CN112163390A - 多维wpt系统的接收线圈位置预测方法 - Google Patents
多维wpt系统的接收线圈位置预测方法 Download PDFInfo
- Publication number
- CN112163390A CN112163390A CN202010775927.8A CN202010775927A CN112163390A CN 112163390 A CN112163390 A CN 112163390A CN 202010775927 A CN202010775927 A CN 202010775927A CN 112163390 A CN112163390 A CN 112163390A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- angle
- prediction
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 238000009499 grossing Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- H02J50/90—Circuit arrangements or systems for wireless supply or distribution of electric power involving detection or optimisation of position, e.g. alignment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种多维WPT系统的接收线圈位置预测方法。所述位置预测方法包括：步骤S1，将角度视为位置预测信息；获取多维无线电能传输系统原始数据，对原始数据进行数据预处理；步骤S2，对预处理后的数据信息分析，确定多维WPT系统角度预测模型的输入特征，所述输入特征包括系统的环境特征和状态特征；步骤S3，特征向量归一化；步骤S4，对所述数据预处理后的离散数据进行平滑处理，并随机抽取平滑处理后样本数据的70％作为训练样本，余下总样本的30％作为测试样本；步骤S5，判断预测结果是否满足精度要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测。
Description
技术领域
本发明涉及无线输电领域，具体涉及一种基于机器学习的多维WPT系统接 收线圈位置预测方法。
背景技术
线圈偏移问题在无线电能传输系统实际运行中经常出现，将造成系统的传 输效率显著下降。在多维正交线圈结构中，可通过改变磁场方向来提高系统传输 效率。磁场角度的实时获取对全方向无线电能传输系统非常重要，通常采用无线 通信装置和角度测量仪等方法进行测量。无线通信方式容易受到外界电磁信号 的干扰，可靠性不高。角度测量仪对接收线圈的位置只能实现离线测量，具有一 定的局限性。为此，针对多维WPT系统接收线圈位置的预测方法还需进一步研 究与完善。
发明内容
为了解决上述技术问题，本发明提供一种多维WPT系统的接收线圈位置预 测方法。
本发明解决上述问题的技术方案是：一种多维WPT系统的接收线圈位置预 测方法，所述机器学习建模方法包括：步骤S1，将角度视为位置预测信息；获 取多维无线电能传输系统原始数据，对原始数据进行数据预处理；步骤S2，对 预处理后的数据信息分析，确定多维WPT系统角度预测模型的输入特征，所述 输入特征包括系统的环境特征和状态特征；步骤S3，特征向量归一化；步骤S4， 对所述数据预处理后的离散数据进行平滑处理，并随机抽取平滑处理后样本数 据的70％作为训练样本，余下总样本的30％作为测试样本；步骤S5，判断预测 结果是否满足精度要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测。
上述多维WPT系统的接收线圈位置预测方法，所述机器学习方法包括：朴 素贝叶斯算法，BP神经网络算法，支持向量机(SVM)算法等。
上述多维WPT系统的接收线圈位置预测方法，所述对原始数据进行数据预 处理的步骤，包括：在不同传输距离和角度区域工况下，在线获取系统传输效率、 输入电流等数据，获取并评估样本数据，构建样本集合，对所述多维无线电能传 输系统原始数据进行数据清洗，清除所述系统原始数据中的数据缺失值，得到符 合要求的状态数据和环境数据。
上述多维WPT系统的接收线圈位置预测方法，所述对数据预处理后的原始 数据确定系统角度预测模型输入特征的步骤，包括通过分析系统传输效率的影 响因素，确定在二维WPT系统将接收线圈与发射线圈距离、传输效率和电流大 小I1和I2作为输入特征属性，并将上述输入特征作为预测因子，接收线圈位置信 息(角度)作为响应因子。在三维WPT系统将接收线圈与发射线圈距离、传输 效率和电流大小I1，I2和I3为输入特征属性，并将上述输入特征作为预测因子， 接收线圈位置作为响应因子。
上述多维WPT系统的接收线圈位置预测方法，所述特征向量归一化的步骤， 包括：对相同的特征(每个特征向量分别归一化)进行排序，然后根据特征的最 大值和最小值重新计算特征值，实现多维无线电能传输系统输入特征的依次对 应。
上述多维WPT系统的接收线圈位置预测方法，所述离散数据平滑处理，并 随机抽取训练样本和测试样本的步骤，包括：对原始数据预处理后的离散数据进 行平滑处理。同时随机抽取平滑处理后样本数据的70％作为训练样本，余下样 本的30％作为测试样本，对收集到的特征样本进行处理，并构建多维无线输电 系统位置预测模型，同时通过测试样本对训练样本进行训练，得到训练后的多维 正交发射线圈无线输电系统位置预测模型。
二维WPT系统位置预测模型如下：
其中，距离D，电流I1，电流I2和效率η作为模型的输入特征，角度
作为模 型单独的输出值，Mij是输入层到隐含层的权重系数，zi是隐含层的输入向量，ai是隐含层的输出向量，Ai是隐含层到输出层的权重系数。
三维WPT系统位置预测模型如下：
其中，距离D，电流I1，电流I2，电流I3和效率η作为模型的输入特征，角度
和角度θ0作为模型单独的输出值，Mij是输入层到隐含层的权重系数，zi是隐含 层的输入向量，ai是隐含层的输出向量，Ai是隐含层到输出层的权重系数
本发明创造性的设计了一种基于机器学习的多维无线电能传输系统的接收 线圈位置预测方法，使其系统能够自动预测接收线圈位置变化，并详细介绍了一 种基于机器学习的多维无线电能传输系统数据预处理方法和输入特征选择方法， 该方法能够有效减少定位误差以及计算复杂度，精确输出接收线圈位置信息。
附图说明
图1为本发明方法的系统建模主要步骤流程示意图；
图2为本发明的线圈结构示意图；
图3为本发明的多维WPT系统的接收线圈位置预测结构图；
图4为本发明的系统装置等效电路示意图；
图5为二维WPT系统中本发明预测结果与实际对比示意图。
图6为三维WPT系统中本发明预测结果与实际测量对比示意图。
具体实施方式
本专利以基于BP神经网络算法的多维无线电能传输系统磁场角度预测方 法为例，下面结合附图和实施例对本发明作进一步的说明。
如图1所示，步骤S1，将角度视为位置预测信息；获取多维无线电能传输 系统原始数据，对原始数据进行数据预处理；步骤S2，对预处理后的数据信息 分析，确定多维WPT系统角度预测模型的输入特征，所述输入特征包括系统的 环境特征和状态特征；步骤S3，特征向量归一化；步骤S4，对所述数据预处理 后的离散数据进行平滑处理，并随机抽取平滑处理后样本数据的70％作为训练 样本，余下总样本的30％作为测试样本；步骤S5，判断预测结果是否满足精度 要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维 WPT系统角度预测模型的输入数据，实现对角度的精确预测。
如图2所示，多维无线电能传输系统是由两个或者三个正交的发射线圈构 成，接收线圈与发射线圈结构距离为D。
对原始数据进行数据预处理的方法包括：在不同传输距离和角度区域工况 下，在线获取系统传输效率、输入电流等数据，获取并评估样本数据，构建样本 集合，对所述多维无线电能传输系统原始数据进行数据清洗，清除所述系统原始 数据中的数据缺失值，得到符合要求的状态数据和环境数据。
上述对数据预处理后的原始数据确定磁场角度预测模型输入特征的建模方 法包括：通过分析系统传输效率的影响因素，确定在二维WPT系统将接收线圈 与发射线圈距离、传输效率和电流大小I1和I2作为输入特征属性，并将上述输入 特征作为预测因子，接收线圈位置信息(角度)作为响应因子。在三维WPT系 统将接收线圈与发射线圈距离、传输效率和电流大小I1，I2和I3为输入特征属 性，并将上述输入特征作为预测因子，接收线圈位置(角度)作为响应因子。
上述特征向量归一化的步骤包括：对相同的特征(每个特征向量分别归一化) 进行排序，然后根据特征的最大值和最小值重新计算特征值，并实现多维无线电 能传输系统输入特征的依次对应。
上述离散数据平滑处理，并随机抽取训练样本和测试样本的步骤包括：对原 始数据预处理后的离散数据进行平滑处理。
如图3所示，上述多维WPT系统的接收线圈位置预测结构图包括：
如图3(a)在二维WPT系统中，输入层接收发射线圈电流I1，I2，接收线 圈与正交发射线圈正中心的距离D和系统的传输效率η，输出层输出系统的角 度
激活后的函数通过隐含层将前一神经元的数据传递到下一层神经元，同 时，BP神经网络包括输出接收线圈预测结果的前向传播和对预测结果进行反馈 调整的误差反向传播两种方式。
其中，距离D，电流I1，电流I2和效率η作为模型的输入特征，角度
作 为模型单独的输出值，Mij是输入层到隐含层的权重系数，zi是隐含层的输入向 量，ai是隐含层的输出向量，Ai是隐含层到输出层的权重系数，即用数学函数关 系表示：
如图3(b)在三维WPT系统中，输入层接收发射线圈电流电流I1，电流I2， 电流I3,三维正交发射线圈正中心的距离D和系统的传输效率η，输出层输出角 度
和角度θ0，激活函数激活后，隐含层将前一神经元的数据传递到下一层神 经元.
三维系统有五个目标输入同时存在两个目标输出，3D-WPT系统建模是将 距离D，电流I1，电流I2，电流I3和效率η作为模型的输入特征，角度
和角 度θ0作为模型的预测输出值，其中Mij(i＝1,2,3,4；j＝1,2,3,4)和Aij(i＝1,2,3,4；j＝1,2,3,4) 分别是输入层到隐含层的权重系数和隐含层到输出层的权重系数，zi是隐含层的 输入向量，ai是隐含层的输出向量，即用数学函数关系表示：
如图4所示多维WPT系统预测控制等效电路，图4(a)为二维WPT系统预 测控制等效电路，两个发射线圈分别由两个相同频率独立的交流电流源u1和u2供电，其中I1，I2，I3分别是三个回路的电流，RS1，RS2分别是两个发射电源的内 阻，R1，R2，R3分别是相应线圈的内阻，L1，L2，L3分别是相应线圈的电感，C1， C2，C3分别是相应线圈的电容，M12，M13，M23分别是三个线圈的互感，RLoad是 接收回路的负载
图4(b)为三维无线输电系统预测控制等效电路，其中三个发射线圈分别 由三个相同频率独立的交流电流源u1、u2与u3,供电，I1，I2，I3分别是三个发射 回路的电流，RS1，RS2，RS3分别是三个发射电源的内阻，R1，R2，R3分别是发射 线圈的内阻，I4是接收回路的回路电流，R4是发接收线圈的内阻，L1，L2，L3和 L4分别是相应线圈的电感，C1，C2，C3和C4分别是相应线圈的电容，M14，M24和M34分别是线圈间的互感。
本发明提出的基于机器学习的多维无线电能传输系统磁场角度预测方法， 在仿真和实验上通过验证，实验参数如下：直流电源为20V，系统工作频率为 200kHz，负载为15Ω，副边补偿电容为12.77nf，副边自感为49.58uH，副边线 圈内阻为0.05Ω，原边双发射线圈自感分别为49.6uH、46.3uH原边双发射线 圈补偿电容分别为12.77nf、13.67nf，原边双发射线圈内阻分别为0.05Ω、0.05Ω。
如图5和图6所示，图5为二维WPT系统中本发明预测结果与实际对比示 意图。图5(a)、(b)、(c)、(d)、(e)分别是基于BP神经网络算法，朴素 贝叶斯算法与公式预测在D＝200mm、D＝250mm、D＝300mm、D＝350mm、 D＝400mm工况下的实际角度和预测角度对比。图5(f)为D＝450mm时BP神 经网络算法的泛化预测能力。图6为三维WPT系统中本发明预测结果与实际测 量对比示意图。图6(a)、(b)、(c)、(d)、(e)分别是基于BP神经网络算 法，朴素贝叶斯算法与公式预测在D＝200mm、D＝250mm、D＝300mm、D＝350mm、 D＝400mm工况下的实际角度和预测角度对比。图6(f)为D＝450mm时BP神 经网络算法的泛化预测能力。可以看出BP神经网络算法更接近理论最佳曲线， 朴素贝叶斯算法预测准确率与上述两种算法相比，效果较差，但也优于目前普遍 使用的公式预测，因此机器学习应用于多维无线电能传输系统磁场角度预测得 到较好效果。以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的 实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范 围内。
Claims (6)
1.多维WPT系统的接收线圈位置预测方法，其特征在于：本发明提供一种多维WPT系统的接收线圈位置预测方法。所述位置预测方法包括步骤S1，将角度视为位置预测信息；获取多维无线电能传输系统原始数据，对原始数据进行数据预处理；步骤S2，对预处理后的数据信息分析，确定多维WPT系统角度预测模型的输入特征，所述输入特征包括系统的环境特征和状态特征；步骤S3，特征向量归一化；步骤S4，对所述数据预处理后的离散数据进行平滑处理，并随机抽取平滑处理后样本数据的70％作为训练样本，余下总样本的30％作为测试样本；步骤S5，判断预测结果是否满足精度要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测。
2.一种如权利要求1所述的位置预测方法，其特征在于，所述对原始数据进行数据预处理的步骤，包括：在不同传输距离和角度区域工况下，在线获取系统传输效率、输入电流等数据，获取并评估样本数据，构建样本集合，对所述多维无线电能传输系统原始数据进行数据清洗，清除所述系统原始数据中的数据缺失值，得到符合要求的状态数据和环境数据。
3.一种如权利要求1所述的位置预测方法，其特征在于，所述预处理后的数据信息分析，确定系统角度预测模型输入特征的步骤，包括：通过分析系统传输效率的影响因素，确定在二维WPT系统将接收线圈与发射线圈距离、传输效率和电流大小I1和I2作为输入特征属性，并将上述输入特征作为预测因子，接收线圈位置信息(角度)作为响应因子。在三维WPT系统将接收线圈与发射线圈距离、传输效率和电流大小I1，I2和I3为输入特征属性，并将上述输入特征作为预测因子，接收线圈位置(角度)作为响应因子。
4.一种如权利要求1所述的位置预测方法，其特征在于，所述特征向量归一化的步骤，包括：对相同的特征(每个特征向量分别归一化)进行排序，然后根据特征的最大值和最小值重新计算特征值，实现多维无线电能传输系统输入特征的依次对应。
5.一种如权利要求1所述的位置预测方法，其特征在于，所述对离散数据平滑处理并随机抽取训练样本和测试样本的步骤，包括：对原始数据预处理后的离散数据采用拉普拉斯平滑；其中随机抽取平滑处理后样本数据的70％作为训练样本，余下总样本的30％作为测试样本并测试系统是否达到精度要求。
6.一种如权利要求1所述的位置预测方法，其特征在于，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测的步骤，包括：在线获取接收线圈位置模型的输入特征，利用构建好的位置预测模型，实现对角度的精确预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010775927.8A CN112163390A (zh) | 2020-08-05 | 2020-08-05 | 多维wpt系统的接收线圈位置预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010775927.8A CN112163390A (zh) | 2020-08-05 | 2020-08-05 | 多维wpt系统的接收线圈位置预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112163390A true CN112163390A (zh) | 2021-01-01 |
Family
ID=73859844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010775927.8A Pending CN112163390A (zh) | 2020-08-05 | 2020-08-05 | 多维wpt系统的接收线圈位置预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163390A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140167704A1 (en) * | 2012-12-18 | 2014-06-19 | Nucleus Scientific Inc. | Nonlinear system identification for object detection in a wireless power transfer system |
| US20190381891A1 (en) * | 2018-06-19 | 2019-12-19 | Cisco Technology, Inc. | Precision coil alignment techniques for vehicle wireless power transfer |
-
2020
- 2020-08-05 CN CN202010775927.8A patent/CN112163390A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140167704A1 (en) * | 2012-12-18 | 2014-06-19 | Nucleus Scientific Inc. | Nonlinear system identification for object detection in a wireless power transfer system |
| US20190381891A1 (en) * | 2018-06-19 | 2019-12-19 | Cisco Technology, Inc. | Precision coil alignment techniques for vehicle wireless power transfer |
Non-Patent Citations (4)
| Title |
|---|
| LIAN TONGLI, XIE MINXIANG, XU JIREN, CHEN LING, GAO HUAIHUI: "Modified BP Neural Network Model is Used for Odd-even Discrimination of Integer Number", 《2013 INTERNATIONAL CONFERENCE ON OPTOELECTRONICS AND MICROELECTRONICS (ICOM)》 * |
| SOYEON JEONG，JO BITO，MANOS M. TENTZERIS: "Design of a novel wireless power system using machine learning techniques for drone applications", 《2017 IEEE WIRELESS POWER TRANSFER CONFERENCE (WPTC)》 * |
| TIANHAO BAI，BINGQING MEI，LONG ZHAO，XIAODONG WANG: "Machine Learning-Assisted Wireless Power Transfer Based on Magnetic Resonance", 《IEEE ACCESS ( VOLUME: 7)》 * |
| YANG LI，WEIHAO DONG AND ETC,.: "An Automatic Impedance Matching Method Based on the Feedforward-Backpropagation Neural Network for a WPT System", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108337919B (zh) | 用于标识无线充电系统中的线圈未对准/互耦的快速方法 | |
| EP0148245B1 (en) | Method and system to measure geometric and electromagnetic characteristics of objects | |
| CN112507915A (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及系统 | |
| CN110174255B (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
| KR20130030585A (ko) | 부분방전 결함유형 판정 방법 및 그 장치 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN113705809A (zh) | 一种数据预测模型训练方法、工业指标预测方法和装置 | |
| CN111786476A (zh) | 一种无线电能传输系统的接收线圈位置预测方法 | |
| CN112163390A (zh) | 多维wpt系统的接收线圈位置预测方法 | |
| CN112529328B (zh) | 一种产品性能预测方法及系统 | |
| CN112333652B (zh) | Wlan室内定位方法、装置及电子设备 | |
| CN117471565A (zh) | 一种智能机器人水下检测方法、系统及介质 | |
| Kim et al. | Design of a spiral coil for high-frequency wireless power transfer systems using machine learning | |
| CN115051474A (zh) | 一种配电网线路开关状态识别方法及系统 | |
| CN113128158A (zh) | 一种无线电能传输系统的耦合系数辨识方法 | |
| CN109803234A (zh) | 基于权值重要度约束的无监督融合定位方法 | |
| JP2020051921A (ja) | 測位システムおよび測位装置 | |
| CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
| CN113780573A (zh) | 一种抗噪的高精度测距方法及装置 | |
| CN114268919B (zh) | 一种基于加权k近邻的信道状态信息指纹定位方法 | |
| Hacib et al. | Ridge polynomial neural network for non-destructive eddy current evaluation | |
| CN117291874B (zh) | 用于铜公测量的自动分中方法及其系统 | |
| CN115713158B (zh) | 配电网稳定性预测方法、装置、设备及存储介质 | |
| Song et al. | A Flexible Foreign Object Detection Method Based on Arrayed Vertical-Decoupled Coils for Wireless Power Transfer Systems |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |
|
| RJ01 | Rejection of invention patent application after publication |