CN115425768A - 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统 - Google Patents

基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统 Download PDF

Info

Publication number
CN115425768A
CN115425768A CN202210858969.7A CN202210858969A CN115425768A CN 115425768 A CN115425768 A CN 115425768A CN 202210858969 A CN202210858969 A CN 202210858969A CN 115425768 A CN115425768 A CN 115425768A
Authority
CN
China
Prior art keywords
self
lcc
inductance
load
pytorch
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.)
Granted
Application number
CN202210858969.7A
Other languages
English (en)
Other versions
CN115425768B (zh
Inventor
吴晓锐
唐春森
王智慧
肖静
陈绍南
贺思颖
莫宇鸿
吴宁
龚文兰
韩帅
陈卫东
郭敏
郭小璇
张龙飞
左志平
李小飞
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
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Chongqing University
Electric Power Research Institute of Guangxi Power Grid Co Ltd
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, Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Chongqing University
Priority to CN202210858969.7A priority Critical patent/CN115425768B/zh
Publication of CN115425768A publication Critical patent/CN115425768A/zh
Application granted granted Critical
Publication of CN115425768B publication Critical patent/CN115425768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J50/10—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Power Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种基于PyTorch的LCC‑S型WPT系统负载与自互感识别方法及系统，方法包括：检测LCC‑S型WPT系统的输入电流和传输距离；将输入电流和传输距离输入至神经网络模型，以得到LCC‑S型WPT系统中线圈的自感、线圈间的互感以及负载；神经网络模型基于PyTorch框架得到。该方法提供了一种基于PyTorch神经网络的LCC‑S型WPT系统负载与自互感识别方法，通过对LCC‑S型WPT系统进行建模分析,得到系统模型的检测输入参数，将参数识别问题等效为机器学习的非线性拟合问题，识别精度有较大提升，且系统结构更为复杂,识别参数更多,更有利于对系统的实时控制。

Description

基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及 系统
技术领域
本发明属于MC-WPT(磁场耦合的无线电能传输)技术领域，具体涉及基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统。
背景技术
无线电能传输(wireless power transfer,WPT)技术是一种新型供电方式,具有安全、便捷、环保、易维护等特点，受到了国内外学者的广泛关注和研究。其中磁耦合谐振式无线电能传输技术是目前最受关注的细分领域,在水下设备供电,电动汽车,航空航天等领域逐步得到推广应用。
在WPT系统的实际应用中,对于水下设备等无线供电系统,负载和自/互感由于距离的偏差等情况会导致系统的工作频率发生漂移,从而影响系统的传输功率和传输效率。系统需要获取负载与自/互感参数等信息,进而对系统采取更有效的手段进行控制,以确保系统高效稳定的运行。负载与自互感参数识别正是其中的关键技术问题。
目前已有学者围绕WPT系统的负载与自互感参数识别进行相应的研究工作，目前有些研究是通过建立SS型MCR-WPT系统稳态电路模型，利用遗传算法寻求负载最优解进而得到互感值。有些研究是以接收端为并联补偿形式的MCR-WPT系统为研究对象，通过检测系统工作频率、逆变器的输出电压和电流，根据系统稳态电路模型计算得到负载与互感值。有些研究是通过切换SS型MCR-WPT系统频率使其工作在非工作频率点上完成对负载与互感的识别。有些研究是针对双LCC型MCR-WPT系统，提出基于TensorFlow框架神经网络模型的系统负载与互感识别方法。
但是目前上述研究中的WPT系统负载与自互感识别方法主要存在以下问题:(1)在系统中增加了额外的电路以及相应的控制，增加了系统的体积和相应的成本，同时对系统的拓扑结构也有明确的限制，工程实用性较低。(2)识别算法输入需要对电流或电压波形进行完整的采样，硬件电路和软件设计难度较大。(3)在系统中，系统情况较为简单，没有复杂情况下的自互感识别。比如线圈带有磁芯的情况下。对于可能存在自感互感同时变化的情况，没有存在较好的识别方法。
发明内容
针对现有技术中的缺陷，本发明提供一种基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统，提高了识别精度，能够应用于多种情况下的负载与自互感识别。
第一方面，一种基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，包括：
检测LCC-S型WPT系统的输入电流和传输距离；
将输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；神经网络模型基于PyTorch框架得到。
进一步地，神经网络模型包括输入层、输出层以及顺序全连接在输入层和输出层之间的第1～N个隐藏层，N≥1；
第n个隐藏层的输出矩阵
Figure BDA0003756930080000021
为：
Figure BDA0003756930080000022
其中，Max为激活函数，Tn为第n个隐藏层的中间变量矩阵,Tn＝[Iin h]ωn+bn，Iin为输入电流，h为传输距离，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵；Ti n为Tn的第i个元素；i＝1,2,...,32；n＝1,2,...N,。
进一步地，激活函数包括ReLU函数。
进一步地，线圈的自感包括发射线圈自感L1和接收线圈自感L2；其中：
L1＝Max(0,T1 N)，L2＝Max(0,T3 N)；
线圈间的互感M＝Max(0,T2 N)，负载R＝Max(0,T4 N)。
进一步地，神经网络模型的训练方法包括：
建立LCC-S型WPT系统的系统仿真模型；系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；
获取多组数据集；其中每组数据集包括系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；
建立LCC-S型WPT系统的电路仿真模型；
在每一组数据集中加入对应的负载；
将数据集代入电路仿真模型，以得到每一组数据集对应的输入电流，将输入电流加入对应的数据集中；
利用数据集训练神经网络模型。
进一步地，神经网络模型在训练过程中使用的优化器包括Adam算法。
第二方面，一种基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，包括：
检测单元：用于检测LCC-S型WPT系统的输入电流和传输距离；
识别单元：用于将输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；神经网络模型基于PyTorch框架得到。
进一步地，神经网络模型包括输入层、输出层以及顺序全连接在输入层和输出层之间的第1～N个隐藏层，N≥1；
第n个隐藏层的输出矩阵
Figure BDA0003756930080000031
为：
Figure BDA0003756930080000032
其中，Max为激活函数，Tn为第n个隐藏层的中间变量矩阵,Tn＝[Iin h]ωn+bn，Iin为输入电流，h为传输距离，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵；Ti n为Tn的第i个元素；i＝1,2,...,32；n＝1,2,...N,。
进一步地，线圈的自感包括发射线圈自感L1和接收线圈自感L2；其中：
L1＝Max(0,T1 N)，L2＝Max(0,T3 N)；
线圈间的互感M＝Max(0,T2 N)，负载R＝Max(0,T4 N)。
进一步地，系统还包括：
训练单元：用于建立LCC-S型WPT系统的系统仿真模型；系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；获取多组数据集；其中每组数据集包括系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；建立LCC-S型WPT系统的电路仿真模型；在每一组数据集中加入对应的负载；将数据集代入电路仿真模型，以得到每一组数据集对应的输入电流，将输入电流加入对应的数据集中；利用数据集训练神经网络模型。
由上述技术方案可知，本发明提供了一种基于PyTorch神经网络的LCC-S型WPT系统负载与自互感识别方法及系统，通过对LCC-S型WPT系统进行建模分析,得到系统模型的检测输入参数，将参数识别问题等效为机器学习的非线性拟合问题，识别精度有较大提升，且系统结构更为复杂,识别参数更多,更有利于对系统的实时控制。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为LCC-S型WPT系统电路。
图2为LCC/S型WPT系统电路等效模型
图3为识别方法的流程图。
图4为神经网络模型建立方法的流程图。
图5为构建的神经网络模型的示意图。
图6为仿真方法的流程图。
图7为构建的耦合机构仿真模型的示意图。
图8为仿真结果中s、e与L1关系的三维曲面图。
图9为仿真结果中s、e与M关系的三维曲面图。
图10为验证过程得到的识别误差与迭代次数曲线图。
图11为构建的simulink系统仿真模型的示意图。
图12a为验证过程中得到的原边自感的误差曲线图。
图12b为验证过程中得到的互感的误差曲线图。
图12c为验证过程中得到的副边自感的误差曲线图。
图12d为验证过程中得到的负载的误差曲线图。
图13为识别系统的模块框图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
LCC-S补偿拓扑具有在输入恒压时，输出恒压的特性，且不受负载变化影响。系统的电路增益可以通过调节补偿电感来改变，无需要在电路里添加额外的电压变换。因此被广泛的应用在实际工程中。
如图1所示为LCC-S型WPT系统电路。图1中:E为电源电压；Iin为输入电流；C1、C2为滤波电容；S1、S2、S3、S4为MOSFET场效应管构成全桥逆变；Lp为发射线圈的自感；Rp为发射线圈的内阻；Ls为接收线圈的自感；Rs为接收线圈的内阻；M为发射线圈和接收线圈间的互感；Lr为发射端补偿电感，Cr为发射端补偿电容，Cp为发射端谐振电容，其中Lr、Cr和Cp构成发射端补偿网络；Cs为接收端谐振电容；VD1、VD2、VD3、VD4为二极管构成整流桥；RL为系统负载。
图1的LCC/S型WPT系统电路可以等效为图2，UAB为电源逆变后的电压。在其他电路参数都不变的情况下，影响系统性能的主要参数还是系统中线圈的自感、互感以及负载。
根据图2的电路等效模型，可以得到拾取端的等效阻抗为:
Figure BDA0003756930080000061
接收端反射到发射端的反射阻抗为:
Figure BDA0003756930080000062
输入总阻抗为:
Figure BDA0003756930080000071
根据整流、逆变前后等效交流阻抗可以得到：
Figure BDA0003756930080000072
从上式可以看出，系统输入电流受到系统负载RL、自感值L、互感值M的影响，故可以通过检测系统输入电流值进行负载、自/互感的识别。耦合机构的自互感与传输距离和偏移距离有关,由于偏移距离在实际应用中不便测试,因此检测系统的传输距离和系统的输入电流对系统进行参数识别，可以用隐函数描述为:
f(Iin,e)＝(L1,M,L2,R) (5)
式中Iin是系统的输入电流,e是系统的传输距离,L1是发射线圈自感,L2是接收线圈自感,M是线圈间的互感,R是系统负载，由此将负载与自互感识别问题等效为神经网络模型对非线性系统方程的拟合问题。
实施例：
一种基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，参见图3，包括：
S1：检测LCC-S型WPT系统的输入电流和传输距离；
S2：将输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；神经网络模型基于PyTorch框架得到。
在本实施例中，机器学习在学术领域和工业领域发展迅速,主要用计算机来分析处理数据,从已知数据中挖掘潜在规则,构建数据模型,从而用于对未知数据的预测。机器学习可以根据数据的更新来改进系统本身，在如文本识别、语言识别、图像识别上取得了显著的效果。PyTorch是由Facebook人工智能研究院推出,基于python的科学计算包,相比其他框架有两大特点,一是具有GPU加速的张量计算,二是可以给深度学习计算平台提供最大的计算灵活性与速度。
在本实施例中，该识别方法基于PyTorch神经网络框架,采集系统的输入电流和传输距离，将输入电流和传输距离输入神经网络模型，神经网络模型完成对负载与自/互感的识别。其中神经网络模型可以采用图4的方法构建，首先对LCC-S型系统进行分析，接着设计神经网络模型的隐藏层和激活函数，对神经网络模型的权重进行初始化，完成神经网络模型的构建。
综上所述，该方法提供了一种基于PyTorch神经网络的LCC-S型WPT系统负载与自互感识别方法，通过对LCC-S型WPT系统进行建模分析,得到系统模型的检测输入参数，将参数识别问题等效为机器学习的非线性拟合问题，识别精度有较大提升，且系统结构更为复杂,识别参数更多,更有利于对系统的实时控制。
进一步地，在一些实施例中，神经网络模型包括输入层、输出层以及顺序全连接在输入层和输出层之间的第1～N个隐藏层，N≥1；
在本实施例中，构建好的神经网络模型如图5所示，图5中隐藏层有4层，使用的非线性激活函数为ReLU函数。第n个隐藏层用公式可以描述为:
Tn＝[Iin h]ωn+bn (6)
式中，Tn为第n个隐藏层的中间变量矩阵，[Iin h]为系统检测的输入电流Iin、传输距离h构成的输入矩阵，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵：
Figure BDA0003756930080000081
将中间变量矩阵Tn中的每一个元素代入ReLU激活函数中,可以得到输出矩阵
Figure BDA0003756930080000091
Figure BDA0003756930080000092
其中，Max为激活函数，Ti n为Tn的第i个元素，i＝1,2,...,32；n＝1,2,...,N，由此递推图5的神经网络模型得到的负载与自/互感包括发射线圈自感L1和接收线圈自感L2、线圈间的互感M、负载R，即为:
Figure BDA0003756930080000093
其中，T1 4为第4个隐藏层中间变量矩阵T4的第1个元素，T2 4为第4个隐藏层中间变量矩阵T4的第2个元素，T3 4为第4个隐藏层中间变量矩阵T4的第3个元素，T4 4为第4个隐藏层中间变量矩阵T4的第4个元素。
综上所述，针对目前对于线圈带磁芯的无线传能系统，该识别方法提出了基于PyTorch框架下的神经网络系统识别方法，以LCC-S型WPT系统为例，该识别方法对系统进行建模分析，确定神经网络模型的输入变量，快速精准地识别系统的负载、自感和互感。
进一步地，在一些实施例中，参见图6，神经网络模型的训练方法包括：
S11：建立LCC-S型WPT系统的系统仿真模型；系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；
S12：获取多组数据集；其中每组数据集包括系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；
S13：建立LCC-S型WPT系统的电路仿真模型；
S14：在每一组数据集中加入对应的负载；
S15：将数据集代入电路仿真模型，以得到每一组数据集对应的输入电流，将输入电流加入对应的数据集中；
S16：利用数据集训练神经网络模型。
在本实施例中，该识别方法首先可以通过用仿真软件建立系统仿真模型,在对系统仿真模型进行仿真分析中获取训练神经网络模型所需的数据集。例如在comsol多物理场仿真软件中建立如图7所示的耦合机构仿真模型，耦合机构仿真模型通过在正方形的磁芯上绕制口字型线圈得到。接着在comsol多物理场仿真软件中设置系统仿真模型不同的x轴偏移距离e和z轴传输距离s,得到不同条件下的自/互感值，这样对配置好参数的系统仿真模型进行参数化扫描仿真，得到232组包含e、s、L1、M、L2的数据集，从图8、9所示，传输距离s变化范围为40～60mm,偏移距离e变化范围为0～10mm,原副边自感变化范围为85.91uH～98.63uH,互感变化范围为29.46uH～47.82uH。
在本实施例中，由于仿真时系统仿真模型的参数是对称的,故L1与L2变化相同，在取得传输距离s、原边线圈(发射线圈)自感L1、副边线圈(接收线圈)自感L2和互感M的耦合机构仿真数据后，该方法还可以在simulink中建立LCC-S型WPT系统的电路仿真模型，构建好的电路仿真模型中耦合机构模型的参数可以按照上述系统仿真模型的参数设置，例如配置电路仿真模型中系统频率f＝150kHz、Lf＝10uH、Cf＝112.58nF、Cp＝14.38nF、Cs＝12.75nF、RL＝10～100Ω。该方法还可以通过编写matlab程序将每一组数据集(包括负载与自/互感)代入电路仿真模型中进行仿真,从而得到系统的输入电流值Iin,例如在对电路仿真模型进行仿真后得到2310组数据。
在本实施例中，为了提高提高网络模型识别精度,该识别方法可以随机选取80％的数据集作为训练集,剩余20％的数据即作为测试集，其中训练集用来训练神经网络模型,使得神经网络模型尽可能地拟合系统参数。测试集用来对训练好的神经网络模型进行测试,测试识别误差情况。该识别方法在神经网络模型训练过程中使用的优化器可以为Adam算法,在神经网络模型测试过程中，损失误差可以采用MSE均方根值误差测试,学习率可以设置为0.0001。参见图10，该神经网络模型在经过1000次迭代后,识别误差基本不变,四项参数的识别值与仿真值得MSE均方根值误差为0.78。
为了进一步验证该识别方法的可行性和识别效果,参见图11，还可以基于LCC-S型WPT系统和PyTorch神经网络模型建立simulink系统仿真模型,simulink系统仿真模型主要由系统主电路,信号发生电路,神经网络识别模型组成。例如该方法在神经网络模型中配置传输距离d与输入电流I,神经网络模型经过计算后输出预测原边自感pdL1、互感pdM、副边自感pdL2、系统负载值R，然后参见表1，随机选取10组数据代入simulink系统仿真模型中,进行仿真测试。
表1系统仿真参数
Figure BDA0003756930080000111
测试结果如图12a-12d所示,可以看出，系统耦合机构自感最大识别误差为0.08％,互感最大识别误差为2.66％,负载最大识别误差为2.45％。
综上所述,在原副边自感变化范围85.91uH～98.63uH,互感变化范围29.46uH～47.82uH,负载变化范围10Ω～100Ω的情况下，该识别方法识别最大误差为2.66％。相较与其他传统方法,识别精度有较大提升，且系统结构更为复杂,识别参数更多,更有利于对系统的实时控制。
一种基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，参见图13，包括：
检测单元1：用于检测LCC-S型WPT系统的输入电流和传输距离；
识别单元2：用于将输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；神经网络模型基于PyTorch框架得到。
进一步地，在一些实施例中，神经网络模型包括输入层、输出层以及顺序全连接在输入层和输出层之间的第1～N个隐藏层，N≥1；
第n个隐藏层的输出矩阵
Figure BDA0003756930080000121
为：
Figure BDA0003756930080000122
其中，Max为激活函数，Tn为第n个隐藏层的中间变量矩阵,Tn＝[Iin h]ωn+bn，Iin为输入电流，h为传输距离，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵；Ti n为Tn的第i个元素；i＝1,2,...,32；n＝1,2,...N,。
进一步地，在一些实施例中，线圈的自感包括发射线圈自感L1和接收线圈自感L2；其中L1＝Max(0,T1 N)，L2＝Max(0,T3 N)；
线圈间的互感M＝Max(0,T2 N)，负载R＝Max(0,T4 N)。
进一步地，在一些实施例中，系统还包括：
训练单元3：用于建立LCC-S型WPT系统的系统仿真模型；系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；获取多组数据集；其中每组数据集包括系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；建立LCC-S型WPT系统的电路仿真模型；在每一组数据集中加入对应的负载；将数据集代入电路仿真模型，以得到每一组数据集对应的输入电流，将输入电流加入对应的数据集中；利用数据集训练神经网络模型。
本发明实施例所提供的系统，为简要描述，实施例部分未提及之处，可参考前述实施例中相应内容。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，包括：
检测LCC-S型WPT系统的输入电流和传输距离；
将所述输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；所述神经网络模型基于PyTorch框架得到。
2.根据权利要求1所述基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，
所述神经网络模型包括输入层、输出层以及顺序全连接在所述输入层和所述输出层之间的第1～N个隐藏层，N≥1；
第n个所述隐藏层的输出矩阵
Figure FDA0003756930070000011
为：
Figure FDA0003756930070000012
其中，Max为激活函数，Tn为第n个隐藏层的中间变量矩阵,Tn＝[Iinh]ωn+bn，Iin为所述输入电流，h为所述传输距离，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵；Ti n为Tn的第i个元素；i＝1,2,...,32；n＝1,2,...,N。
3.根据权利要求2所述基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，
所述激活函数包括ReLU函数。
4.根据权利要求2所述基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，
所述线圈的自感包括发射线圈自感L1和接收线圈自感L2；其中：
Figure FDA0003756930070000013
所述线圈间的互感
Figure FDA0003756930070000014
所述负载
Figure FDA0003756930070000015
5.根据权利要求4所述基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，所述神经网络模型的训练方法包括：
建立LCC-S型WPT系统的系统仿真模型；所述系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；
获取多组数据集；其中每组数据集包括所述系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；
建立LCC-S型WPT系统的电路仿真模型；
在每一组所述数据集中加入对应的负载；
将所述数据集代入所述电路仿真模型，以得到每一组所述数据集对应的输入电流，将所述输入电流加入对应的数据集中；
利用所述数据集训练所述神经网络模型。
6.根据权利要求5所述基于PyTorch的LCC-S型WPT系统负载与自互感识别方法，其特征在于，
所述神经网络模型在训练过程中使用的优化器包括Adam算法。
7.一种基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，其特征在于，包括：
检测单元：用于检测LCC-S型WPT系统的输入电流和传输距离；
识别单元：用于将所述输入电流和传输距离输入至神经网络模型，以得到LCC-S型WPT系统中线圈的自感、线圈间的互感以及负载；所述神经网络模型基于PyTorch框架得到。
8.根据权利要求7所述基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，其特征在于，
所述神经网络模型包括输入层、输出层以及顺序全连接在所述输入层和所述输出层之间的第1～N个隐藏层，N≥1；
第n个所述隐藏层的输出矩阵
Figure FDA0003756930070000021
为：
Figure FDA0003756930070000022
其中，Max为激活函数，Tn为第n个隐藏层的中间变量矩阵,Tn＝[Iinh]ωn+bn，Iin为所述输入电流，h为所述传输距离，ωn为第n个隐藏层的权重矩阵，bn为第n个隐藏层的偏置矩阵；Ti n为Tn的第i个元素；i＝1,2,...,32；n＝1,2,...,N。
9.根据权利要求8所述基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，其特征在于，
所述线圈的自感包括发射线圈自感L1和接收线圈自感L2；其中：
Figure FDA0003756930070000031
所述线圈间的互感
Figure FDA0003756930070000032
所述负载
Figure FDA0003756930070000033
10.根据权利要求9所述基于PyTorch的LCC-S型WPT系统负载与自互感识别系统，其特征在于，所述系统还包括：
训练单元：用于建立LCC-S型WPT系统的系统仿真模型；所述系统仿真模型通过在正方形的磁芯上绕制口字型线圈得到；获取多组数据集；其中每组数据集包括所述系统仿真模型配置的x轴的偏移距离、z轴的传输距离，以及仿真得到的线圈的自感和线圈间的互感；建立LCC-S型WPT系统的电路仿真模型；在每一组所述数据集中加入对应的负载；将所述数据集代入所述电路仿真模型，以得到每一组所述数据集对应的输入电流，将所述输入电流加入对应的数据集中；利用所述数据集训练所述神经网络模型。
CN202210858969.7A 2022-07-21 2022-07-21 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统 Active CN115425768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210858969.7A CN115425768B (zh) 2022-07-21 2022-07-21 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858969.7A CN115425768B (zh) 2022-07-21 2022-07-21 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统

Publications (2)

Publication Number Publication Date
CN115425768A true CN115425768A (zh) 2022-12-02
CN115425768B CN115425768B (zh) 2023-04-07

Family

ID=84196001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858969.7A Active CN115425768B (zh) 2022-07-21 2022-07-21 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统

Country Status (1)

Country Link
CN (1) CN115425768B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110994812A (zh) * 2019-12-30 2020-04-10 华南理工大学 抗偏移的lcc-s型无线电能传输系统及其参数设计方法
CN111106676A (zh) * 2020-01-08 2020-05-05 国网河北省电力有限公司雄安新区供电公司 Lcc-s型mc-wpt系统的磁耦合机构参数多目标优化方法
CN111898289A (zh) * 2020-06-15 2020-11-06 东南大学 一种远距离无线充电lcc-s拓扑参数设计方法
CN111987779A (zh) * 2020-08-31 2020-11-24 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110994812A (zh) * 2019-12-30 2020-04-10 华南理工大学 抗偏移的lcc-s型无线电能传输系统及其参数设计方法
CN111106676A (zh) * 2020-01-08 2020-05-05 国网河北省电力有限公司雄安新区供电公司 Lcc-s型mc-wpt系统的磁耦合机构参数多目标优化方法
CN111898289A (zh) * 2020-06-15 2020-11-06 东南大学 一种远距离无线充电lcc-s拓扑参数设计方法
CN111987779A (zh) * 2020-08-31 2020-11-24 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Y SU等: "Load and mutual inductance identification from the primary side of inductive power transfer system with parallel-tuned secondary power pickup" *

Also Published As

Publication number Publication date
CN115425768B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Wu et al. Modeling hysteretic nonlinear behavior of bridge aerodynamics via cellular automata nested neural network
CN110045317B (zh) 一种互感器计量误差在线检测方法及系统
CN109034390B (zh) 基于bp神经网络三维磁特性测量的相角幅值pid自适应方法
CN114626769B (zh) 一种电容式电压互感器运维方法及系统
CN115425768B (zh) 基于PyTorch的LCC-S型WPT系统负载与自互感识别方法及系统
CN115986965A (zh) 多频多负载无线电能传输系统负载及互感同步识别方法
Liao et al. Machine learning methods for feedforward power flow control of multi-active-bridge converters
CN114065114A (zh) 一种电容式电压互感器计量误差预测方法及系统
Chen et al. Event-triggered model predictive control for series–series resonant ICPT systems in electric vehicles: A data-driven modeling method
He et al. Load and Self/Mutual Inductance Identification Method of LCC-S WPT System Based on PyTorch
CN111987779B (zh) 基于TensorFlow的MC-WPT系统负载与互感识别模型、方法及系统
Yang et al. PI parameters tuning for frequency tracking control of wireless power transfer system based on improved whale optimization algorithm
CN112215327B (zh) 一种基于粒子群算法的无线充电系统参数辨识方法
Tian et al. Parameter design optimization for dc-dc power converters with deep reinforcement learning
CN113437810A (zh) 一种基于ga-bp算法的wpt系统阻抗匹配方法
Cui et al. Multi-objective design optimization of the DPMSM using RSM, Taguchi method, and improved Taguchi method
Xu et al. A new regressive RBF neural network model for rate-dependent hysteresis in reluctance actuators
CN113408176A (zh) 一种换流变压器电场数字孪生模型构建方法
CN114291675B (zh) 一种基于复杂网络和置信规则推理的电梯故障诊断方法
CN115754875B (zh) 一种电压互感器误差评估方法及装置
Kim et al. Predicting Receiver Characteristics without Sensors in an LC–LC Tuned Wireless Power Transfer System Using Machine Learning
CN114896852B (zh) 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法
Lin et al. Optimization of servo parameters for enhanced dynamic behavior of direct feed system with hybrid FEM and PLS regression
Abrantes Optimization of an Electric Vehicle Wireless Charging System using Artificial Intelligence Techniques
CN118114552A (zh) 一种基于残差前馈神经网络的动车组阻抗辨识方法

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
GR01 Patent grant
GR01 Patent grant