CN115796302A - 电能功率模型训练方法、传输功率获取方法和相关设备 - Google Patents

电能功率模型训练方法、传输功率获取方法和相关设备 Download PDF

Info

Publication number
CN115796302A
CN115796302A CN202211423230.XA CN202211423230A CN115796302A CN 115796302 A CN115796302 A CN 115796302A CN 202211423230 A CN202211423230 A CN 202211423230A CN 115796302 A CN115796302 A CN 115796302A
Authority
CN
China
Prior art keywords
electric energy
target circuit
training sample
power model
sample
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
CN202211423230.XA
Other languages
English (en)
Inventor
李鹏
韦杰
王志明
田兵
卢星宇
李立浧
张伟勋
聂少雄
李�远
谭则杰
樊小鹏
尹旭
张佳明
林跃欢
徐振恒
刘胜荣
孙宏棣
钟枚汕
林秉章
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202211423230.XA priority Critical patent/CN115796302A/zh
Publication of CN115796302A publication Critical patent/CN115796302A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种电能功率模型训练方法、传输功率获取方法和相关设备。方法包括：获取第一训练样本和最大迭代次数，第一训练样本包括多种可变参数的样本数据；选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，选择的样本数据的类型涵盖训练样本中所有类型；计算每个初始化后的学习器的负梯度；对获得的负梯度进行拟合，获得对应的决策树，并计算决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；根据相邻时刻的同一类型样本数据，以及目标损失函数，获得各类型中相邻时刻样本数据的递归关系；根据各类型对应的递归关系进行加权求和，获得目标电路的电能功率模型。采用本方法能够准确预测电路的电能传输功率。

Description

电能功率模型训练方法、传输功率获取方法和相关设备
技术领域
本申请涉及电路技术领域，特别是涉及一种电能功率模型训练方法、传输功率获取方法和相关设备。
背景技术
无线电能传输(wireless power transfer，WPT)技术目前越来越受到研究和工业界的重视，尤其是在汽车、船舶等新能源无线充电系统中的应用，采用电池/电容组的纯电动船舶成为解决沿海和内河港口污染问题的最佳途径，新能源船舶得到了快速发展。此外，由于电池的短寿命，使得电动汽车和船舶等移动物体的无线充电需求急剧增加。磁谐振耦合法是利用谐振线圈进行电能传输的最合适的方法之一，因为它具有较高的传输效率和一定的隔离距离。对采用磁谐振耦合法的电路的电能传输功率进行预测显得尤为重要。
目前，在实际电路系统中，因电路的效率受到谐振频率、负载阻抗的影响，电路的电能传输功率不稳定，即传统技术中电路的电能传输功率预测算法无法准确对电路的电能传输功率进行预测。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高电路电能传输功率预测准确性的电能功率模型训练方法、传输功率获取方法和相关设备。
第一方面，本申请提供了一种效率电能功率模型训练方法。所述方法包括：
获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；
从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
计算每个初始化后的学习器的负梯度；
基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
在其中一个实施例中，所述方法还包括：
采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
确定预设效率和所述第一电能传输功率之间的第一偏差；
若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
在其中一个实施例中，所述若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型之后，还包括：
采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
确定预设效率和所述第二电能传输功率之间的第二偏差；
若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
在其中一个实施例中，所述确定预设效率和所述第一电能传输功率之间的第一偏差之前，包括：
获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
根据所述节点方程获得所述目标电路谐振点的角频率；
根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
在其中一个实施例中，所述基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数，包括：
对所述决策树中连续的特征进行离散化。
第二方面，本申请还提供了一种电能传输功率获取方法，所述方法包括：
获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如第一方面所述方法获得。
在其中一个实施例中，所述方法还包括：
在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到所述电能传输功率。
第三方面，本申请还提供了一种电能功率模型训练装置。所述装置包括：
第一获得模块，用于获取第一训练样本和最大迭代次数，所述第一训练样本包括所述目标电路的多种类型样本数据；
初始化模块，用于从所述第一训练样本中选择至少一种类型样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
第一计算模块，用于计算每个初始化后的学习器的负梯度；
拟合模块，用于基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
递归关系获取模块，用于根据所述训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
第一模型获取模块，用于根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
第四方面，本申请还提供了一种电能传输功率获取装置。所述装置包括：
工作数据获取模块，用于获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
预测模块，用于将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如第一方面所述方法获得。
第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面和第二方面所述方法步骤。
第六方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面和第二方面所述方法步骤。
第七方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面所述方法步骤。
上述电能功率模型训练方法、传输功率获取方法和相关设备，上述效率电能功率模型训练方法中，通过获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；计算每个初始化后的学习器的负梯度；基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。通过上述方式，本申请将训练样本中多种可变参数的数据初始化多个学习器，然后计算各学习器的负梯度，以各学习器的负梯度拟合，获得决策树。将决策书各叶子节点的损失函数中损失最小的函数，作为目标损失函数，然后利用目标损失函数获得一个类型中相邻数据之间的递归关系，利用该递归关系进行加权求和得到训练好的电能功率模型，如此，本申请预存模型是电路中可变参数进行训练获得，能够根据电路的实际情况进行预测，因此能够准确地对电路的电能传输功率进行预测。
附图说明
图1为一个实施例中效率电能功率模型训练方法的应用电路图；
图2为一个实施例中效率电能功率模型训练方法应用电路的简化示意图；
图3为一个实施例中效率电能功率模型训练方法的流程示意图；
图4为一个实施例中效率预测方法的流程示意图；
图5为一个实施例中效率电能功率模型训练装置的结构框图；
图6为一个实施例中效率预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供效率电能功率模型训练方法，可以应用于如图1所示的电路中。其中，该电路包括输入侧和输出侧，两者之间设置有谐振电路，输入侧包括电压检测模块、MCU控制(具体实施中还可以采用其他类型的处理器)、电源、第一电容(其电容值为Cp)和第一电感(其电感为Lp)等，输出侧包括第二电感(其电感值为Ls)、第二电容(其电容值为Cs)和负载(其电阻值为RL)等，第一电感和第二电感构成谐振电路。图1所示的电路图也可以简化等同与图2所示的电路图，即电路的输入侧主要包括电源(AC)、第一电容(其电容值为Cp)、第一电感(其电感值为Lp)以及第一电感的等效电阻(其电阻为Rp)，电路的输出侧主要包括第二电容(其电容值为Cs)、第二电感(其电感值为Ls)、第二电感等效的第二电阻(其电阻为Rs)以及负载电阻(其电阻值为RL)。电源用于对整个电路进行供电，通过第一电感和第二电感组成的谐振电路将电能供应给负载。
在一个实施例中，如图3所示，提供了一种效率电能功率模型训练方法，以该方法应用于图1中的MCU为例进行说明，包括以下步骤：
步骤310，获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；
具体的，MCU可以通过网络获取第一训练样本和最大迭代次数，第一数量样本和最大迭代次数也可以是用户输入至存储器中，再由MCU从存储器中读取。为保证训练结果的准确性，第一训练样本中有足够的样本数据。该第一训练样本中包括多种类型的样本数据。第一训练样本可以包括目标电路的可变参数，示例性的，可变参数包括：系统线圈电压、输入功率、输出功率、线圈距离、接收侧频率值、和实际阻抗变化量一种或者多种。可以理解的是，可变参数越多，训练模型越准确。
步骤320，从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
假设，输入的第一训练样本T＝{(x1,y1),(x2,y2),(x3,y3),…(xn,yn)}，x1是个1*6的矩阵，矩阵中6个特征可以分别为：系统线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量。
最大迭代次数T损失函数L，输出的是强学习器f(x)，其中xn＝(xn,1,xn,2,…,xn,k))是输入样本的特征(从1*6的矩阵中取数)，k是特征数，yn是第n个样本的输出值。
将第一训练样本的样本数据输入至学习器，初始化学习器：
Figure BDA0003942970790000071
其中，x选自至少一种xn，yi选自yn。具体的，可以从多个特征中选择至少一个特征对学习器进行初始化，基于输入的特征输出预测值，并进行T次迭代，得到初始化后的学习器，使得学习器的误差最小(多次迭代后，计算每次迭代获得的学习器的误差，选择误差最小的学习器)。每次选择不同的x即可获得的一对应的学习器，如此获得多个初始化后的学习器。
步骤330，计算每个初始化后的学习器的负梯度；
对于样本i＝1，2，…，n，每个样本对应一个初始化后的学习器，计算每个初始化后的学习器的负梯度：
Figure BDA0003942970790000072
步骤340，基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
在获得每个初始后的学习器的负梯度后，基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树。该决策树的叶子节点分别为Rmj,j＝1,2,3,…,J，其中J为回归树t的叶子节点的个数。
对叶子区域j＝1,2,3,…,J，计算最佳拟合值，使所有叶子节点的损失函数极小化，获得损失最小的损失函数，定义为目标损失函数。具体的，可以通过如下公式获得：
Figure BDA0003942970790000073
其中，Ctj表示损失值。
进一步地，在获得决策树后，还需要确保决策树中各个数据是离散的，因此在获得决策树后，对决策树中连续的特征进行离散化，对决策树中连续的特征进行离散化可以采用现有技术的方式，此处不再赘述。
步骤350，根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
得到目标损失函数后，t时刻的预测值与前一时刻的结果有关，可以表示为一个递归形式：
Figure BDA0003942970790000081
其中，I表示目标损失函数，ft(x)表示t时刻的预测值，ft-1(x)表示t-1时刻的预测值，Rtj为样本数据中一种可变参数，即Rtj选自xn。例如Rtj选自xn中的系统线圈电压。
根据上述公式进行推导，获得t时刻的预测值的表达式为：
Figure BDA0003942970790000082
该表达式能够表达每种类型的相邻数据的递归关系。
步骤360，根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
然后根据各类型相邻数据对应的递归关系进行加权求和，获得目标电路的电能功率模型。其中各类型的权值可以预先人工确定。
上述效率电能功率模型训练方法中，通过获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；计算每个初始化后的学习器的负梯度；基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。通过上述方式，本申请将训练样本中多种可变参数的数据初始化多个学习器，然后计算各学习器的负梯度，以各学习器的负梯度拟合，获得决策树。将决策书各叶子节点的损失函数中损失最小的函数，作为目标损失函数，然后利用目标损失函数获得一个类型中相邻数据之间的递归关系，利用该递归关系进行加权求和得到训练好的电能功率模型，如此，本申请预存模型是电路中可变参数进行训练获得，能够根据电路的实际情况进行预测，因此能够准确地对电路的电能传输功率进行预测。
在一个实施例中，所述方法还包括：
采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
确定预设效率和所述第一电能传输功率之间的第一偏差；
若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
具体的，本实施例中，为了保证电能功率模型的准确性，还通过实际的电路进行预测，首先可以获得目标电路当前的工作数据，工作数据可以包括：目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量，线圈距离是指输入侧电感和输出侧电感之间的距离。同时获得该目标电路的实际电能传输功率，作为预设效率。
将目标电路当前的工作数据输入训练好的电能功率模型，获得第一电能传输功率，将第一电能传输功率与目标电路对应的预设效率进行比对，确定预设效率和所述第一电能传输功率之间的偏差，作为第一偏差。
若第一偏差未超出预设偏差范围，说明该训练好的预测模板的准确性较高。若第一偏差超出预设偏差范围，说明该训练好的预测模板的准确性较低，此时，为进一步提高预测结果的准确性，还可以对电能功率模型进行调参，即修改各递归关系的权值，获得新的电能功率模型，然后采用目标电路的工作数据和预设效率进行重新验证，直到预设效率和第一电能传输功率之间的第一偏差未超出预设偏差范围。
在一个实施例中，若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型之后，还包括：
采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
确定预设效率和所述第二电能传输功率之间的第二偏差；
若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
具体的，在多次调整各个递归关系的权值，获得多次更新后的电能功率模型，多次更新后的电能功率模型对应的第一电能传输功率与该目标电路对应的预设效率之间的偏差(此时定义为第二偏差)，均超出预设偏差范围，则说明第一训练样本中数据较少，无法满足训练要求，因此获得第二训练样本，该第二训练样本可以为新的样本，也可以在第一训练中的基础上增加部分样本，从而获得第二训练样本，只要满足第二训练样本的总数量大于第一训练样本即可。
在获得第二训练样本后，使用第二训练样本重新训练电能功率模型。使用第二训练样本重新训练电能功率模型的具体过程与上述实施例中相同，此处不再赘述。
在一个实施例中，所述确定预设效率和所述第一电能传输功率之间的第一偏差之前，包括：
获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
根据所述节点方程获得所述目标电路谐振点的角频率；
根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
具体的，本实施例中，还可以在训练样本的过程中，计算获得目标电路的实际电能传输功率，作为该目标电路的预设效率。计算的具体过程可以包括：
获取目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建目标电路的节点方程。
目标电路的节点方程包括：
Figure BDA0003942970790000111
Figure BDA0003942970790000112
Figure BDA0003942970790000113
其中，Rp是线圈Lp自带的电阻，jw是电容电感的阻抗，电路的交流电压源为参数Up，输入侧的电感和电容参数为Lp，Cp，电流为Ip，输出侧的电感和电容参数为Ls，Cs，负载为RL，负载电压Us。初级线圈的工作频率记为w，由此产生的回路电流记为Ip和Is。Z11表示输入侧的电阻，Z12表示输出侧的电阻，ZM表示互感电阻。
然后根据上述节点方程获得目标电路谐振点的角频率，具体的，将目标电路的输入侧的电阻和输出侧的电阻设为0，即可获得目标电路谐振点的角频率w0：
Figure BDA0003942970790000114
根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得预设效率η，计算公式如下：
Figure BDA0003942970790000115
Figure BDA0003942970790000121
Figure BDA0003942970790000122
其中，M为输入侧电感和输出侧电感之间的互感。
在一个实施例，如图4所示，本申请还提供一种电能传输功率获取方法，该方法包括：
步骤410，获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
步骤420，将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率。
具体的，本实施例中利用上述任一实施例训练好的电能功率模型，以及获取目标电路当前的工作数据，工作数据均为电路的可变参数，具体包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量，即可获得目标电路当前的电能传输功率。其中目标电路可以如图1或图2所示。
本实施例通过根据目标电路当前的工作数据以及训练好的电能功率模型，即可实时对目标电路的电能传输功率进行预测。同时采集的工作数据为目标电路的可变参数，能够实际情况进行预测，因此能够准确地对电路的电能传输功率进行预测。
在一个实施例，所述方法还包括：
在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到预设效率。
具体的，MCU还可以实时或者定时检测目标电路的负载是否发生变化(通过如图1中所示的S3接口检测到负载变换)。若目标电路的工作数据发生变化，MCU开调整目标电路的工作频率，以使得目标电路的电能传输功率重新达到电能传输功率，具体的，如图1所示，MCU可以通过S1和S2两个接口进行调整，从而改变目标电路的工作频率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电能功率模型训练方法的电能功率模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电能功率模型训练装置实施例中的具体限定可以参见上文中对于电能功率模型训练方法的限定，在此不再赘述。
在一个实施例中，如图5所示，提供了一种电能功率模型训练装置，包括：
第一获得模块510，用于获取第一训练样本和最大迭代次数，所述第一训练样本包括所述目标电路的多种类型样本数据；
初始化模块520，用于从所述第一训练样本中选择至少一种类型样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
第一计算模块530，用于计算每个初始化后的学习器的负梯度；
拟合模块540，用于基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
递归关系获取模块550，用于根据所述训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
第一模型获取模块560，用于根据各类型对应的递归关系进行加权求和，获得所述目标电路工的电能功率模型。
在一个实施例中，该电能功率模型训练装置还包括：
第一采集模块(图未示)，用于采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
第一确定模块(图未示)，用于确定预设效率和所述第一电能传输功率之间的第一偏差；
第二模型获取模块560，用于若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
在一个实施例中，该电能功率模型训练装置还包括：
第二获得模块(图未示)，用于采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
第二确定模块(图未示)，用于确定预设效率和所述第二电能传输功率之间的第二偏差；
效率电能功率模型训练装置，还用于若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
在一个实施例中，该电能功率模型训练装置还包括：
第三获得模块(图未示)，用于获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
角频率获取模块(图未示)，用于根据所述节点方程获得所述目标电路谐振点的角频率；
效率计算模块(图未示)，用于根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
在一个实施例中，拟合模块540，还用于对所述决策树中连续的特征进行离散化。
上述电能功率模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的效率预测方法的效率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个效率预测装置实施例中的具体限定可以参见上文中对于效率预测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种电能传输功率获取装置，包括：
工作数据获取模块610，用于获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
预测模块620，用于将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如上述任一项所述效率预测方法获得。
在一个实施例中，电能传输功率获取装置，还包括：
调整模块(图未示)，用于在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到所述电能传输功率。
上述电能传输功率获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，即可以采用计算机设备替换如图1中所述的MCU。其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标电路的工作数据、第一训练样本、第二训练样本等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电能功率模型训练方法或者电能传输功率获取方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；
从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
计算每个初始化后的学习器的负梯度；
基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
确定预设效率和所述第一电能传输功率之间的第一偏差；
若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
确定预设效率和所述第二电能传输功率之间的第二偏差；
若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
根据所述节点方程获得所述目标电路谐振点的角频率；
根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对所述决策树中连续的特征进行离散化。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如上所述任一项所述方法获得。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到所述电能传输功率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上所述任一项所述工作效率预测方法和效率电能功率模型训练方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上所述任一项所述电能功率模型训练方法和传输功率获取方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电能功率模型训练方法，其特征在于，所述方法包括：
获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；
从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
计算每个初始化后的学习器的负梯度；
基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
确定预设效率和所述第一电能传输功率之间的第一偏差；
若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
3.根据权利要求2所述的方法，其特征在于，所述若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型之后，还包括：
采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
确定预设效率和所述第二电能传输功率之间的第二偏差；
若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
4.根据权利要求2所述的方法，其特征在于，所述确定预设效率和所述第一电能传输功率之间的第一偏差之前，包括：
获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
根据所述节点方程获得所述目标电路谐振点的角频率；
根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
5.根据权利要求1所述的方法，其特征在于，所述基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数，包括：
对所述决策树中连续的特征进行离散化。
6.一种电能传输功率获取方法，其特征在于，所述方法包括：
获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如权利要求1-4中任一项所述方法获得。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到预设效率。
8.一种电能功率模型训练装置，其特征在于，所述装置包括：
第一获得模块，用于获取第一训练样本和最大迭代次数，所述第一训练样本包括所述目标电路的多种类型样本数据；
初始化模块，用于从所述第一训练样本中选择至少一种类型样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
第一计算模块，用于计算每个初始化后的学习器的负梯度；
拟合模块，用于基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
递归关系获取模块，用于根据所述训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
第一模型获取模块，用于根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
9.一种电能传输功率获取装置，其特征在于，所述装置包括：
工作数据获取模块，用于获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
预测模块，用于将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如权利要求1-4中任一项所述方法获得。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
CN202211423230.XA 2022-11-15 2022-11-15 电能功率模型训练方法、传输功率获取方法和相关设备 Pending CN115796302A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211423230.XA CN115796302A (zh) 2022-11-15 2022-11-15 电能功率模型训练方法、传输功率获取方法和相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211423230.XA CN115796302A (zh) 2022-11-15 2022-11-15 电能功率模型训练方法、传输功率获取方法和相关设备

Publications (1)

Publication Number Publication Date
CN115796302A true CN115796302A (zh) 2023-03-14

Family

ID=85437532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211423230.XA Pending CN115796302A (zh) 2022-11-15 2022-11-15 电能功率模型训练方法、传输功率获取方法和相关设备

Country Status (1)

Country Link
CN (1) CN115796302A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310277A (zh) * 2023-09-25 2023-12-29 国网四川省电力公司营销服务中心 电动汽车非车载充电机电能计量方法、系统、设备及介质
CN117977833A (zh) * 2024-04-02 2024-05-03 中国第一汽车股份有限公司 无线电能传输系统控制方法、装置和计算机设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310277A (zh) * 2023-09-25 2023-12-29 国网四川省电力公司营销服务中心 电动汽车非车载充电机电能计量方法、系统、设备及介质
CN117310277B (zh) * 2023-09-25 2024-06-04 国网四川省电力公司营销服务中心 电动汽车非车载充电机电能计量方法、系统、设备及介质
CN117977833A (zh) * 2024-04-02 2024-05-03 中国第一汽车股份有限公司 无线电能传输系统控制方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
Ray et al. Detecting troubled-cells on two-dimensional unstructured grids using a neural network
CN109102126B (zh) 一种基于深度迁移学习的理论线损率预测模型
CN113722877B (zh) 一种对锂电池放电时温度场分布变化进行在线预测的方法
CN104798088B (zh) 分段线性神经元建模
CN115796302A (zh) 电能功率模型训练方法、传输功率获取方法和相关设备
Fan et al. Convergence of online gradient method for feedforward neural networks with smoothing L1/2 regularization penalty
CN107436411A (zh) 基于分数阶神经网络和双容积卡尔曼的电池soh在线估计方法
CN110659722A (zh) 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法
CN111832825A (zh) 融合长短期记忆网络和极限学习机的风电预测方法及系统
CN113884937A (zh) 基于分解集成策略的锂离子电池剩余寿命预测方法及系统
CN113093014B (zh) 一种基于阻抗参数的soh与soc的在线协同估计方法及系统
Rawat et al. Minimizing validation error with respect to network size and number of training epochs
Smith et al. Physics-informed implicit representations of equilibrium network flows
Tangrand Some new contributions to neural networks and wavelets with applications
Ding et al. A modified reptile search algorithm for parametric estimation of fractional order model of lithium battery
Cotton et al. Compensation of sensors nonlinearity with neural networks
JP2007018530A (ja) 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
Cheng Adaptive fuzzy CMAC-based nonlinear control with dynamic memory architecture
CN114936524A (zh) 蓄电池内阻识别方法、装置、设备、介质和程序产品
CN114594397A (zh) 基于泛化模型的锂离子电池健康状态估计方法及系统
He et al. Application of neural network model based on combination of fuzzy classification and input selection in short term load forecasting
JP4662702B2 (ja) 外れ値度計算装置
Arandhakar et al. State of charge estimation of lithium ion battery for electric vehicle using cutting edge machine learning algorithms: A review
CN115577618B (zh) 高压换流阀厅环境因子预测模型构建方法与预测方法

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
CB02 Change of applicant information

Country or region after: China

Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China

CB02 Change of applicant information