Identification of Thermal Model Parameters Using Deep Learning Techniques

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23220%2F22%3A43965479" target="_blank" >RIV/49777513:23220/22:43965479 - isvavai.cz</a>

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/9831641" target="_blank" >https://ieeexplore.ieee.org/document/9831641</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISIE51582.2022.9831641" target="_blank" >10.1109/ISIE51582.2022.9831641</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Identification of Thermal Model Parameters Using Deep Learning Techniques

Popis výsledku v původním jazyce

Identification of thermal model parameters using multi-step prediction is proposed. Even in the case of a linear model, the multi-step prediction is a non-linear complex function, hence we use techniques of deep learning for its identification. Specifically, we use stochastic gradient descent optimization with importance sampling of mini-batches. The importance function is designed to match the character of thermal experiments in which the step change is less frequent than steady-state operation. The proposed method is demonstrated on the identification of an IGBT module SK 20 DGDL 065 ET. The maximum error of the model identified by the multi-step approach is almost two times smaller than that of the model identified by the least squares.

Název v anglickém jazyce

Identification of Thermal Model Parameters Using Deep Learning Techniques

Popis výsledku anglicky

Identification of thermal model parameters using multi-step prediction is proposed. Even in the case of a linear model, the multi-step prediction is a non-linear complex function, hence we use techniques of deep learning for its identification. Specifically, we use stochastic gradient descent optimization with importance sampling of mini-batches. The importance function is designed to match the character of thermal experiments in which the step change is less frequent than steady-state operation. The proposed method is demonstrated on the identification of an IGBT module SK 20 DGDL 065 ET. The maximum error of the model identified by the multi-step approach is almost two times smaller than that of the model identified by the least squares.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20201 - Electrical and electronic engineering

Projekt

<a href="/cs/project/EF18_069%2F0009855" target="_blank" >EF18_069/0009855: Elektrotechnické technologie s vysokým podílem vestavěné inteligence</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2022 IEEE 31st International Symposium on Industrial Electronics (ISIE) : /proceedings/

ISBN

978-1-66548-240-0

ISSN

2163-5145

e-ISSN

—

Počet stran výsledku

4

Strana od-do

978-981

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Anchorage, Alaska, USA

Datum konání akce

1. 6. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000946662000151