CN113437810A - 一种基于ga-bp算法的wpt系统阻抗匹配方法 - Google Patents
一种基于ga-bp算法的wpt系统阻抗匹配方法 Download PDFInfo
- Publication number
- CN113437810A CN113437810A CN202110880717.XA CN202110880717A CN113437810A CN 113437810 A CN113437810 A CN 113437810A CN 202110880717 A CN202110880717 A CN 202110880717A CN 113437810 A CN113437810 A CN 113437810A
- Authority
- CN
- China
- Prior art keywords
- value
- network
- impedance matching
- algorithm
- wpt system
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- H02J50/80—Circuit arrangements or systems for wireless supply or distribution of electric power involving the exchange of data, concerning supply or distribution of electric power, between transmitting devices and receiving devices
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本发明公开了一种基于GA‑BP算法的WPT系统阻抗匹配方法,包括如下步骤:发射端和接收端之建立通信,发射端控制器将初始化命令发送到接收端,并将初始设定值传送至接收端,并引入匹配因子XC;发射端控制器结合系统当前XC、整流负载等效输入电阻Ra、交流电源电压u1、电流i1,实时计算耦合系数值k,并结合公式确定最优负载阻抗Ro‑Opt的值;将k和Ro‑Opt传送到接收端控制器,通过Ra、整流负载等效输入电抗Xa的检测,结合公式确定最佳匹配因子XC值;接收端控制器运用GA‑BP神经网络调节PCA网络,实现对阻抗匹配网络中电容Cb1,Cb2,Cb3的调节,以确保WPT系统时刻保持最大传输效率工作。
Description
技术领域
本发明涉及无线充电系统技术领域,具体涉及一种基于GA-BP算法的WPT系统阻抗匹配方法。
背景技术
本发明专利探讨了磁耦合谐振式无线电能传输系统(Magnetically-CoupledResonant Wireless Power Transfer,MCR-WPT)保持较高传输效率的关键因素—阻抗匹配问题。为了保证WPT系统保持最高的传输效率,需将等效负载调节为最优负载,其中在WPT系统的接收端增设无源或有源阻抗匹配网络是一种较常用的方法。针对无线电能传输(Wireless power transfer,WPT)系统最大效率跟踪下的阻抗匹配问题,通过引入匹配因子和可编程电容阵列(Programmable capacitor array,PCA),同时结合遗传算法加反向传播(Genetic algorithm-back propagation,GA-BP)神经网络的控制策略,设计了CLCC型阻抗匹配网络。该匹配网络有效地消除整流性负载的非线性,以确保系统等效电路始终保持纯组态。
传统的阻抗匹配有多种方式,包括一阶LC的串或并联式、LCL补偿网络、LCL网络和CLC补偿网络等,但WPT系统仅仅引入LC匹配电路,因电路设计参数的偏差往往无法及时消除整流桥电路的非线性。为解决此问题,现有技术中提出了一种Buck-Boost电路工作在CCM和DCM模式下的阻抗匹配控制方法,有效地扩展了阻抗匹配范围,并实现了较高效率的跟踪控制。现有技术中在电路中引入电容式继电器阵列来实现阻抗匹配,但由于继电器尺寸大、匹配分辨率低等原因,调节范围受到限制。当负载电阻超过阻抗匹配范围时会导致最大效率跟踪控制失效。因此,需要新的方法来扩展WPT系统的阻抗匹配范围,以保持在大负载和磁耦合系数变化下的最大效率跟踪。近些年,学者们已将各种智能算法嵌入到WPT系统的等效阻抗匹配控制中,并取得了较好的控制效果,如:粒子群算法、神经网络、模糊推理算法以及遗传算法等。
发明内容
针对上述存在的技术不足,本发明利用等效电路模型推导出最优负载条件,针对整流性负载阻抗非线性导致阻抗匹配精确度降低的问题,通过引入匹配因子和可编程电容阵列(PCA),同时结合遗传算法加反向传播(GA-BP)神经网络的控制策略,设计CLCC型网络以实现高精度、宽范围的阻抗匹配,从而确保WPT系统始终跟踪最大传输效率点。该方法阻抗匹配范围宽、精度高、速度快,对WPT系统的传输效率优化及应用具有较高参考价值。
为解决上述技术问题,本发明采用如下技术方案:
本发明提供一种基于GA-BP算法的WPT系统阻抗匹配方法,包括如下步骤:
发射端和接收端之建立通信,发射端控制器将初始化命令发送到接收端,并将初始设定值传送至接收端,并引入匹配因子XC;
发射端控制器结合系统当前XC、整流负载等效输入电阻Ra、交流电源电压u1、电流i1,实时计算耦合系数值k,并结合式(7)确定最优负载阻抗Ro-Opt的值;
式中,R为谐振线圈等效的串联电阻值,ω0为交流电源电压u1具有的角频率,L1为谐振线圈中发射线圈电感,L2为谐振线圈中接收线圈电感;
将k和Ro-Opt传送到接收端控制器,通过Ra、整流负载等效输入电抗Xa的检测,结合式(9)确定最佳匹配因子XC值;
式中,Zb为阻抗匹配网络的等效输入阻抗,Rb为阻抗匹配网络等效输入电阻,j表示虚部部分,Xb为阻抗匹配网络等效输入电抗;
接收端控制器运用GA-BP神经网络调节PCA网络,实现对阻抗匹配网络中电容Cb1,Cb2,Cb3的调节,以确保WPT系统时刻保持最大传输效率工作;
其中,电容Cb1,Cb2,Cb3由公式(10)获得;
Lb为固定值电感。
优选地,接收端控制器运用GA-BP神经网络调节PCA网络的方法具体如下:
S1:确定网络拓扑结构、编码及生成初始种群;
S2:确定目标函数和适应度函数,选用一次BP训练后,误差均方值E作为遗传算法的目标函数,选用均方差误差的倒数作为适应度函数;
设每条染色体适应度函数为:
S3:执行遗传算法,首先根据个体适应度值的大小,采用轮盘赌法计算个体的选择概率进行选择操作;其次采用单点方式进行交叉操作;最后选择均匀变异的方式执行变异操作;
S4:根据适应度函数判断当前种群是否满足停止条件,若不满足,则从原种群中适应度较高的一部分染色体跟一部分由父代繁殖出的子代染色体组成新种群,重复进行步骤S2和步骤S3,直至满足停止条件,得到最优初始权值和阈值;
S5:BP神经网络计算;
S6:输出匹配电容值,根据网络训练要求,输出最佳阻抗匹配电容值s1、s2和s3,并转化为数字控制信号D0-D11来调整PCA网络,阻抗匹配网络中电容Cb1,Cb2,Cb3分别具有一个PCA网络,通过这种调整以实现最大传输效率下的阻抗匹配状态。
优选地,在步骤S1中,选用三层BP神经网络的拓扑结构为2—4—3,网络的输入层的神经元为2,隐含层的神经元为4,输出层的神经元为3。
优选地,在步骤S5中,选定网络的最大训练次数为100,学习速率为λ=0.01;训练目标精度为0.001。
优选地,在步骤S6中,每个PCA包括12个可编程电容C0-C11,单位电容值为50pF,C0-C11的值为单位电容值的1、2、4、8、16……1024、2048倍,D0-D11为微处理器的GPIO控制位,通过D0-D11的控制,CX1和CX2之间的电容CX=D0C0+D1C1+…+d11C11,CX总值可以从0nF调整到204.8nF,调整精度为50pF,其中,Cb1,Cb2,Cb3均具有一个CX的对应值。
本发明的有益效果在于:
本发明针对WPT系统在实际应用中因线圈间距、负载阻抗等因素的改变,所引起系统阻抗不匹配而降低传输效率的问题,设计了CLCC匹配网络,利用GA-BP算法实时估计电容值,同时引入PCA电路实现系统等效阻抗的宽范围、高精度实时匹配,从而保证系统始终工作于最大效率点。该方法阻抗匹配范围宽、精度高、速度快,对WPT系统的传输效率优化及应用具有较高参考价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于GA-BP阻抗匹配调节算法下的最大效率跟踪流程图;
图2为MCR-WPT系统的串串拓扑主电路结构;
图3为带阻抗匹配网络的WPT系统电路图;
图4为BP神经网络结构图;
图5为GA-BP算法操作流程图;
图6为PCA电路结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,给出了一种基于GA-BP算法的WPT系统阻抗匹配方法,具体如下:
发射端和接收端之建立通信,发射端控制器将初始化命令发送到接收端,即传输开始时,发送端控制器向接收端控制器发送的启动握手指令,确保系统都是正常工作的,并将初始设定值传送至接收端,其中k初始取值范围为0.01-0.2,Ro-opt初始取值范围为0.2Ω-300Ω,并引入匹配因子XC,设定初始值范围为0.1~30;
发射端控制器结合系统当前XC、整流负载等效输入电阻Ra、交流电源电压u1、电流i1,实时计算耦合系数值k,并结合式(7)确定最优负载阻抗Ro-Opt的值;
式中,R为谐振线圈等效的串联电阻值,ω0为交流电源电压u1具有的角频率,L1为谐振线圈中发射线圈电感,L2为谐振线圈中接收线圈电感;
将k和Ro-Opt传送到接收端控制器,通过Ra、整流负载等效输入电抗Xa的检测,即接收端控制器对ua和ia的实时监测,分析得出电阻Ra和电抗Xa,结合式(9)确定最佳匹配因子XC值;
式中,Zb阻抗匹配网络的等效输入阻抗,Rb为阻抗匹配网络等效输入电阻,j表示虚部部分,Xb为阻抗匹配网络等效输入电抗;阻抗包括电阻和电抗,即阻抗值=电阻值+j电抗值,整流负载等效输入的电阻Ra和电抗Xa;Zb包含电阻Rb和电抗Xb,j仅表示虚部部分,如数学中的虚数,没有取值。
接收端控制器运用GA-BP神经网络调节PCA网络,实现对阻抗匹配网络中电容Cb1,Cb2,Cb3的调节,以确保WPT系统时刻保持最大传输效率工作;
其中,电容Cb1,Cb2,Cb3由公式(10)获得;
Lb为固定值电感,Cb3和Lb串联组成电感支路,电感不能实时调整,通过调整Cb3来调整支路的电感,Lb选取为330uH;
实施例:
如图2所示,为典型MCR-WPT系统双线圈S-S拓扑主电路的等效电路模型,两个线圈的中心是相同的,发射端连接到交流电压源ui,接收端连接到等效负载电阻Ro,Ri,Li和Ci分别是谐振线圈等效的串联电阻、自电感和谐振电容,其中下标i=1,2,1表示发射线圈,2表示接收线圈。两个线圈处于谐振状态时,交流电压u1具有角频率ω0=2πfo。M是发射线圈和接收线圈之间的互感。
根据基尔霍夫电压定律对等效模型列回路方程可得:
为方便分析,假定发射线圈和接收线圈结构相同,即L1=L2=L,R1=R2=R且C1=C2=C。
基于公式(1)和(2),可计算出两侧的电流值为:
其中ω是逆变器角频率。
WPT系统的输入功率Pin和输出功率Pout可计算得:
系统的电能传输效率η可由以下公式计算:
通过公式(6)对Ro求导,可得基于最大传输效率的最优负载阻抗:
将式(7)带入式(6),可计算输出最大传输效率η′max为:
在WPT系统的接收端添加诸如DC/DC转换器之类的器件将二次侧等效阻抗值调整为最优阻抗值可以优化传输效率。
如图3所示,为WPT系统的闭环控制电路结构,发射线圈和接收线圈的基本参数与图2所述相同,在此不再赘述。ia、ua是整流桥输入电流和电压,RL为负载电阻,UL和IL为RL的输出电压和电流,全桥整流器的等效输入阻抗等于Za,Za=Ra+jXa,其中Ra为整流负载等效输入电阻,其值随负载电阻RL而变化,Xa为整流负载等效输入电抗,其值随系统频率f变化。
整流负载的非线性对系统传输效率有影响,因此整流桥电路等效输入阻抗和实际负载RL的阻抗关系不能近似用8RL/π2表示。为了消除整流桥寄生电抗jXa的影响,设计了CLCC阻抗匹配网络如图2所示,ub是匹配网络的输入电压。CLCC阻抗匹配网络由可编程调节电容Cb1,Cb2,Cb3和固定值电感Lb组成。Zb为阻抗匹配网络的等效输入阻抗,也是接收端的等效输出阻抗,Zb=Rb+jXb。本申请的发射端的控制器和接收端的控制器选用ARM Cortex-M4内核的STM32F429单片机实现数据采集,计算和转换。接收端的ARM控制器通过对ia和ua进行傅立叶分析,计算出等效整流负载Ra和Xa,数据信息通过无线通信传输。
为了便于提高匹配电路的精度,引入匹配因子XC,阻抗Zb则可计算表示为:
结合公式(9)的计算结果可知,经CLCC阻抗匹配网络后,Zb的虚部可消除,整流电路呈纯阻性。该阻抗匹配网络的参数计算简单方便,且可较好地消除阻抗匹配网络等效输入电抗Xb。结合公式(7),若实现WPT系统的最大效率跟踪,需确保等效阻抗Zb=Rb=Ro-Opt。当Ra和Ro-Opt值确定后,XC可按公式(9)计算,CLCC阻抗匹配网络的电容值可以通过下式计算得到:
在实际应用中,负载RL会变化,Ra也随之变化,功率也会随之变化。但对图3所示的阻抗匹配电路网络,可以通过实时改变XC维持Zb等于(7)中的最佳负载电阻Ro-Opt,进而确保WPT系统实现最大效率跟踪。
由公式(10)可知,根据电路参数Xa、XC等可以计算匹配电容Cb1、Cb2和Cb3值,但由于电力电子系统并非理想系统,开关器件与谐振器件(电感、电容等)不可避免地会有误差、波动等,由公式计算得到的电容值并不准确。为提高阻抗匹配的精度进而提高电能传输效率,电容值的精确估算和快速匹配是关键,引入GA-BP神经网络算法实时推导阻抗匹配网络的电容值,利用PCA电路实现电容的准确快速匹配;
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,它的基本思想是梯度下降法,以实际输出值和期望输出值的误差均方值最小为目标,其应用广泛,但也有学习速度慢、容易陷入局部最小值等缺陷。利用GA算法可以优化BP神经网络的初始权值、阈值,从而增强BP神经网络的鲁棒性;
图4为BP神经网络结构,输入层单元个数为3,用向量X={x1,x2,x3}分别表示耦合系数k,接收端阻抗Za中的电阻Ra和电抗Xa。
本专利选择4个隐含层单元,用向量G={g1,g2,g3,g4}表示隐含层单元输出。输出层个数为3,用向量S={s1,s2,s3}表示3个可调匹配电容值。此外,在BP神经网络中定义W={w11,w12...wij,...w24}为输入层到隐含权值矩阵,i=1,2,3,j=1,2,3,4;V={v11,v12...vjm,...v43}为隐含层到输出层的权值矩阵,m=1,2,3;A={a1,a2,a3,a4}为隐含层的阈值向量;B={b1,b2,b3}为输出层的阈值向量。
输入样本总数为N,xni为第n个样本的第i个输入值,隐含层第j个节点的输出为:
输出层第m个节点的输出为:
定义误差函数:
其中Cbm为根据公式(10)所计算的期望值。
隐含层权值调整:
其中λ为学习率,本申请选取λ=0.1。
输出层权值调整:
本申请采用遗传算法同时优化BP神经网络的权值、阈值和拓扑结构,来弥补BP神经网络的个别缺陷,接下来分析整个实现过程;
为提高MCR-WPT系统的电能传输效率,基于GA-BP神经网络算法推导出最佳匹配电容值;整个算法优化的流程如图5所示,具体如下:
S1:确定网络拓扑结构、编码及生成初始种群;
选用三层BP神经网络的拓扑结构为2—4—3,即网络的输入层的神经元为2,隐含层的神经元为4,输出层的神经元为3,则共有2×4+4×3=20个权值,4+3=7个阈值,采用实数编码。由神经网络隐含层与输出层的权值vjm、wij和阈值aj、bm编码组成一个完整的染色体,遗传算法个体编码长度为权值和阈值之和,即27。
S2:确定目标函数和适应度函数,选用一次BP训练后,采用公式(13)中的误差均方值E作为遗传算法的目标函数,GA+BP算法的适应度函数也是在总误差E基础上来设置的,设每条染色体适应度函数为:
S3:执行遗传算法,首先根据个体适应度值的大小,采用轮盘赌法计算个体的选择概率进行选择操作;其次采用单点方式进行交叉操作;最后选择均匀变异的方式执行变异操作;遗传算法的参数如下表所示:
S4:根据适应度函数判断当前种群是否满足停止条件,若不满足,则从原种群中适应度较高的一部分染色体跟一部分由父代繁殖出的子代染色体组成新种群,重复进行步骤S2和步骤S3,直至满足停止条件,得到最优初始权值和阈值。
S5:BP神经网络计算;网络训练参数的设置好坏直接影响网络的性能。经仿真验证,选定网络的最大训练次数为100,学习速率为λ=0.01;训练目标精度为0.001时效果较佳。
S6:输出匹配电容值,根据网络训练要求,输出最佳阻抗匹配电容值s1、s2和s3,并转化为数字控制信号D0-D11来调整PCA网络,阻抗匹配网络中电容Cb1,Cb2,Cb3分别具有一个PCA网络,通过这种调整以实现最大传输效率下的阻抗匹配状态;其中PCA网络的调整如下:
PCA网络可以实现大范围的电容调节,为实现CLCC阻抗匹配网络的电容匹配;图6为PCA电路结构原理图,每个PCA由12个可编程电容C0-C11组成,单位电容值为50pF,C0-C11的值为单位电容值的1、2、4、8、16……1024、2048倍,D0-D11是微处理器的GPIO控制位,通过D0-D11的控制,CX1和CX2之间的电容CX=D0C0+D1C1+…+D11C11,CX总值可以从0nF调整到204.8nF,调整精度为50pF。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于GA-BP算法的WPT系统阻抗匹配方法,其特征在于,包括如下步骤:
发射端和接收端之建立通信,发射端控制器将初始化命令发送到接收端,并将初始设定值传送至接收端,并引入匹配因子XC;
发射端控制器结合系统当前XC、整流负载等效输入电阻Ra、交流电源电压u1、电流i1,实时计算耦合系数值k,并结合式(7)确定最优负载阻抗Ro-Opt的值;
式中,R为谐振线圈等效的串联电阻值,ω0为交流电源电压u1具有的角频率,L1为谐振线圈中发射线圈电感,L2为谐振线圈中接收线圈电感;
将k和Ro-Opt传送到接收端控制器,通过Ra、整流负载等效输入电抗Xa的检测,结合式(9)确定最佳匹配因子XC值;
式中,Zb为阻抗匹配网络的等效输入阻抗,Rb为阻抗匹配网络等效输入电阻,j表示虚部部分,Xb为阻抗匹配网络等效输入电抗;
接收端控制器运用GA-BP神经网络调节PCA网络,实现对阻抗匹配网络中电容Cb1,Cb2,Cb3的调节,以确保WPT系统时刻保持最大传输效率工作;
其中,电容Cb1,Cb2,Cb3由公式(10)获得:
Lb为固定值电感。
2.如权利要求1所述的一种基于GA-BP算法的WPT系统阻抗匹配方法,其特征在于,接收端控制器运用GA-BP神经网络调节PCA网络的方法具体如下:
S1:确定网络拓扑结构、编码及生成初始种群;
S2:确定目标函数和适应度函数,选用一次BP训练后,误差均方值E作为遗传算法的目标函数,选用均方差误差的倒数作为适应度函数;
设每条染色体适应度函数为:
S3:执行遗传算法,首先根据个体适应度值的大小,采用轮盘赌法计算个体的选择概率进行选择操作;其次采用单点方式进行交叉操作;最后选择均匀变异的方式执行变异操作;
S4:根据适应度函数判断当前种群是否满足停止条件,若不满足,则从原种群中适应度较高的一部分染色体跟一部分由父代繁殖出的子代染色体组成新种群,重复进行步骤S2和步骤S3,直至满足停止条件,得到最优初始权值和阈值;
S5:BP神经网络计算;
S6:输出匹配电容值,根据网络训练要求,输出最佳阻抗匹配电容值s1、s2和s3,并转化为数字控制信号D0-D11来调整PCA网络,阻抗匹配网络中电容Cb1,Cb2,Cb3分别具有一个PCA网络,通过这种调整以实现最大传输效率下的阻抗匹配状态。
3.如权利要求2所述的一种基于GA-BP算法的WPT系统阻抗匹配方法,其特征在于,在步骤S1中,选用三层BP神经网络的拓扑结构为2-4-3,网络的输入层的神经元为2,隐含层的神经元为4,输出层的神经元为3。
4.如权利要求2所述的一种基于GA-BP算法的WPT系统阻抗匹配方法,其特征在于,在步骤S5中,选定网络的最大训练次数为100,学习速率为λ=0.01;训练目标精度为0.001。
5.如权利要求2所述的一种基于GA-BP算法的WPT系统阻抗匹配方法,其特征在于,在步骤S6中,每个PCA包括12个可编程电容C0-C11,单位电容值为50pF,C0-C11的值为单位电容值的1、2、4、8、16......1024、2048倍,D0-D11为微处理器的GPIO控制位,通过D0-D11的控制,CX1和CX2之间的电容CX=D0C0+D1C1+…+D11C11,CX总值可以从0nF调整到204.8nF,调整精度为50pF,其中,Cb1,Cb2,Cb3均具有一个CX的对应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880717.XA CN113437810A (zh) | 2021-08-02 | 2021-08-02 | 一种基于ga-bp算法的wpt系统阻抗匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880717.XA CN113437810A (zh) | 2021-08-02 | 2021-08-02 | 一种基于ga-bp算法的wpt系统阻抗匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113437810A true CN113437810A (zh) | 2021-09-24 |
Family
ID=77762434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880717.XA Withdrawn CN113437810A (zh) | 2021-08-02 | 2021-08-02 | 一种基于ga-bp算法的wpt系统阻抗匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113437810A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114448376A (zh) * | 2021-12-27 | 2022-05-06 | 深圳市恒运昌真空技术有限公司 | 阻抗匹配调节方法、装置、射频电源系统和存储介质 |
-
2021
- 2021-08-02 CN CN202110880717.XA patent/CN113437810A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114448376A (zh) * | 2021-12-27 | 2022-05-06 | 深圳市恒运昌真空技术有限公司 | 阻抗匹配调节方法、装置、射频电源系统和存储介质 |
CN114448376B (zh) * | 2021-12-27 | 2023-03-24 | 深圳市恒运昌真空技术有限公司 | 阻抗匹配调节方法、装置、射频电源系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
JP3825171B2 (ja) | 配電系統制御システム | |
CN111106676A (zh) | Lcc-s型mc-wpt系统的磁耦合机构参数多目标优化方法 | |
CN103501008B (zh) | 基于偏好决策理论的智能avc系统在线控制方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
Gu et al. | Mutual-inductance-dynamic-predicted constant current control of LCC-P compensation network for drone wireless in-flight charging | |
JP3825172B2 (ja) | 配電系統制御システムのための潮流計算装置 | |
CN103326348A (zh) | 一种提高地区电网供电能力分析及全过程在线监测的系统 | |
CN113437810A (zh) | 一种基于ga-bp算法的wpt系统阻抗匹配方法 | |
CN105094202A (zh) | 基于nsga-ⅱ参数寻优的ecpt系统输出稳压控制方法 | |
CN112651519A (zh) | 一种基于深度学习理论的二次设备故障定位方法及系统 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN104036431A (zh) | 基于云模型的电能质量综合评估多层次交互式决策方法 | |
JP3825173B2 (ja) | 配電系統制御システム | |
CN104716747A (zh) | 无线充电系统及其控制方法 | |
CN104484832A (zh) | 评估220kv拉手网最大供电能力的方法 | |
Shen et al. | Modeless prediction of variable coupling effect for multiple-load wireless power transfer | |
CN113193663B (zh) | 一种磁耦合无线电能传输系统负载及互感双参数辨识方法 | |
CN104617586A (zh) | 一种基于avc系统的无功潮流优化方法 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 | |
Liu et al. | Component Based and Machine Learning Aided Optimal Filter Design for Full-Bridge Current Doubler Rectifier | |
CN112583139A (zh) | 基于模糊rbf神经网络的wpt系统及频率跟踪方法 | |
El-Sayed et al. | Neural network frequency selector for maximum power transfer | |
Alzahrani | Neural Networks Frequency Control for Static 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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210924 |
|
WW01 | Invention patent application withdrawn after publication |