摘要:为了表征逆变器故障中IGBT模块的老化趋势，提高老化过程的预测精度，本文提出一种基于改进蜣螂搜索算法（IDBO）优化双向长短期神经网络（BiLSTM）超参数的IGBT老化预测模型。首先提取老化过程中Vce.on的时频域特征，利用核主成分分析进行降维构建归一化综合指标。其次，针对蜣螂搜索算法（DBO）的不足，通过引入改进Circle混沌映射、Levy飞行和自适应权重因子提升了DBO寻优能力和收敛性能，利用IDBO对BiLSTM预测模型超参数实现全局寻优。最后，通过实际IGBT退化数据验证了基于IDBO优化BiLSTM老化预测模型的有效性和优越性。结果表明，所构建的IDBOBiLSTM模型与BiLSTM模型相比RMSE平均下降36.42%、MAE平均下降31.77%、MAPE平均下降41.03%。