CN113128158A - 一种无线电能传输系统的耦合系数辨识方法 - Google Patents

一种无线电能传输系统的耦合系数辨识方法 Download PDF

Info

Publication number
CN113128158A
CN113128158A CN202110489415.XA CN202110489415A CN113128158A CN 113128158 A CN113128158 A CN 113128158A CN 202110489415 A CN202110489415 A CN 202110489415A CN 113128158 A CN113128158 A CN 113128158A
Authority
CN
China
Prior art keywords
coupling coefficient
data
sample data
identification model
identification
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
Application number
CN202110489415.XA
Other languages
English (en)
Inventor
谭平安
张豪
宋彬
曹博
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.)
Xiangtan University
Original Assignee
Xiangtan 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 Xiangtan University filed Critical Xiangtan University
Priority to CN202110489415.XA priority Critical patent/CN113128158A/zh
Publication of CN113128158A publication Critical patent/CN113128158A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • 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

Abstract

本发明提供一种无线电能传输系统的耦合系数辨识方法。该参数辨识方法包括：步骤S1，将线圈耦合系数视为待辨识信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，进而得到系统的样本数据；步骤S2，分析样本数据信息特征，确定辨识模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化数据；步骤S4，判断辨识结果是否满足精度要求，若不满足则返回S3,若满足则进行S5；步骤S5，在线检测耦合系数辨识模型的输入因子，实现耦合系数的精确辨识。

Description

一种无线电能传输系统的耦合系数辨识方法
技术领域
本发明涉及无线电能传输领域，具体涉及一种无线电能传输系统的耦合系数辨识预测方法。
背景技术
在无线电能传输系统中，由于线圈相对位置的不确定性而引起的耦合系数随机波动将会降低系统的传输效率和功率，因此耦合系数的实时辨识成为了无线输电系统亟需解决的问题。传统的耦合系数辨识方法需获取WPT系统原边侧阻抗角信息或由优化算法通过迭代过程来辨识参数。然而，阻抗角的获取依赖于高精度的采样设备，优化算法冗长的迭代过程会带来耗时问题。为此，针对无线电能传输系统耦合系数辨识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，本发明提供了一种无线电能传输系统耦合系数的辨识方法。
一种无线电能传输系统耦合系数辨识方法，包括以下步骤：步骤S1，将线圈耦合系数视为待辨识信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，进而得到系统的样本数据；步骤S2，分析样本数据信息特征，确定辨识模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化数据；步骤S4，判断辨识结果是否满足精度要求，若不满足则返回S3,若满足则进行S5；步骤S5，在线检测耦合系数辨识模型的输入因子，实现耦合系数的精确辨识。
上述无线电能传输系统的耦合系数辨识方法，所述辨识方法包括了支持向量回归机(SVR)，BP神经网络、RBF神经网络等。
上述无线电能传输系统的耦合系数辨识方法，所述获取无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据，包括在线圈不同传输距离和水平偏移工况下，在线获取系统一次侧输出电压、输入电流等数据，对数据进行筛选和特征提出，筛选出系统需要的数据信息，建立样本数据。
Data＝{(x1,k1),…,(xi,ki),i＝1,2,3…n} (1)
Figure BDA0003051625320000021
其中，xi＝(Vsi，Ipi)表示第i组的输入电压Vs、输入电流ip状态参数，ki表示第i组样本的耦合系数信息。
上述无线电能传输系统的耦合系数辨识方法，所述分析样本数据信息特征，以系统耦合系数作为标签，确定WPT系统辨识模型的输入因子，包括对样本数据进行提取并通过分析耦合系数变化对各测量数据的影响，最终确定将输入电压Vs、输入电流ip作为耦合系数辨识模型的输入因子，基于机器学习算法构建耦合系数辨识模型：
Figure BDA0003051625320000022
其中，b为耦合系数辨识的偏差值，ai *与ai为拉格朗日乘子，κ(x,xi)表示位置预测y的训练函数，采用是径向核函数：
κ(xi，x)＝exp(-g||xi-x||2) (4)
其中，g为自定义常数。
上述无线电能传输系统的耦合系数辨识方法，所述判断辨识结果是否满足精度要求，包括以下：随机选取部分样本数据的70％作为训练样本，30％作为测试样本，剩余的数据作为泛化验证的数据。分别将训练样本、测试样本和泛化样本输入至机器学习算法中用于模型的训练、测试以及泛化验证。若模型的辨识精度达到预定精度要求，则进行下一步泛化能力的验证。若模型泛化精度达到预设精度要求，则无线电能传输系统耦合系数辨识模型构建完成。
上述无线电能传输系统的耦合系数辨识方法，所述在线检测耦合系数辨识模型的输入因子，实现对耦合系数的精确预测。包括：在线监测耦合系数辨识模型的输入因子(输入电压Vs、输入电流ip)，利用构建好的耦合系数辨识模型，实现WPT系统的耦合系数辨识。
本发明创造性的设计了一种基于机器学习的无线电能传输系统的耦合系数辨识方法，使系统能够实时在线的辨识WPT系统耦合系数，并详细介绍了一种基于机器学习的无线电能传输系统数据输入因子选择方法，该方法能够有效减少耦合系数预测误差以及计算复杂度，并精确计算出线圈耦合系数。
附图说明
图1为本发明方法的主要步骤流程示意图；
图2为本发明的系统电路图；
图3为本发明耦合系数辨识值与实际测量值对比图。
具体实施方式
本专利以无线电能传输系统耦合系数辨识方法为例，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，一种无线电能传输系统耦合系数辨识方法，包括以下步骤：步骤S1，将线圈耦合系数视为待辨识信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，进而得到系统的样本数据；步骤S2，分析样本数据信息特征，确定辨识模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化数据；步骤S4，判断辨识结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线检测耦合系数辨识模型的输入因子，实现耦合系数的精确辨识。
步骤一：WPT系统样本库的建立
如图2所示，串串型无线电能传输系统电路图，包括直流电压源、逆变模块、发射端补偿电容、发射线圈、接收线圈、耦合机构开关组、接收端补偿电容、整流模块、负载。
在线测量系统位于不同传输距离以及水平偏移工况下原边侧输入电压、电流等数据，对数据进行筛选和特征提取，筛选出系统所需的有效状态数据和环境数据，建立WPT系统样本数据库：
Data＝{(x1，k1)，(x2，k2)…(xi，ki)}，i＝1，2，3…n (5)
其中，xi＝(Vsi，ipi)表示第i组样本数据的输入电压Vsi、输入电流ipi，ki表示第i组样本的耦合系数，上述输入样本数据可进一步表示为：
Figure BDA0003051625320000051
步骤二：辨识模型结构参数确定与训练数据划分
选择步骤一中系统传输距离D＝10cm样本数据，通过分析耦合系数变化对各测量数据的影响，确定原边侧输入电压Vs、原边电流ip作为耦合系数辨识模型的输入因子，将WPT系统耦合系数k作为辨识模型的标签，对样本进行划分，将样本数据集中70％作为训练数据，30％作为测试数据。将传输距离D＝15cm以及D＝20cm时线圈水平偏移的样本数据作为泛化数据，为下一步模型构建以及泛化验证提供基础。
步骤三：构建耦合系数辨识模型
建立辨识模型的非线性回归方程，并通过SVR算法将步骤一中得到的样本数据(xi,ki)代入非线性回归方程，训练辨识模型。所述非线性回归方程为：
y＝f(Vs,ip)＝wTκ(xi,xj)+b (7)
其中，b为辨识模型k的偏差，wT为辨识模型的法向量。式中κ(xi,xj)为核函数，采用的是径向基核函数：
κ(xi,xj)＝exp(-g||xi-xj||2) (8)
其中，g为自定义常数。
通过训练数据计算出SVR算法中待确定参数，最终得到基于SVR算法构建的非线性耦合系数辨识模型为：
Figure BDA0003051625320000061
其中，ai与ai *为拉格朗日乘子，ai与ai *均为大于0的数。
步骤四：耦合系数在线辨识
在系统传输距离D＝10cm，线圈发生水平偏移时，在线获取输入电压Vs、原边电流i两个输入因子，根据辨识模型在线辨识耦合系数信息如图3(a)所示，图3(b)为D＝15cm与20cm时，验证模型泛化能力的预测结果。其中，耦合系数辨识模型的误差范围为-0.3％至0.2％，辨识模型的泛化误差范围为-2％至-0.4％，满足实验精度要求。
本发明创造性的设计了一种基于机器学习的无线电能传输系统耦合系数辨识方法，并仿真验证了上述方法的有效性。系统参数如下：直流电源为20V，系统工作频率为85kHz，负载为20Ω，副边补偿电容为15.7nf，副边自感为239uH，副边线圈内阻为0.4Ω，原边发射线圈自感为239uH，原边发射线圈补偿电容为15.4nf，原边发射线圈的内阻为0.4Ω。由图3辨识结果可知，耦合系数最大辨识误差在2％以内，因此机器学习应用于无线电能传输系统耦合系数辨识得到较好效果。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 (5)

1.一种无线电能传输系统的耦合系数辨识方法，其特征在于，所述方法包括：步骤S1，将线圈耦合系数视为待辨识信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，进而得到系统的样本数据；步骤S2，分析样本数据信息特征，确定辨识模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化数据；步骤S4，判断辨识结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线检测耦合系数辨识模型的输入因子，实现耦合系数的精确辨识。
2.根据权利要求1所述的耦合系数辨识方法，其特征在于，所述步骤1中，获取无线电能传输系统的原始数据，对原始数据进行预处理，进而得到系统样本数据的具体过程包括：在线圈不同传输距离和水平偏移工况下，在线获取系统一次侧输出电压、输入电流等数据，并对所采集的系统数据进行筛选和特征提取，筛选出系统需要的数据信息，建立样本数据；
Data＝{(x1,k1),…,(xi,ki),i＝1,2,3…n} (1)
Figure FDA0003051625310000011
其中，xi＝(Vsi，Ipi)表示第i组的输入电压Vs、输入电流ip状态参数，ki表示第i组样本的耦合系数信息。
3.根据权利要求1所述的耦合系数辨识方法，其特征在于，所述步骤2中，分析样本数据信息特征，确定辨识模型的输入因子与标签的具体过程包括：通过对样本数据进行采样并分析各参数与耦合系数之间的关联程度，最终确定将输入电压Vs、输入电流ip作为耦合系数辨识模型的输入因子，将线圈耦合系数k作为辨识模型的标签。然后，基于机器学习算法构建耦合系数辨识模型。
4.根据权利要求1所述的耦合系数辨识方法，其特征在于，所述步骤4中，判断辨识结果是否满足精度要求的具体过程包括：选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化数据。检测耦合系数辨识结果是否满足预设精度要求，若能满足要求，则表示耦合系数辨识模型构建成功。
5.根据权利要求1所述的耦合系数辨识方法，其特征在于，所述步骤5中，在线检测耦合系数辨识模型的输入因子，实现对耦合系数的精确辨识的具体过程包括：在线获取耦合系数辨识模型的输入因子(输入电压Vs、输入电流ip)，利用构建好的辨识模型完成系统耦合系数的精确辨识。
CN202110489415.XA 2021-05-06 2021-05-06 一种无线电能传输系统的耦合系数辨识方法 Pending CN113128158A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110489415.XA CN113128158A (zh) 2021-05-06 2021-05-06 一种无线电能传输系统的耦合系数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110489415.XA CN113128158A (zh) 2021-05-06 2021-05-06 一种无线电能传输系统的耦合系数辨识方法

Publications (1)

Publication Number Publication Date
CN113128158A true CN113128158A (zh) 2021-07-16

Family

ID=76781513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110489415.XA Pending CN113128158A (zh) 2021-05-06 2021-05-06 一种无线电能传输系统的耦合系数辨识方法

Country Status (1)

Country Link
CN (1) CN113128158A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687237A (zh) * 2021-08-20 2021-11-23 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108471172A (zh) * 2018-04-23 2018-08-31 哈尔滨工业大学 通用型无线电能传输系统耦合机构的耦合系数辨识方法
CN111786476A (zh) * 2020-08-05 2020-10-16 湘潭大学 一种无线电能传输系统的接收线圈位置预测方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108471172A (zh) * 2018-04-23 2018-08-31 哈尔滨工业大学 通用型无线电能传输系统耦合机构的耦合系数辨识方法
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
CN111786476A (zh) * 2020-08-05 2020-10-16 湘潭大学 一种无线电能传输系统的接收线圈位置预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113687237A (zh) * 2021-08-20 2021-11-23 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法
CN113687237B (zh) * 2021-08-20 2024-04-05 浙江科技学院 一种保障电气安全的锂电池剩余充电时间预测方法

Similar Documents

Publication Publication Date Title
US11624731B2 (en) Method for predicting remaining life of numerical control machine tool
US20220196760A1 (en) Transformer fault diagnosis method and system using induced ordered weighted evidence reasoning
CN109829497B (zh) 一种基于监督学习的台区用户识别及判别方法
CN112508105B (zh) 一种采油机故障检测与检索方法
KR102181966B1 (ko) 유압실린더 종합 테스트 스테이션에 대한 소프트 측량방법 및 시스템
CN108009740B (zh) 一种烟用香精香料智能化精细识别系统及方法
CN113128158A (zh) 一种无线电能传输系统的耦合系数辨识方法
CN115824993A (zh) 水体化学需氧量的确定方法、装置、计算机设备及介质
CN111753877A (zh) 一种基于深度神经网络迁移学习的产品质量检测方法
CN111786476A (zh) 一种无线电能传输系统的接收线圈位置预测方法
CN116990229B (zh) 一种产品镀铜层表面的缺陷检测方法及系统
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN112906672A (zh) 钢轨缺陷识别方法及系统
CN112579670A (zh) 一种精细油藏分布的勘察数据分析方法及系统
CN112069621A (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
Saji et al. An Efficient Method to Localize and Quantify Axial Displacement in Transformer Winding Using Support Vector Machines
CN115587975B (zh) 充油设备套管积污缺陷诊断系统、方法和介质
CN116109080B (zh) 一种基于bim与ar的建筑综合管理平台
CN113945253B (zh) 一种轨道交通轨行区的水位测量方法
CN117172139B (zh) 通信用铜包铝合金电缆的性能测试方法及系统
CN113052249B (zh) 基于支持向量机和电流偏差系数的变压器绕组故障类型识别方法
CN116679172B (zh) 一种电力现场局部放电源可视化检测系统及方法
Kumar et al. A Comparative Analysis of Different Machine Learning Algorithms for Classification of Partial Discharge Signals under HVDC
Haralick Performance evaluation of document image algorithms
CN117589109A (zh) 石英中心托盘制作工艺的质量检测与控制方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210716