一种电动汽车无线电能传输系统传输性能优化方法技术方案

本发明专利技术适用于无线电能传输技术领域，提供了一种电动汽车无线电能传输系统传输性能优化方法，包括如下步骤：步骤1、对电动汽车WPT系统传输效率不确定性进行量化；步骤2、依据步骤1中的结果，对多目标优化算法进行改进；步骤3、通过步骤2中的改进算法对电动汽车WPT系统传输性能进行优化。本发明专利技术利用改进的多目标天鹰优化算法对WPT系统补偿电路及磁能线圈组结构进行优化设计，实现电动汽车WPT系统的充电效率和鲁棒性能够同步提升；利用多个网络集成学习的方式，提高了求解精度和计算效率；对原有的优化算法进行改进，有效提高了算法对于WPT系统最优结构参数组的搜索精度和效率。系统最优结构参数组的搜索精度和效率。系统最优结构参数组的搜索精度和效率。

【技术实现步骤摘要】
一种电动汽车无线电能传输系统传输性能优化方法


[0001]本专利技术属于无线电能传输
，尤其涉及一种电动汽车无线电能传输系统传输性能优化方法。

技术介绍

[0002]随着新能源电动汽车的发展进程不断加速，无线电能传输(WPT)技术已成为全球许多研究机构和汽车企业关注的焦点，WPT技术相较于传统有线充电，具有防水防尘、运行安全、无机械磨损等诸多优点，应用前景相当广泛。然而，在电动汽车WPT技术应用越来越普及的同时，其面临的挑战也逐渐呈现，WPT系统的传输效率对于外界干扰因素较为敏感便是一个典型问题，这一定程度上限制了该技术的进一步发展。
[0003]在上述问题中，不确定性量化方法具有重要的意义，因为它可以获取WPT系统传输效率的相关统计特征参数，从而进一步为WPT系统的结构优化设计提供指导。
[0004]针对电动汽车WPT系统传输效率的不确定性问题，直接采用传统蒙特卡洛法对传输效率展开不确定性量化会导致计算效率较低。
[0005]目前的WPT系统传输性能优化研究中，通常采用单目标优化算法对WPT系统的结构参数进行优化设计，由于单目标优化算法的优化目标为单一对象，这无法从真正意义上改善WPT系统的传输性能。

技术实现思路

[0006]本专利技术实施例的目的在于提供一种电动汽车无线电能传输系统传输性能优化方法，旨在解决目前针对电动汽车WPT系统传输效率的不确定性问题，直接采用传统蒙特卡洛法对传输效率展开不确定性量化会导致计算效率较低。且目前的WPT系统传输性能优化研究中，通常采用单目标优化算法对WPT系统的结构参数进行优化设计，由于单目标优化算法的优化目标为单一对象，无法从真正意义上改善WPT系统的传输性能的问题。
[0007]本专利技术实施例是这样实现的，一种电动汽车无线电能传输系统传输性能优化方法，所述电动汽车无线电能传输系统传输性能优化方法包括如下步骤：
[0008]步骤1、电动汽车WPT系统传输效率不确定性量化：
[0009]结合电动汽车无线电能传输过程中可能存在的情况，将发射线圈与接收线圈之间的倾斜角、发射线圈与接收线圈之间的垂直间距、发射线圈与接收线圈中心的水平偏移、补偿电路发射端回路等效电阻、补偿电路接收端回路等效电阻以及负载电阻作为随机不确定输入变量，建立了基于深度学习网络的WPT系统传输效率不确定性量化框架，从而获得传输效率在波动范围内的均值、方差及概率密度分布等相关统计特征参数，通过对比经典蒙特卡洛法的计算结果，验证了深度学习量化汽车无线电能传输效率不确定性的精度和效率。
[0010]步骤2、多目标优化算法改进：
[0011]对多目标天鹰优化(AO)算法进行了改进，在算法的种群初始化阶段结合Tent混沌映射形成良好的种群分配机制，并在全局探索阶段结合自适应惯性权重对探索模式进行改
进，实现了算法迭代初期全局搜索能力的提升，使其不易陷入局部最优解，同时也提升了算法迭代后期的局部搜索能力，进而提高了全局最优解的搜索精度。
[0012]步骤3、电动汽车WPT系统传输性能优化：
[0013]结合电动车无线电能传输效率的不确定性量化结果，本专利技术进一步采用了改进的多目标天鹰优化算法对电动汽车WPT系统结构进行优化，最终实现了电动汽车WPT系统传输性能的显著提升。
[0014]本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法，具有以下有益效果：
[0015]1.本专利技术主要搭建了基于深度学习网络的不确定性量化框架，获得表征汽车无线电能传输效率不确定性的均值、方差以及概率密度分布等相关统计特征参数，以传输效率的均值和方差作为优化目标，利用改进的多目标天鹰优化算法对WPT系统补偿电路及磁能线圈组结构进行优化设计，实现电动汽车WPT系统的充电效率和鲁棒性能够同步提升。
[0016]2.本专利技术提出采用深度学习神经网络作为WPT系统传输效率的不确定性量化框架，通过在网络层中引入dropout、批量归一化功能模块，并利用多个网络集成学习的方式，有效地提高求解精度和计算效率。
[0017]3.本专利技术基于深度学习的不确定性量化结果，进一步利用多目标优化算法实现WPT系统的优化。此外，本专利技术提出对原有的优化算法进行改进，有效提高了算法对于WPT系统最优结构参数组的搜索精度和效率。
附图说明
[0018]图1为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的主要算例流程图；
[0019]图2为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的SS拓扑补偿电路图；
[0020]图3为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的WPT系统实际充电过程中线圈组存在多方向水平偏移的空间错位视图；
[0021]图4为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的WPT系统实际充电过程中线圈组同时存在水平偏移和角度偏移的空间错位视图；
[0022]图5为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的采用dropout模块后DNN结构图；
[0023]图6为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的多次MC仿真试验结果比较图；
[0024]图7为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的多次DNN不确定性量化结果比较；
[0025]图8为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的电动汽车WPT系统示意图；
[0026]图9为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的DNN与MC计算传输效率概率密度分布函数图；
[0027]图10为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法
的算法仿真结果对比图；
[0028]图11为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的改进AO的Pareto最优解函数图；
[0029]图12为本专利技术实施例提供的一种电动汽车无线电能传输系统传输性能优化方法的优化前后传输效率概率密度分布对比图。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0031]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0032]如图1所示，在本专利技术实施例中，一种电动汽车无线电能传输系统传输性能优化方法，所述电动汽车无线电能传输系统传输性能优化方法包括如下步骤：
[0033]步骤1、对电动汽车WPT系统传输效率不确定性进行量化：
[0034]结合电动汽车无线电能传输过程中可能存在的情况，将发射线圈与接收线圈之间的倾斜角、发射线圈与接收线圈之间的垂直间距、发射线圈与接收线圈中心的水平偏移、补偿电路发射端回路等效电阻、补偿电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述电动汽车无线电能传输系统传输性能优化方法包括如下步骤：步骤1、对电动汽车WPT系统传输效率不确定性进行量化；步骤2、依据步骤1中的结果，对多目标优化算法进行改进；步骤3、通过步骤2中的改进算法对电动汽车WPT系统传输性能进行优化。2.根据权利要求1所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述的对电动汽车WPT系统传输效率不确定性进行量化包括：S1、结合电动汽车WPT系统在实际充电过程中可能存在的情况，选出若干个影响传输效率的随机变量，并确定每个变量的分布类型；S2、建立深度学习神经网络模型。3.根据权利要求2所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述对多目标优化算法进行改进包括如下步骤：S3、从S1中随机变量的分布范围内采样数据作为网络模型的训练样本，每组样本对应的传输效率值作为训练标签，对模型进行训练；S4、从变量的分布范围内采样定量的数据作为模型的测试样本，计算得到WPT系统无线电能传输效率的均值、方差及概率密度分布函数统计特征参数；S5、将Tent混沌映射和自适应惯性权重策略融合到多目标天鹰优化算法上，得到改进的多目标天鹰优化算法。4.根据权利要求3所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述对电动汽车WPT系统传输性能进行优化包括如下步骤：S6、确定需要优化的WPT系统结构参数；S7、基于改进的多目标天鹰优化算法，以传输效率在波动范围内的均值和方差作为优化目标对WPT系统结构进行优化；S8、利用深度学习网络计算得到优化后WPT系统传输效率的概率密度分布函数。5.根据权利要求1所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，步骤S1中所述的建立深度学习神经网络模型中的隐含层上单个节点的输入量x与输出量y的关系式为：y＝σ(w
·
x+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中σ()表示非线性传递函数，w为线性映射，b为偏置项；当输出值与训练标签之间的误差趋向于无穷小，此时训练过程的评价指标函数为：式(2)中N表示训练样本数目，yi表示网络输出值，y*表示训练标签。在该深度学习神经网络模型的数据采集阶段，以电动汽车WPT系统发射线圈与接收线圈之间的倾斜角α、发射线圈与接收线圈之间的垂直间距d、发射线圈与接收线圈中心的水平偏移Δx，Δy、补偿电路发射端回路等效电阻R1、补偿电路接收端回路等效电阻R2以及负载电阻R
L
作为模型的输入变量，采用网络集成学习的方式，搭建第一DNN模型、第二DNN模型和第三DNN来实现WPT系统传输效率不确定性量化。
6.根据权利要求5所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述的第一DNN模型，输入量分别为α、d、Δx、Δy，输出量为线圈互感M，第一部分深度学习神经网络由六个普通全连接层和一个批量归一化层组成，从前至后六个全连接层的节点数分别为4、64、32、32、16、1，批量归一化层的输入特征数为32，其数学模型为：4、64、32、32、16、1，批量归一化层的输入特征数为32，其数学模型为：4、64、32、32、16、1，批量归一化层的输入特征数为32，其数学模型为：式(3)中，γ和β均为参数向量，默认取值分别为0和1，ε用于保证数值的稳定性，默认取值1e
‑5。7.根据权利要求5所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述的第二DNN模型，为单个全连接层，由三个神经元节点组成，用于对R1、R2、R
L
的数据进行压缩，提升模型的学习和汲取信息的能力。8.根据权利要求5所述的电动汽车无线电能传输系统传输性能优化方法，其特征在于，所述的第三DNN模型，由五个全连接层和dropout层组成，从前至后五个全连接层的节点数分别为4、64、32、16、1；使用dropout模块后神经元节点的计算公式为：r
l
～Bernoulli(p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式(6)中，r
l
表示服从伯努利分布的随机数，p表示对应的概率，p的理想...

【专利技术属性】
技术研发人员：王天皓，吴扬昀，李博，于全毅，徐琳琳，高乐，
申请(专利权)人：吉林大学，
类型：发明
国别省市：