法，进一步开展IGBT模块复合故障诊断方法研究以及多IGBT模块故障隔离方法的研究，尤其是基于模型的故障诊断，阈值的选取应当与系统的各个参数紧密结合，在有效的诊断算法的基础上，寻求故障特征的在线辨识；最后，建议今后深入开展早期微弱渐变退化的预测方法研究，IGBT故障从出现到失效存在渐进不确定性过程，时间长度根据不同类型的故障及动态激励有所不同，开展IGBT定量损伤评估和寿命预测，为开展基于预测的可重构健康优化和主动容错控制做好充分准备。

 

 

 

[1] YANG S, BRYANT A, MAWBY P, etal. An industry based survey of reliability in power electronic converters[J]. IEEE Transactions on Industry Applications, 2011, 47(3): 1441–1451.

[2] 安群涛,孙力,孙立志,等.三相逆变器开关管故障诊断方法研究进展[J].电工技术学报,2011,26(04):135-144.

 

[3] 宋威,施伟锋,卓金宝,等.多电平逆变器开关管故障诊断方法综述[J].微电机,2019, 52(10):110-117.

[4] 王霞霞,陈超波,高嵩.逆变器开关管故障诊断方法综述[J].计算机测量与控制,2019,27(08):1-6.

[5] Moosavi, S.S., A. Kazemi and H. Akbari, A comparison of various open-circuit fault detection methods in the IGBT-based DC/AC inverter used in electric vehicle[J]. Engineering Failure Analysis, 2019. 96: p. 223-235.

[6]Bilal D, Azeddine B ,et al. Diagnosis of an Inverter IGBT Open-circuit Fault by Hilbert-Huang Transform Application[J]. Traitement du Signal.2019.4.127-132

[7] 王英,王丹,陈小强,曹丽,高锋阳,王庚,王妮.基于改进谱峭度与电流均值的牵引整流器开路故障诊断方法[J].电力自动化设备,2020,40(01):112-118.

[8] Xia, Y., B. Gou and Y. Xu, A new ensemble-based classifier for IGBT open-circuit fault diagnosis in three-phase PWM converter[J]. Protection and Control of Modern Power Systems, 2018. 3(1).

[9] Kou Lei,Liu Chuang,Cai Guo-Wei,Zhang Zhe,Zhou Jia-Ning,Wang Xue-Mei. Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features.[J]. ISA transactions,2020,101.

[10] Jlassi, I., et al.A Robust Observer-based Method for IGBTs and Current Sensors Fault Diagnosis in Voltage-Source Inverters of PMSM Drives[J]. IEEE Transactions on Industry Applications, 2017. 53(3): p. 2894-2905.

[11] Ben Youssef, A., S. Khojet El Khil and I. Slama Belkhodja, Open-circuit fault diagnosis and voltage sensor fault tolerant control of a single phase pulsed width modulated rectifier[J]. Mathematics and Computers in Simulation, 2017. 131: p. 234-252.

[12] 成庶,赵俊栋,李凯迪,于天剑,伍珣,张志龙.一种基于相电流轨迹的逆变器开路故障诊断方法[J].铁道科学与工程学报,2019,16(10):2584-2593.

[13] Kuraku, N.V.P., Y. He and M. Ali, Fault Diagnosis of Open Circuit Multiple IGBT's using PPCA-SVM in Single Phase Five-Level Voltage Controlled H-Bridge MLI[J]. IEEJ Journal of Industry Applications, 2020. 9(1): p. 61-72.

[14] 刘卓,王天真,汤天浩,冯页帆,姚君琦,高迪驹.一种多电平逆变器故障诊断与容错控制策略[J].山东大学学报(工学版),2017,47(05):229-237.

[15] Li, Z., et al. A Fast Diagnosis Method for Both IGBT Faults and Current Sensor Faults in Grid-Tied Three-Phase Inverters With Two Current Sensors[J]. IEEE Transactions on Power Electronics, 2020. 35(5): p. 5267-5278.

[16]靖永志,廖珍贞,龚倩文,钱程,彭涛,张晨昊.VSC-HVDC送端换流器IGBT开路故障诊断方法[J].电机与控制学报,2021,25(03):104-114.

[17] Gou, B., et al. An Open-Switch Fault Diagnosis Method for Single-Phase PWM Rectifier Using a Model-based Approach in High-Speed Railway Electrical Traction Drive System[J]. IEEE Transactions on Power Electronics, 2016. 31(5): p. 3816-3826.

[18] Lamb, J. and B. Mirafzal, Open-Circuit IGBT Fault Detection and Location Isolation for Cascaded Multilevel Converters[J]. IEEE Transactions on Industrial Electronics, 2017. 64(6): p. 4846-4856.

[19] 胡轲珽,刘志刚,胡冉冉,林双双,高松.一种新型基于模型的动车组牵引逆变器开路故障诊断方法[J].铁道学报,2018,40(02):31-38.HU Ke-ting,

[20] 王亚飞.基于磁链观测器的逆变器开路故障实时诊断[J].电气化铁道,2018,29(05):81-85.

[21] 方鑫,周雒维,姚丹,杜雄,孙鹏菊,吴军科.IGBT模块寿命预测模型综述[J].电源学报,2014(03):14-21.

[22] 张树冰,刘雪婷.功率模块IGBT失效机理与寿命预测研究综述[J].电气开关,2017,55(05): 19-21+26. ,2017,47(03):396-400+419.

[23] Hanif, A., et al. A Comprehensive Review Toward the State-of-the-Art in Failure and Lifetime Predictions of Power Electronic Devices[J]. IEEE Transactions on Power Electronics, 2019. 34(5): p. 4729-4746.

[24] 王彬,曹琳.轨道交通用IGBT器件寿命预测技术综述[J].机车电传动,2020(01):9-12.

[25] Li, L., P. Wang and C. Wang, Lifetime prediction model for electric vehicle IGBT modules under driving conditions[J]. Journal of the Chinese Institute of Engineers, 2018. 41(4): p. 308-316.

[26] 曹琳,叶娜,李萍,李碧珊,陈宏,王彩琳.半实物仿真技术在轨道交通用IGBT寿命预测中的应用[J].机车电传动,2019(05):59-62.

[27] 林帅,方晓春,林飞,杨中平.基于任务剖面的牵引逆变器IGBT寿命预测[J].中国安全科学学报,2019,29(S1):52-57.

[28] Lai, W., et al. Study on lifetime prediction considering fatigue accumulative effect for die-attach solder layer in an IGBT module[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2018. 13(4): p. 613-621.

[29] 郝巧红,马文华.基于电流变化率的IGBT结温预测方法研究[J].电气传动,2018,48(10):85-88.

[30] Chen, B., et al. IGBT Neural Network Prediction Method of Radar Transmitter based on Levenberg-Marquard Optimization[J]. International Journal of Future Generation Communication and Networking, 2016. 9(9): p. 1-14.

[31] 史业照,郭斌,郑永军.基于LSTM网络的IGBT寿命预测研究[J/OL].中国测试,2020:1-6.

[32]白梁军,黄萌,饶臻,潘尚智,查晓明,刘国友.基于GARCH模型的IGBT寿命预测[J].中国电机工程学报,2020,40(18):5787-5796.

[33] 姚芳,胡洋,李铮,黄凯,李志刚.IGBT模块结温预测BP神经网络模型[J].西北大学学报(自然科学版),2017,47(03):367-374.

[34] 刘伯颖,胡佳程,李玲玲,李志刚.IGBT老化状态下基于BAS-SVM模型的结温预测方法[J/OL].微电子学:1-6[2020-08-15].https://doi.org/10.13911/j.cnki.1004-3365.190577.

[35] Wang, Z., et al. Distributed Systematic Grid-Connected Inverter Using IGBT Junction Temperature Predictive Control Method: An Optimization Approach[J]. Symmetry, 2020. 12(5): p. 825.

 

 

作者：牛刚、刘峥，余旭涛（同济大学智能维护与自主系统实验室）