CN111178528B - 一种应用于无线充电系统的精英遗传算法改进方法 - Google Patents
一种应用于无线充电系统的精英遗传算法改进方法 Download PDFInfo
- Publication number
- CN111178528B CN111178528B CN201911326160.4A CN201911326160A CN111178528B CN 111178528 B CN111178528 B CN 111178528B CN 201911326160 A CN201911326160 A CN 201911326160A CN 111178528 B CN111178528 B CN 111178528B
- Authority
- CN
- China
- Prior art keywords
- optimization
- variable
- optimized
- generation
- wireless charging
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/14—Plug-in electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种应用于无线充电系统的精英遗传算法改进方法,具体指的是对每一代无线充电系统的优化变量组都进行评估,并通过ANSYS灵敏度分析方法,通过曲线对比法选出对优化目标相对有利的精英变量组,由他们产生下一代优化变量组,再依次迭代直到完成优化,在优化目标和自身限制无法判断种群优劣时,还会使用拥挤距离法判断哪一代优化变量更优。本发明在精英遗传算法中加入灵敏度分析,可以快速缩小精英变量范围,以提高无线充电系统系统性能等多个优化参数,节省实际工程优化时间。
Description
技术领域
本发明属于无线充电系统技术领域,具体涉及一种应用于无线充电系统的精英遗传算法改进方法。
背景技术
近年来,无线充电系统(WPT)技术得到了迅速的发展,并被应用于许多行业。麻省理工学院研究组提出的磁耦合谐振WPT技术为中程能量传输提供了先进的研究框架。与传统的WPT系统相比,谐振WPT系统具有耦合系数高、电磁场泄漏值小等优点。中程能量可行性的关键因素是一对谐振频率相同的线圈,高效的谐振线圈设计和改进工作成为WPT研究的必然趋势。因此,高效率的线圈设计必须是设计目标之一。由于线圈系统利用电磁场传输能量,随着WPT功率水平的提高,电磁场对人体的暴露值也会增加。WPT系统可能对成人、儿童和孕妇构成潜在的生物威胁,因此有必要将人体电磁安全附加到线圈设计中,以提高线圈的设计水平。
WPT中线圈的多目标迭代过程通常涉及一般的遗传算法(GA)和导数,这些算法存在搜索速度慢、计算量大的共同问题,特别是存在多变量的情况下。改进的精英遗传算法在解决此类问题上有一定帮助,但是,在含铁氧体的复杂WPT系统中,目标函数如耦合因子k,难以进行解析计算;在实际应用中,它是用有限元法(FEM)数值计算得到的,这也增加了复杂性和时间消耗。因此目前需要对精英遗传算法进行进一步改进,使得算法的迭代次数有所减少,使得算法的复杂度降低,并获得相对较好的优化效果。
发明内容
本发明的目的在于克服现有技术中的不足,提出了一种应用于无线充电系统的精英遗传算法改进方法,利用ANSYS软件中的灵敏度分析操作减少精英遗传算法的迭代操作。
为解决上述技术问题,本发明提供了一种应用于无线充电系统的精英遗传算法改进方法,其特征是,包括以下过程:
确定无线充电系统的多个优化目标及其对应的评判参数;
确定无线充电系统的多个优化变量构成优化变量组;
分析各评判参数对各优化变量的灵敏度,提取高灵敏度的优化变量作为关键优化变量;并将优化变量组中其他优化变量设定为定值,形成新的优化变量组;
采用精英遗传算法对新的优化变量组进行优化,获得最优的优化变量组。
进一步的,所述无线充电系统的多个优化目标包括系统效率和电磁安全性。
进一步的,所述多个优化目标对应的评判参数包括:
系统效率优化目标对应的评判参数为:
无线充电系统的电路中,C1,L1,R1为原边电容,电感,线圈电阻,C2,L2,R2为副边电容,电感,线圈电阻,M为互感,RL为等效负载,Zpri为电源侧看过去的等效阻抗,Zsec为副边看过去负载侧的等效阻抗;
在副边线圈谐振时,副边电路的效率可用如下公式表示:
其中Rsec为等效阻抗Zsec实部;
根据KVL等效方程,可以得到副边回路阻抗反映回一次侧的等效阻抗Zt:
其中Z22代表副边阻抗,ω代表谐振角频率,由于整流器不含电容电感原件,故Zt实部Rt为:
在原边线圈谐振时,原边电路的效率为:
所以整个系统的效率为:
将Rt的公式(3)代入公式(5)中,得:
进而推导得出系统最大效率ηmax:
如果原副边同型,Q1=Q2=Q,则公式(7)变为:
因此选取kQ作为效率目标的评判参数;
电磁安全性优化目标对应的评判参数为:电场值E。
进一步的,所述分析各评判参数对各优化变量的灵敏度,提取高灵敏度的优化变量作为关键优化变量包括:
提取对于各个评判参数而言的高灵敏度优化变量;
提取所有评判参数的高灵敏度优化变量的交集作为关键优化变量。
进一步的,所述提取对于各个评判参数而言的高灵敏度优化变量包括:
作出评判参数随各优化变量变化的曲线图;
将这些曲线的横轴全部归一到零点附近并呈对称;
提取曲线斜率绝对值高的优化变量作为高灵敏度优化变量。
进一步的,所述采用精英遗传算法对新的优化变量组进行优化,获得最优的优化变量组包括以下过程:
(1)设定初始优化变量组;
(2)通过优化目标对优化变量组进行迭代计算,通过评判参数筛选出此代优化变量组中的精英变量组;
(3)从此代精英变量组中产生下一代优化变量组;
(4)通过比较此代和下一代优化变量组的评判参数的好坏判断优化效果;
(5)如果下一代优化变量组的优化效果比此代好,则将下一代优化变量组返回步骤(2),否则进行下一步;
(6)通过拥挤度计算比较下一代和此代优化变量组的优劣,选用拥挤度较大的变量组作为最优变量组。
进一步的,所述拥挤度的计算方法如下:
步骤a:确定此代变量组对应的N个评判参数值,并按升序进行排序,xk代表对应优化目标k此种族中的优化变量组,xi,k为排序后对应优化目标k的第i个优化变量组,R(xi,k)为优化变量组取xi,k时评判参数的值;
步骤b:对优化目标k的拥挤距离S(xi,k)进行计算,计算公式为
其中,Rmax(xk)、Rmin(xk)为优化变量组xk对应的优化目标值最大最小值;
步骤c:按公式(9)计算每组优化参数对于每个优化目标k的拥挤距离并加和求解,即得到此代优化参数组的总拥挤距离R(x):
R(x)=∑kS(xi,k) (10)
一般R(x)越大,代表此代的优化变量组对应的优化目标值最大最小值差值较小,说明有更多优化变量组分布在最优值附近,此代的优化变量组更优。
与现有技术相比,本发明所达到的有益效果是:本发明首先在精英遗传算法中加入了灵敏度算法,通过评判参数与优化变量组的变化趋势提取高灵敏度变量,然后用高灵敏度优化变量参与精英迭代,以提高系统性能。本发明可以改进精英遗传算法的收敛速度问题,减少最优变量迭代过程中所需要花费的时间,减少迭代复杂度,并且具有较好的优化效果,指导快速无线充电系统参数设计。
附图说明
图1为选择优化目标对应的评判参数的电路图;
图2为确定关键变量所用的曲线对比图;
图3为精英遗传算法所用的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种应用于无线充电系统的精英遗传算法改进方法,具体包括以下过程:
步骤(1)根据无线充电系统(WPT系统)多个优化目标的优化需要,结合电路拓扑分析以及参考国内外标准,选择各优化目标对应的评判参数;评判参数主要用来进行灵敏度分析和优化效果好坏的判断。
此处的多个优化目标包括无线充电系统的系统效率和电磁安全性。
如图1所示为使用集总参数建立的无线充电系统模型,在图1的无线充电系统电路中,AC为输入端交流源,C1,L1,R1为原边电容,电感,线圈电阻,C2,L2,R2为副边电容,电感,线圈电阻,M为互感,RL为等效负载,将电源变换器和传输变换器用方块converter表示,Zpri为电源侧看过去的等效阻抗,Zsec为副边看过去负载侧的等效阻抗。
在副边线圈谐振时,副边电路的效率可用如下公式表示:
其中Rsec为等效阻抗Zsec实部。
根据KVL(基尔霍夫电压定律)等效方程,可以得到副边回路阻抗反映回一次侧的等效阻抗Zt:
其中Z22代表副边阻抗,ω代表谐振角频率,由于整流器不含电容电感原件,故Zt实部Rt为:
在原边线圈谐振时,原边电路的效率为:
所以整个系统的效率为:
将Rt的公式(3)代入公式(5)中,得:
进而推导得出系统最大效率ηmax:
如果原副边同型,Q1=Q2=Q,则公式(7)变为:
因此可选取kQ作为效率目标的评判参数。
对于另一个优化目标(系统电磁安全性),人类暴露于电磁场的国际权威标准最新的是ICNITP 2010。在ICNIRP 2010中使用电场值E进行了评价,因此本文将WPT系统电场值E作为另一个系统电磁安全性目标的评判参数。
两个评判参数kQ和E均可通过ANSYS电磁场仿真获得。
步骤(2)根据无线充电系统的模型限制和实际工程经验,确定无线充电系统的优化变量组及其对应的取值限制范围。
通过电磁场理论可知,线圈系统周围的电磁场大小与线圈电流有直接关系,并且受电流的影响程度较大,在外部电路确定的情况下,改变线圈参数变量不应该对其导通电流产生影响,即不可以改变线圈电阻,否则将无法分析单一变量对于优化目标的影响,因此需要尽量保证线圈的长度恒定,这代表着无线充电系统线圈模型的长宽,匝数不可以成为优化变量,因此优化变量有线圈匝间距,原副边线圈间距,铁氧体和铝板的长宽高度以及其距离线圈的距离,这些优化变量组成优化变量组。
并且根据参考线圈与实际工程经验,优化变量有一定的自身限制,线圈匝间距的取值根据导线长宽、匝数、半径以及圆弧边限制可得出限制值,线圈间距可根据美国汽车工程师协会SAE标准得出大致限制范围,其他变量可根据工程经验设置合理范围。
步骤(3)使用ANSYS电磁场软件分析优化目标的评判参数对优化变量组中多个优化变量的灵敏度参数;选取灵敏度高的优化变量作为关键优化变量,并将优化变量组中其他优化变量设定为定值,关键优化变量作为待优化的变量,形成新的优化变量组。
一个完整的WPT系统由众多设计变量组成,并且这些设计变量都可以得到优化,这些设计变量组成一个优化变量组,每一个优化变量组都对应一个优化结果,评判参数是用来评判优化结果的。
ANSYS电磁场软件可以通过灵敏度分析得到评判参数随优化变量变化的曲线图,通过曲线对比法确定关键优化变量,具体方法是:在各个优化变量自身限制范围的区间里,通过作出各个优化目标评判参数随优化变量变化的曲线图,将这些曲线的横轴全部归一到零点附近并呈Y轴对称,再提取曲线斜率绝对值高的优化变量作为高灵敏度优化变量。图2即为归一化后的多个曲线图(评判参数kQ随优化变量变化的曲线图),可以明显选取到曲线斜率明显较高的多条变量作为高灵敏度优化变量。
每个评判参数都会对应若干个高灵敏度的优化变量,不同评判参数取得的优化变量结果可能不同,只有设计变量在每个评判参数下都是高灵敏度优化参数,最终才能成为优化变量,即最终的优化变量是多个评判参数灵敏度分析结果的交集。
将优化变量组中其他优化变量设定为定值,关键优化变量作为待优化的变量,形成新的优化变量组。
步骤(4)使用精英遗传算法进行优化计算,对新的优化变量组进行初次ANSYS迭代计算,评估优化结果,选取初始精英优化组,由精英优化组迭代产生下一代优化变量组,并通过优化目标和拥挤度计算进行判断,最终完成优化。
具体步骤如图3所示,包括:
(1)设定初始优化变量组(第一代优化变量组);
(2)通过优化目标对优化变量组进行ANSYS迭代计算,通过评判参数进行筛选出此代优化变量组中的精英变量组;
(3)从此代精英变量组中产生下一代优化变量组;
(4)通过比较此代和下一代优化变量组的评判参数的好坏判断优化效果;
(5)通过优化变量组得出的优化效果判断,如果下一代优化变量对应的kQ值大,E值小,则说明如果下一代优化变量组的优化效果比此代好,则将下一代优化变量组返回步骤(2),否则进行下一步;
(6)通过拥挤度计算比较下一代和此代优化变量组的优劣,选用拥挤度较大的变量组作为最优变量组。
拥挤度计算方法如下:
步骤a:确定此代变量组对应的N个评判参数值,并按升序进行排序,xk代表对应优化目标k此种族中的优化变量组,xi,k为排序后对应优化目标k的第i个优化变量组,R(xi,k)为优化变量组取xi,k时评判参数的值。
步骤b:对优化目标k的拥挤距离S(xi,k)进行计算,计算公式为
其中,Rmax(xk)、Rmin(xk)为优化变量组xk对应的优化目标值最大最小值;
步骤c:按公式(9)计算每组优化参数对于每个优化目标k的拥挤距离并加和求解,即得到此代优化参数组的总拥挤距离R(x):
R(x)=∑kS(xi,k) (10)
一般R(x)越大,代表此代的优化变量组对应的优化目标值最大最小值差值较小,说明有更多优化变量组分布在最优值附近,此代的优化变量组更优。
根据最优的优化变量组中各优化变量数值来设计无线充电系统,可以实现无线充电系统的多目标优化。
本发明可以减少精英变量算法中最优变量形成过程中所需要花费的时间,减少迭代复杂度,并且具有较好的优化效果,可以指导快速无线充电系统参数设计。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种应用于无线充电系统的精英遗传算法改进方法,其特征是,包括以下过程:
确定无线充电系统的多个优化目标及其对应的评判参数;
确定无线充电系统的多个优化变量构成优化变量组;
分析各评判参数对各优化变量的灵敏度,提取高灵敏度的优化变量作为关键优化变量;并将优化变量组中其他优化变量设定为定值,形成新的优化变量组;
采用精英遗传算法对新的优化变量组进行优化,获得最优的优化变量组;
其中,所述无线充电系统的多个优化目标包括系统效率和电磁安全性;
所述多个优化目标对应的评判参数包括:
系统效率优化目标对应的评判参数为:
无线充电系统的电路中,C1,L1,R1为原边电容,电感,线圈电阻,C2,L2,R2为副边电容,电感,线圈电阻,M为互感,RL为等效负载,Zpri为电源侧看过去的等效阻抗,Zsec为副边看过去负载侧的等效阻抗;
在副边线圈谐振时,副边电路的效率可用如下公式表示:
其中Rsec为等效阻抗Zsec实部;
根据KVL等效方程,可以得到副边回路阻抗反映回一次侧的等效阻抗Zt:
其中Z22代表副边阻抗,ω代表谐振角频率,由于整流器不含电容电感原件,故Zt实部Rt为:
在原边线圈谐振时,原边电路的效率为:
所以整个系统的效率为:
将Rt的公式(3)代入公式(5)中,得:
进而推导得出系统最大效率ηmax:
如果原副边同型,Q1=Q2=Q,则公式(7)变为:
因此选取kQ作为效率目标的评判参数;
电磁安全性优化目标对应的评判参数为:电场值E。
2.根据权利要求1所述的一种应用于无线充电系统的精英遗传算法改进方法,其特征是,所述分析各评判参数对各优化变量的灵敏度,提取高灵敏度的优化变量作为关键优化变量包括:
提取对于各个评判参数而言的高灵敏度优化变量;
提取所有评判参数的高灵敏度优化变量的交集作为关键优化变量。
3.根据权利要求2所述的一种应用于无线充电系统的精英遗传算法改进方法,其特征是,所述提取对于各个评判参数而言的高灵敏度优化变量包括:
作出评判参数随各优化变量变化的曲线图;
将这些曲线的横轴全部归一到零点附近并呈对称;
提取曲线斜率绝对值高的优化变量作为高灵敏度优化变量。
4.根据权利要求1所述的一种应用于无线充电系统的精英遗传算法改进方法,其特征是,所述采用精英遗传算法对新的优化变量组进行优化,获得最优的优化变量组包括以下过程:
(1)设定初始优化变量组;
(2)通过优化目标对优化变量组进行迭代计算,通过评判参数筛选出此代优化变量组中的精英变量组;
(3)从此代精英变量组中产生下一代优化变量组;
(4)通过比较此代和下一代优化变量组的评判参数的好坏判断优化效果;
(5)如果下一代优化变量组的优化效果比此代好,则将下一代优化变量组返回步骤(2),否则进行下一步;
(6)通过拥挤度计算比较下一代和此代优化变量组的优劣,选用拥挤度较大的变量组作为最优变量组。
5.根据权利要求4所述的一种应用于无线充电系统的精英遗传算法改进方法,其特征是,所述拥挤度的计算方法如下:
步骤a:确定此代变量组对应的N个评判参数值,并按升序进行排序,xk代表对应优化目标k此种族中的优化变量组,xi,k为排序后对应优化目标k的第i个优化变量组,R(xi,k)为优化变量组取xi,k时评判参数的值;
步骤b:对优化目标k的拥挤距离S(xi,k)进行计算,计算公式为
其中,Rmax(xk)、Rmin(xk)为优化变量组xk对应的优化目标值最大最小值;
步骤c:按公式(9)计算每组优化参数对于每个优化目标k的拥挤距离并加和求解,即得到此代优化参数组的总拥挤距离R(x):
R(x)=∑kS(xi,k) (10)
R(x)越大,代表此代的优化变量组对应的优化目标值最大最小值差值较小,说明有更多优化变量组分布在最优值附近,此代的优化变量组更优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326160.4A CN111178528B (zh) | 2019-12-20 | 2019-12-20 | 一种应用于无线充电系统的精英遗传算法改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326160.4A CN111178528B (zh) | 2019-12-20 | 2019-12-20 | 一种应用于无线充电系统的精英遗传算法改进方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178528A CN111178528A (zh) | 2020-05-19 |
CN111178528B true CN111178528B (zh) | 2022-06-07 |
Family
ID=70655554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911326160.4A Active CN111178528B (zh) | 2019-12-20 | 2019-12-20 | 一种应用于无线充电系统的精英遗传算法改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178528B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794286A (zh) * | 2021-09-06 | 2021-12-14 | 湖北工业大学 | 一种无线电能传输系统参数优化方法及装置 |
CN113657009B (zh) * | 2021-10-20 | 2022-02-18 | 山东神力索具有限公司 | 一种索具产品的有限元模型优化方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320988A (zh) * | 2014-07-14 | 2016-02-10 | 重庆邮电大学 | 一种基于改进型遗传算法的无线能量传输系统参数优化方法 |
CN109765504A (zh) * | 2019-03-06 | 2019-05-17 | 东南大学 | 一种无线充电系统参数对多组系统间共存影响的测试评判方法 |
CN110147885A (zh) * | 2019-05-07 | 2019-08-20 | 浙江大学城市学院 | 一种改进遗传算法的共享单车停放点分配方法 |
-
2019
- 2019-12-20 CN CN201911326160.4A patent/CN111178528B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320988A (zh) * | 2014-07-14 | 2016-02-10 | 重庆邮电大学 | 一种基于改进型遗传算法的无线能量传输系统参数优化方法 |
CN109765504A (zh) * | 2019-03-06 | 2019-05-17 | 东南大学 | 一种无线充电系统参数对多组系统间共存影响的测试评判方法 |
CN110147885A (zh) * | 2019-05-07 | 2019-08-20 | 浙江大学城市学院 | 一种改进遗传算法的共享单车停放点分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111178528A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178528B (zh) | 一种应用于无线充电系统的精英遗传算法改进方法 | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN103675629A (zh) | 基于电场特征量的电极起晕电压预测方法 | |
CN112417727B (zh) | 一种考虑端部效应的高频变压器漏电感参数计算方法 | |
CN105552902A (zh) | 基于馈线端实时量测的配电网终端负荷超短期预测方法 | |
Georgilakis | Recursive genetic algorithm-finite element method technique for the solution of transformer manufacturing cost minimisation problem | |
CN113204851A (zh) | 一种全焊接组件的公差优化方法 | |
CN109948179A (zh) | 一种预测微放电阈值的共形边界电磁场插值方法 | |
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 | |
Mendes et al. | Particle swarm and Box׳ s complex optimization methods to design linear tubular switched reluctance generators for wave energy conversion | |
CN114253157A (zh) | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 | |
Kim et al. | Characterization of the quality factor in spiral coil designs for high-frequency wireless power transfer systems using machine learning | |
Pei et al. | Fast shielding optimization of an inductive power transfer system for electric vehicles | |
Tian et al. | Parameter Design Optimization for DC-DC Power Converters with Deep Reinforcement Learning | |
US20220108048A1 (en) | Generating coil geometries for wireless power transfer system | |
CN115577638A (zh) | 一种多线圈无线能量传输系统的建模及优化方法 | |
CN112182850B (zh) | 直线电机模型预测控制权重因子优化方法 | |
CN112434461B (zh) | 无线电能传输的自动化耦合线圈优化设计方法 | |
CN112504365A (zh) | 一种电磁流量传感器的磁路结构优化设计方法 | |
CN109901030B (zh) | 一种电抗器匝间绝缘状态监测方法、系统及应用 | |
Noh et al. | Machine-Learning Based Optimal Design of a Wireless Power Transfer Coil for Battery-Powered Tram | |
CN116451544B (zh) | 一种大功率高频变压器智能优化设计方法 | |
Inoue et al. | High-resolution design optimization for IPT including stray field and coupling coefficient | |
García-Izquierdo et al. | Optimal design of a Low-Cost SAE JA2954 compliant WPT system using NSGA-II | |
Li et al. | Research on Load Parameter Identification of the Induction Heating |
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 |