CN107526899B - 基于遗传算法的磁耦合wpt系统负载与互感识别方法 - Google Patents

基于遗传算法的磁耦合wpt系统负载与互感识别方法 Download PDF

Info

Publication number
CN107526899B
CN107526899B CN201710818471.7A CN201710818471A CN107526899B CN 107526899 B CN107526899 B CN 107526899B CN 201710818471 A CN201710818471 A CN 201710818471A CN 107526899 B CN107526899 B CN 107526899B
Authority
CN
China
Prior art keywords
load
mutual inductance
genetic algorithm
primary side
magnetic coupling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710818471.7A
Other languages
English (en)
Other versions
CN107526899A (zh
Inventor
苏玉刚
陈龙
戴欣
孙跃
王智慧
唐春森
叶兆虹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201710818471.7A priority Critical patent/CN107526899B/zh
Publication of CN107526899A publication Critical patent/CN107526899A/zh
Application granted granted Critical
Publication of CN107526899B publication Critical patent/CN107526899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/10—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling
    • H02J50/12—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling of the resonant type

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于遗传算法的磁耦合WPT系统负载与互感识别方法，包括以下步骤：S1：根据系统电路模型得到负载RL、互感M以及原边谐振电流之间的映射关系；S2：利用遗传算法寻找负载RL的值，根据迭代终止条件以及适应度排序得到负载RL的最优解；S3：根据负载RL和互感M之间的映射关系，利用负载RL的最优解确定系统互感M。其效果是：该方法无需增加额外电路以及相应控制，因此并不会提升系统成本以及体积，仅仅需要对谐振电流以及输入电压进行检测，利用遗传算法完成负载及互感识别，算法复杂度相对较低，运算时间短，并且能有效降低识别误差。

Description

基于遗传算法的磁耦合WPT系统负载与互感识别方法
技术领域
本发明涉及无线电能传输技术，具体涉及一种基于遗传算法的磁耦合WPT系统负载与互感识别方法。
背景技术
无线电能传输(Wireless Power Transfer,WPT)技术作为一种新兴的电能传输技术，受到越来越多国内外研究人员的密切关注。其中，磁耦合无线电能传输(Magnetically-Coupled Wireless Power Transfer)技术是诸多无线电能传输技术研究中的热点，其理论及其关键技术的深入研究，推动了该技术在电动车充电、电子产品充电、生物医电、照明系统以及煤矿井下等广泛领域的应用进程。
由于无线电能传输系统的灵活性，系统能量发射端(原边部分)与能量接收端(副边部分)位置偏移是无法避免的，并且不同的能量接收设备表现出不同的负载特性。系统负载以及互感参数的变化将使得原边谐振电路的固有频率发生漂移，从而不再与运行频率匹配，这将严重影响系统功率传输能力。此外，上述变化也会导致系统偏离软开关工作点，增大系统开关损耗及电磁干扰。因此，负载与互感参数的识别技术是保证磁耦合WPT系统性能的关键问题之一。
目前，已有部分学者围绕负载与互感识别问题展开了相关研究。其中：
文献[1]在将互感视为已知及固定参数的条件下完成了对系统负载的识别。
文献[2]在系统能量发射端增加了一个谐振电容，通过切换该电容改变系统原边谐振回路的固有频率，进而获得两组方程以实现负载以及互感识别。
文献[3]针对S/S补偿形式的磁耦合无线电能传输系统提出了一种负载以及互感识别方法，然而该方法在系统运行频率接近于系统副边谐振回路固有频率时将出现较大误差。
文献[4]建立了系统时域模型，基于该模型进一步给出了一套系统负载以及互感识别的算法，然而该算法计算量较大，且在搜索互感最优值时采用的是枚举法，如若互感变化范围较大，算法耗时也将相应增加。
综上所述，现有技术在对磁耦合WPT系统进行负载和互感识别时，要么理想化因素过多，要么需要额外增加电路拓扑，要么就是算法的复杂度过高，耗时过长，而且误差还相对较大。
参考文献：
[1]苏玉刚，陈龙，王智慧等.基于最小二乘法的感应电能无线传输系统负载辨识方法[J].电工技术学报,2015,30(05):9-14.
[2]Yugang Su,Hongyan Zhang,Zhihui Wang,et al.Steady-State LoadIdentification Method of Inductive Power Transfer System Based on SwitchingCapacitors[J].IEEE Transactions on Power Electronics,2015,30(11):6349-6355.
[3]Jian Yin,Deyan Lin,Thomas Parisini,et al.Front-End Monitoring ofthe Mutual Inductance and Load Resistance in a Series-Series CompensatedWireless Power Transfer System[J].IEEE Transactions on Power Electronics,2016,31(10):7339-7352.
[4]Jeff Po-Wa Chow,Henry Shu-Hung,and Chun-Sing Cheng.Use ofTransmitter-Side Electrical Information to Estimate Mutual Inductance andRegulate Receiver-Side Power in Wireless Inductive Link[J].IEEE Transactionson Power Electronics,2016,31(9):6079-6091.
发明内容
为解决现有的技术的缺陷，本发明通过对已有的磁耦合WPT系统识别方法进行分析之后，提出了一种基于遗传算法的磁耦合WPT系统负载与互感参数识别方法。该方法在考虑到系统高次谐波影响的条件下建立系统稳态电路模型，进而得到系统电路参数及状态变量间关系的数学描述，在此基础上引入遗传算法将系统的参数识别问题转化为寻优问题，完成系统负载以及互感参数的识别。
为达到上述目的，本申请采用以下技术方案予以实现：
一种基于遗传算法的磁耦合WPT系统负载与互感识别方法，其关键在于包括以下步骤：
S1：根据系统电路模型得到负载RL、互感M以及原边谐振电流之间的映射关系；
S2：利用遗传算法寻找负载RL的值，根据迭代终止条件以及适应度排名得到负载RL的最优解；
S3：根据负载RL和互感M之间的映射关系，利用负载RL的最优解确定系统互感M。
进一步地，步骤S2中遗传算法的适应度函数为：
Figure BDA0001405683100000031
其中，ip(T0)是利用遗传算法寻找负载RL值，然后由步骤S1的映射关系计算出的原边谐振电流值；ip(T0)_mea是当前时刻原边谐振电流的实际采样值；ip(T0+T)_mea是下一周期时刻原边谐振电流的实际采样值；J为对应的适应度值。
与现有识别方法相比，该方法无需增加任何额外电路元件以及相应控制，因此系统成本以及体积并不会增加。此外，该方法在系统运行频率接近副边谐振回路固有频率时也可实现负载与互感的识别。
进一步地，步骤S2所述的遗传算法中，先在预定区间内生成初始种群，再计算种群内各个个体的适应度并排序，按照50％的生存率进行优胜劣汰。
进一步地，步骤S2所述的遗传算法中，在存活的个体中挑选父代和母代，通过交叉、变异产生新的子代，并与上一代存活的个体构成新一代种群。
可选地，步骤S2所述的遗传算法中，变异率设置为0.1。
进一步地，系统为S/S型磁耦合WPT系统，在原边部分，能量发射线圈Lp与补偿电容Cp串联构成了原边串联谐振回路；在副边部分，能量接收线圈Ls与串联补偿电容Cs构成副边谐振回路，并将能量传递给负载RL，M为能量发射线圈Lp与能量接收线圈Ls之间互感，Rp、Rs分别为Lp、Ls的串联等效电阻，Re为负载RL与Rs的等效串联负载：Re＝RL+Rs；
其中：系统电路参数满足以下关系：
(1)系统频率
Figure BDA0001405683100000041
(2)原边谐振电流值
Figure BDA0001405683100000042
k为自然数，n为1～2k+1之间的奇数；
(3)中间变量
Figure BDA0001405683100000043
(4)中间变量
Figure BDA0001405683100000044
(5)中间变量
Figure BDA0001405683100000045
(6)互感M与等效串联负载Re之间的映射函数为：
Figure BDA0001405683100000046
(7)中间变量
Figure BDA0001405683100000047
其中Edc为原边直流电源。
可选地，n的最大取值设为51，即k＝25。
与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：该方法无需增加额外电路以及相应控制，因此并不会提升系统成本以及体积，仅仅需要对谐振电流及输入电压进行检测，利用遗传算法完成负载及互感识别，算法复杂度相对较低，运算时间短，并且能有效降低识别误差。
附图说明
图1为本发明具体实施例的系统电路拓扑图；
图2为本发明的控制流程图；
图3为具体实施例中相对误差δ随n的变化曲线图；
图4为具体实施例中各代种群适应度最优值与均值随代数的变化曲线；
图5为具体实施例中负载RL识别结果；
图6为具体实施例中负载与互感识别结果。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
如图1所示，本实施例以S/S型磁耦合WPT系统进行介绍，原边及副边电路均为串联补偿形式的磁耦合WPT系统拓扑，针对其他形式的拓扑结构，只需根据系统模型建立各个参数的相关映射关系，也能够采用该方法进行相关参数的识别。
具体而言，通过图1可以看出，在原边部分，直流电压源Edc提供整个系统的电能输入。开关管S1～S4构成原边高频逆变电路，两组开关管(S1，S4)及(S2，S3)轮流导通输出近似方波电压uin。能量发射线圈Lp与补偿电容Cp串联构成了原边串联谐振回路；在副边部分，能量接收线圈Ls与串联补偿电容Cs构成副边谐振回路，并将能量传递给负载RL。其中，M为耦合线圈Lp、Ls之间互感，Rp、Rs分别为线圈Lp、Ls的串联等效电阻。Re为负载RL与Rs的等效串联负载：
Re＝RL+Rp (1)
为了降低电源输入的无功功率以及提高系统能量传输能力，一般会使系统的运行角频率ω与原边以及副边电路的固有谐振频率相近。因此，本发明设计的系统电路参数满足以下关系：
Figure BDA0001405683100000061
在系统建模以及识别算法介绍之前需要说明的是：系统涉及的电路参数值(即Lp,Ls,Cp,Cs,Rp,Rs)均可提前测量，并且在运行过程中的变化可忽略不计，因此上述参数值可视为恒定参数。
基于上述系统而言，系统逆变输出方波电压uin(t)的傅里叶展开形式如下：
Figure BDA0001405683100000062
因此，逆变输出电压n次谐波激励下产生的原边电流稳态响应可表达为：
ip(t)_n＝Ansin(nωt+φn),n＝1,3,…2k+1,… (4)
其中，An为逆变输出电流n次谐波峰值，φn为逆变输出电流及电压n次谐波间的相位差。
根据电路叠加定理，稳态情况下的原边电路电流ip(t)可由下式表示：
Figure BDA0001405683100000063
显然，由图1可以得到以下关系式：
Figure BDA0001405683100000064
uin(t)_n表示逆变输出电压的n次谐波，Zin_n为逆变输出电压n次谐波激励下的系统输入阻抗，其表达式如下：
Figure BDA0001405683100000065
其中，Zs_n为逆变输出电压n次谐波激励下的系统副边电路阻抗：
Figure BDA0001405683100000066
令
Figure BDA0001405683100000067
Figure BDA0001405683100000071
式中
Figure BDA0001405683100000072
此时，输入阻抗Zin_n可以表达为如下形式：
Zin_n＝αn+jβn (12)
联立式(5)，(6)以及(12)可以得到如下关系：
Figure BDA0001405683100000073
此时，联合式(5)及(13)可以得到T0＝mT时刻原边电流的计算值，T为系统运行周期。
Figure BDA0001405683100000074
特别地，当n＝1时可以得到稳态条件下系统原边电流的基波表达式：
ip(t)_1＝A1sin(ωt+φ1) (15)
其中
Figure BDA0001405683100000075
基于式(9)，(10)及(16)可以得到互感M关于负载Re的函数表达式：
Figure BDA0001405683100000076
式中：
Figure BDA0001405683100000081
基于上述分析后，可以根据系统电路模型得到负载RL、互感M以及原边谐振电流之间的映射关系，相当于本方法中的步骤S1。
接下来，步骤S2：利用遗传算法寻找负载RL的值，根据迭代终止条件以及适应度排名得到负载RL的最优解；
目前，大部分磁耦合WPT系统负载与互感参数识别方法的思路是寻求途径以构建关于负载及互感参数的二元方程组，通过求解方程组从而完成识别。然而，当系统为S/S补偿形式且系统运行频率接近于副边回路频率时，其反射阻抗近似于纯阻性，其虚部部分数值接近于0，因此常规解方程方法得到的识别结果误差较大。本发明引入遗传算法以实现负载与互感的识别，并且考虑了系统状态变量的高次谐波以确保算法保留较优个体的能力并提升算法可靠性。
遗传算法(Genetic Algorithm，GA)是一种模拟自然选择和遗传学理论,依据适者生存的原理而建立的一种优化高效搜索算法。由于其具有极强的鲁棒性和全局寻优能力的特点，该算法已广泛地应用于工程设计、自动控制、生物工程等诸多领域。本发明所提出的基于遗传算法的S/S型磁耦合WPT系统负载与互感参数识别方法实现流程如图2所示，具体描述如下：
(1)首先确定系统电路参数值(即Lp,Ls,Cp,Cs,Rp,Rs)，并完成相应采样。
(2)生成初始种群，每一代种群数量设定为20，算法采用十进制编码。
(3)计算适应度函数，该函数定义如下：
Figure BDA0001405683100000082
其中，ip(T0)是利用遗传算法寻找负载RL值，然后由步骤S1的映射关系计算出的原边谐振电流值，可以由式(14)计算得到；ip(T0)_mea是当前时刻原边谐振电流的实际采样值；ip(T0+T)_mea是下一周期时刻原边谐振电流的实际采样值；J为对应的适应度值。值得一提的是，算法将式(17)视为互感M与等效负载值Re之间的一个约束关系并将其引入，从而将求解变量简化为单个。上述做法的好处在于：1)求解变量的减少使得算法搜索速度提升，缩短了算法运行时间；2)约束关系式的引入大大减少了局部最优解的个数，减少了算法迭代代数。
其中，式(17)中变量Δ可由对系统输入电压以及原边电流有效值采样后，通过式(18)计算得到。
(4)根据步骤(3)的计算结果，评估各个个体的适应度并且排序，优胜劣汰，每一代生存率设定为50％。
(5)从步骤(4)中存活下来的个体中挑选父代以及母代，其中适应度排名越靠前的个体被选择为双亲的几率越高。随后，父代与母代通过交叉、变异产生新的子代，与上一代存活的个体构成新一代种群。如若达到终止条件则停止算法，获得当前种群中适应度最优的个体，否则重复步骤(3)至(5)直到满足终止条件，本实施例中变异率设定值为0.1。
得到最优解后，进入步骤S3：根据负载RL和互感M之间的映射关系，利用负载RL的最优解确定系统互感M，最终完成系统负载与互感识别。
为了进一步验证上述方法的可行性和有效性，下面基于MATLAB/Simulink仿真平台根据图1建立了相应的仿真模型，仿真时间设置为1ms，此时系统已稳态运行，最大仿真步长设置为0.1μs。仿真参数按照实验系统中的实际测量值进行设置，如表1所示。
表1 WPT系统仿真以及实验参数
Figure BDA0001405683100000091
如前文分析，该识别方法考虑了原边电流前n次谐波，因此在算法运行之前需要确定n的数值。在仿真系统中，负载与互感参数分别设置为30.00Ω及20.00μH。此时，基于式(14)可以得到原边电流T0时刻计算值与采样值之间的相对误差δ在n不同取值时的变化曲线，如图3所示。可以发现，当n取值为1时其相对误差接近6％，随着n值的增加δ首先急剧下降，随后n增加到51左右时δ下降速率减缓，最终n到达101附近时δ近似恒定。其中，n取值为51时δ近似为0.742％，计算时间约为4ms；n取值为101时δ近似为0.642％，计算时间约为6ms。综上，计算前101次谐波与计算前51次谐波相比，其相对误差仅降低了13.48％，然而计算时间约增加了50％。因此，综合考虑计算成本以及精度，作为最优考虑，算法中n取值为51。
n的取值确定之后即可按照图2所示流程对系统负载以及互感进行识别。图4给出每一代种群平均适应度以及个体最优适应度变化曲线图，其左Y轴表示适应度平均值，右Y轴表示适应度最优值。从图中可以发现种群繁衍到第8代时得到了负载的最优解。此外可以发现第10、12代的平均适应度值有明显增加，这是由于存在一定变异几率，生成了适应度较劣的后代进而影响了整代适应度的平均水平，但是可以看出该变异并未影响适应度较优个体的生存。
表2给出了上述算法前10代中各代适应度最优的个体。如上文所述，算法在第8代得到了负载最优解(约为30.45Ω)，随后根据式(17)计算得到互感识别值(约为20.26μH)，负载与互感识别值相对误差分别为1.50％以及1.30％，可以看出获得识别结果十分接近仿真设定值。
表2第1至10代负载最优解
Figure BDA0001405683100000101
为了进一步验证该识别方法，本文搭建了S/S型磁耦合WPT系统实验平台，系统参数由表1给出。
系统负载RL与互感M测量值分别约为10Ω及18.06μH，在此条件下运行算法，结果如图5所示。早期群体(前七代)中适应度最高的个体约为28.21Ω，随后个体适应度不断在优化，算法在第29代得到全局最优解。最终，系统负载与互感识别值分别约为9.42Ω及18.67μH，相对误差分别为5.80％及3.38％。
进一步在不同的负载与互感条件下完成数次识别算法，其结果一并示于图6。前三次实验中，互感测量值约为24.54μH，负载测量值约为10.00Ω、20.00Ω以及30.00Ω。随后通过调节耦合线圈间距离以改变互感大小，在互感测量值约为38.75μH，负载同样变化情况下完成三次实验。其中，负载识别结果最大识别误差约为7.40％，互感识别结果最大误差约为3.22％。
终上所述，本实例以S/S型磁耦合无线电能传输系统为例，提出了一种基于遗传算法的磁耦合WPT系统负载与互感识别方法，该识别方法无需增加额外电路以及相应控制，因此并不会提升系统成本以及体积。实验验证中负载与互感识别结果与测量值十分相近，其最大误差分别为7.40％及3.22％。仿真及实验结果均验证了该识别方法的可行性以及有效性。
最后应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于遗传算法的磁耦合WPT系统负载与互感识别方法，其特征在于包括以下步骤：
S1：根据系统电路模型得到负载RL、互感M以及原边谐振电流之间的映射关系；
S2：利用遗传算法寻找负载RL的值，根据迭代终止条件以及适应度排名得到负载RL的最优解；
S3：根据负载RL和互感M之间的映射关系，利用负载RL的最优解确定系统互感M；
步骤S2中遗传算法的适应度函数为：
Figure FDA0002263056910000011
其中，ip(T0)是利用遗传算法寻找负载RL值，然后由步骤S1的映射关系计算出的原边谐振电流值；ip(T0)_mea是当前时刻原边谐振电流的实际采样值；ip(T0+T)_mea是下一周期时刻原边谐振电流的实际采样值；J为对应的适应度值；
系统为S/S型磁耦合WPT系统，在原边部分，能量发射线圈Lp与补偿电容Cp串联构成了原边串联谐振回路；在副边部分，能量接收线圈Ls与串联补偿电容Cs构成副边谐振回路，并将能量传递给负载RL，M为能量发射线圈Lp与能量接收线圈Ls之间互感，Rp、Rs分别为Lp、Ls的串联等效电阻，Re为负载RL与Rs的等效串联负载：Re＝RL+Rs；
其中：系统电路参数满足以下关系：
(1)系统频率
Figure FDA0002263056910000012
(2)原边谐振电流值
Figure FDA0002263056910000021
k为自然数，n为1～2k+1之间的奇数；
(3)中间变量
Figure FDA0002263056910000022
(4)中间变量
Figure FDA0002263056910000023
(5)中间变量
Figure FDA0002263056910000024
(6)互感M与等效串联负载Re之间的映射函数为：
Figure FDA0002263056910000025
(7)中间变量
Figure FDA0002263056910000026
其中Edc为原边直流电源。
2.根据权利要求1所述的基于遗传算法的磁耦合WPT系统负载与互感识别方法，其特征在于，步骤S2所述的遗传算法中，先在预定区间内生成初始种群，再计算种群内各个个体的适应度并排序，按照50％的生存率进行优胜劣汰。
3.根据权利要求2所述的基于遗传算法的磁耦合WPT系统负载与互感识别方法，其特征在于，步骤S2所述的遗传算法中，在存活的个体中挑选父代和母代，通过交叉、变异产生新的子代，并与上一代存活的个体构成新一代种群。
4.根据权利要求2所述的基于遗传算法的磁耦合WPT系统负载与互感识别方法，其特征在于，步骤S2所述的遗传算法中，变异率设置为0.1。
5.根据权利要求1所述的基于遗传算法的磁耦合WPT系统负载与互感识别方法，其特征在于，n的最大取值设为51，即 k＝25。
CN201710818471.7A 2017-09-12 2017-09-12 基于遗传算法的磁耦合wpt系统负载与互感识别方法 Active CN107526899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710818471.7A CN107526899B (zh) 2017-09-12 2017-09-12 基于遗传算法的磁耦合wpt系统负载与互感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710818471.7A CN107526899B (zh) 2017-09-12 2017-09-12 基于遗传算法的磁耦合wpt系统负载与互感识别方法

Publications (2)

Publication Number Publication Date
CN107526899A CN107526899A (zh) 2017-12-29
CN107526899B true CN107526899B (zh) 2020-03-10

Family

ID=60736660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710818471.7A Active CN107526899B (zh) 2017-09-12 2017-09-12 基于遗传算法的磁耦合wpt系统负载与互感识别方法

Country Status (1)

Country Link
CN (1) CN107526899B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108169576A (zh) * 2018-01-17 2018-06-15 西安交通大学 一种移动式无线电能传输系统的动态互感检测方法
CN109004755B (zh) * 2018-07-18 2020-06-26 重庆大学 互补对称式lcc谐振网络的ec-wpt系统参数优化方法
CN109831035B (zh) * 2019-03-20 2020-06-23 哈尔滨工业大学 一种基于正交双通道算法的无线充电系统用互感辨识方法
CN111987779B (zh) * 2020-08-31 2021-10-15 重庆大学 基于TensorFlow的MC-WPT系统负载与互感识别模型、方法及系统
CN113937898B (zh) * 2021-09-29 2023-08-25 广西电网有限责任公司电力科学研究院 一种无线充电系统的双参数辨识方法
CN114389375B (zh) * 2022-01-19 2023-04-07 西南交通大学 一种高效低泄漏无线供电系统的耦合机构及其激励方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532982A (zh) * 2017-01-04 2017-03-22 中国矿业大学 一种负载在线识别的无线电能传输系统及负载识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130043735A1 (en) * 2011-08-16 2013-02-21 Qualcomm Incorporated Systems, methods, and devices for multi-level signaling via a wireless power transfer field

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106532982A (zh) * 2017-01-04 2017-03-22 中国矿业大学 一种负载在线识别的无线电能传输系统及负载识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Steady-State Load Identification Method of Inductive Power Transfer System of Inductive Power Transfer System;Yu-Gang Su等;《IEEE TRANSACTIONS ON POWER ELECTRONICS》;20151130;第30卷(第11期);全文 *
基于最小二乘法的感应电能无线传输系统负载辨识方法;苏玉刚等;《电工技术学报》;20150331;第30卷(第5期);全文 *
非接触电能传输系统参数优化的改进遗传解法;赵志斌等;《西安交通大学学报》;20120229;第46卷(第2期);第106-112页 *

Also Published As

Publication number Publication date
CN107526899A (zh) 2017-12-29

Similar Documents

Publication Publication Date Title
CN107526899B (zh) 基于遗传算法的磁耦合wpt系统负载与互感识别方法
Mai et al. Double‐sided CL compensation topology based component voltage stress optimisation method for capacitive power transfer charging system
CN105659470B (zh) 用于无线功率转移系统中的参数辨识、负载监控和输出功率控制的方法
CN107482797A (zh) 基于谐振式无线功率传输的环形线圈电磁辐射预测方法
CN111555612B (zh) 一种基于恒定输出电压的磁耦合谐振式无线传能最大效率跟踪方法
CN112688441B (zh) 基于选频补偿网络抗位置偏移的无线电能传输系统
Wei et al. Comprehensive comparisons between frequency‐domain analysis and time‐domain analysis for LLC resonant converter
Wan et al. A new circuit design framework for IoT devices: Charge-recycling with wireless power harvesting
EP4228135A1 (en) Method for estimating parameters of resonant converter, method for controlling resonant converter and resonant converter
Chen et al. New parameter tuning method for LCC/LCC compensated IPT system with constant voltage output based on LC resonance principles
CN110867973B (zh) 一种静态-动态磁耦合无线电能传输系统在线或离线互感辨识方法
CN117010315B (zh) 一种无线电能传输系统的lcc-s拓扑参数设计方法
Cheng et al. Improved wireless power transfer system utilizing a rectifier with nonlinear resistance compression characteristic
CN107742926A (zh) 基于分数阶电容的无电压源串联‑并联型无线电能传输系统
Yao et al. Efficiency‐based design optimisation of a double‐sided LCL compensated wireless power transfer system
Chen et al. Event-triggered model predictive control for series–series resonant ICPT systems in electric vehicles: A data-driven modeling method
Ceraolo et al. Design and realization of an inductive power transfer for shuttles in automated warehouses
CN115603468A (zh) 基于频率切换恒流/恒压输出的ec-wpt系统及其参数设计方法
Xu et al. Analysis and design of a S/PS compensated IPT system with constant current output
CN110071580B (zh) 高鲁棒性无线电能传输系统谐振频率优化设计方法
CN115577638A (zh) 一种多线圈无线能量传输系统的建模及优化方法
Wang et al. Improved magnetic coupling resonance wireless power transfer system
CN112928827B (zh) 非接触供电装置谐振频率自动锁定的控制电路及控制方法
He et al. A Study and Implementation of Inductive Power Transfer System Using Hybrid Control Strategy for CC-CV Battery Charging
CN108199499B (zh) 一种基于负电阻的电场耦合单线电能传输系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant