IGBT功率模块是能源变换与传输的核心器件,广泛应用于智能电网、轨道交通、新能源发电等领域,用于提高用电效率和质量,是助力产业实现电动化、智能化和网联化发展的关键器件,对解决能源短缺和降低碳排放问题具有重要意义。但随着IGBT功率模块工作时间的增加,其老化失效问题日趋严重,且其替换成本较高,因此,在线评估IGBT功率模块的老化状态对于预测其剩余寿命和提高其可靠性具有重要意义。本文分析了模块的失效机理,借助加速老化实验平台获取IGBT功率模块的退化参数,建立老化状态评估体系,对基于机器学习的老化状态评估方法进行了深入研究。本文主要从以下几个方面展开研究:首先,介绍了IGBT功率模块的基本结构和基本工作特性,从模块的封装结构出发分析了模块的传热机理,继而分析了模块的封装失效以及失效模式,总结了与老化失效相关的状态参数,并分析了状态参数间的关联性,选取了饱和压降、结温和集电极电流作为老化状态评估模型的状态表征量。其次,介绍了本文的实验方案、实验步骤和数据获取过程,通过加速老化实验和单脉冲实验获取了不同老化状态下的饱和压降、结温、集电极电流数据,并分析了相互影响关系;分析了模块的热阻增量和老化次数之间的关系,寻找到了加速老化次数和老化状态之间的关系,建立起了老化状态评估体系。再次,提出了基于机器学习的IGBT功率模块老化状态评估模型,说明了模型的建模过程和数据处理过程,对比了基于BP神经网络的和基于极限学习机（ELM）的老化状态评估模型,通过对比发现基于ELM的老化状态评估模型更适用于模块的老化状态评估。在此基础上,针对ELM进行了改进研究,发现基于群智能算法优化的ELM相对于加核的ELM更适用于IGBT模块的老化状态评估,且评估效果更好。最后,提出了一种改进灰狼算法优化极限学习机（IGWO-ELM）的老化状态评估模型。介绍了灰狼算法原理,并针对其不足提出了一种改进的灰狼优化算法,对改进灰狼算法（IGWO）进行了性能测试,结果证明了其在收敛速度和精度上优于其他算法。之后使用IGWO对ELM的权值和阈值进行寻优,介绍了建模步骤,列出了模型对IGBT功率模块老化状态评估的结果,通过与其他老化状态评估模型的对比证明,基于IGWO-ELM的IGBT功率模块老化状态评估模型精度更高、适用性更强。