多维WPT系统的接收线圈位置预测方法

摘要

本发明提供一种多维WPT系统的接收线圈位置预测方法。所述位置预测方法包括：步骤S1，将角度视为位置预测信息；获取多维无线电能传输系统原始数据，对原始数据进行数据预处理；步骤S2，对预处理后的数据信息分析，确定多维WPT系统角度预测模型的输入特征，所述输入特征包括系统的环境特征和状态特征；步骤S3，特征向量归一化；步骤S4，对所述数据预处理后的离散数据进行平滑处理，并随机抽取平滑处理后样本数据的70％作为训练样本，余下总样本的30％作为测试样本；步骤S5，判断预测结果是否满足精度要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测。

说明书

技术领域

本发明涉及无线输电领域，具体涉及一种基于机器学习的多维WPT系统接 收线圈位置预测方法。

背景技术

线圈偏移问题在无线电能传输系统实际运行中经常出现，将造成系统的传 输效率显著下降。在多维正交线圈结构中，可通过改变磁场方向来提高系统传输 效率。磁场角度的实时获取对全方向无线电能传输系统非常重要，通常采用无线 通信装置和角度测量仪等方法进行测量。无线通信方式容易受到外界电磁信号 的干扰，可靠性不高。角度测量仪对接收线圈的位置只能实现离线测量，具有一 定的局限性。为此，针对多维WPT系统接收线圈位置的预测方法还需进一步研 究与完善。

发明内容

为了解决上述技术问题，本发明提供一种多维WPT系统的接收线圈位置预 测方法。

本发明解决上述问题的技术方案是：一种多维WPT系统的接收线圈位置预 测方法，所述机器学习建模方法包括：步骤S1，将角度视为位置预测信息；获 取多维无线电能传输系统原始数据，对原始数据进行数据预处理；步骤S2，对 预处理后的数据信息分析，确定多维WPT系统角度预测模型的输入特征，所述 输入特征包括系统的环境特征和状态特征；步骤S3，特征向量归一化；步骤S4， 对所述数据预处理后的离散数据进行平滑处理，并随机抽取平滑处理后样本数 据的70％作为训练样本，余下总样本的30％作为测试样本；步骤S5，判断预测 结果是否满足精度要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维WPT系统角度预测模型的输入数据，实现对角度的精确预测。

上述多维WPT系统的接收线圈位置预测方法，所述机器学习方法包括：朴 素贝叶斯算法，BP神经网络算法，支持向量机(SVM)算法等。

上述多维WPT系统的接收线圈位置预测方法，所述对原始数据进行数据预 处理的步骤，包括：在不同传输距离和角度区域工况下，在线获取系统传输效率、 输入电流等数据，获取并评估样本数据，构建样本集合，对所述多维无线电能传 输系统原始数据进行数据清洗，清除所述系统原始数据中的数据缺失值，得到符 合要求的状态数据和环境数据。

上述多维WPT系统的接收线圈位置预测方法，所述对数据预处理后的原始 数据确定系统角度预测模型输入特征的步骤，包括通过分析系统传输效率的影 响因素，确定在二维WPT系统将接收线圈与发射线圈距离、传输效率和电流大 小I

上述多维WPT系统的接收线圈位置预测方法，所述特征向量归一化的步骤， 包括：对相同的特征(每个特征向量分别归一化)进行排序，然后根据特征的最 大值和最小值重新计算特征值，实现多维无线电能传输系统输入特征的依次对 应。

上述多维WPT系统的接收线圈位置预测方法，所述离散数据平滑处理，并 随机抽取训练样本和测试样本的步骤，包括：对原始数据预处理后的离散数据进 行平滑处理。同时随机抽取平滑处理后样本数据的70％作为训练样本，余下样 本的30％作为测试样本，对收集到的特征样本进行处理，并构建多维无线输电 系统位置预测模型，同时通过测试样本对训练样本进行训练，得到训练后的多维 正交发射线圈无线输电系统位置预测模型。

二维WPT系统位置预测模型如下：

其中，距离D，电流I

三维WPT系统位置预测模型如下：

其中，距离D，电流I

本发明创造性的设计了一种基于机器学习的多维无线电能传输系统的接收 线圈位置预测方法，使其系统能够自动预测接收线圈位置变化，并详细介绍了一 种基于机器学习的多维无线电能传输系统数据预处理方法和输入特征选择方法， 该方法能够有效减少定位误差以及计算复杂度，精确输出接收线圈位置信息。

附图说明

图1为本发明方法的系统建模主要步骤流程示意图；

图2为本发明的线圈结构示意图；

图3为本发明的多维WPT系统的接收线圈位置预测结构图；

图4为本发明的系统装置等效电路示意图；

图5为二维WPT系统中本发明预测结果与实际对比示意图。

图6为三维WPT系统中本发明预测结果与实际测量对比示意图。

具体实施方式

本专利以基于BP神经网络算法的多维无线电能传输系统磁场角度预测方 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，步骤S1，将角度视为位置预测信息；获取多维无线电能传输 系统原始数据，对原始数据进行数据预处理；步骤S2，对预处理后的数据信息 分析，确定多维WPT系统角度预测模型的输入特征，所述输入特征包括系统的 环境特征和状态特征；步骤S3，特征向量归一化；步骤S4，对所述数据预处理 后的离散数据进行平滑处理，并随机抽取平滑处理后样本数据的70％作为训练 样本，余下总样本的30％作为测试样本；步骤S5，判断预测结果是否满足精度 要求，若满足则进行步骤S6；若不满足则返回步骤S4；步骤S6，在线获取多维 WPT系统角度预测模型的输入数据，实现对角度的精确预测。

如图2所示，多维无线电能传输系统是由两个或者三个正交的发射线圈构 成，接收线圈与发射线圈结构距离为D。

对原始数据进行数据预处理的方法包括：在不同传输距离和角度区域工况 下，在线获取系统传输效率、输入电流等数据，获取并评估样本数据，构建样本 集合，对所述多维无线电能传输系统原始数据进行数据清洗，清除所述系统原始 数据中的数据缺失值，得到符合要求的状态数据和环境数据。

上述对数据预处理后的原始数据确定磁场角度预测模型输入特征的建模方 法包括：通过分析系统传输效率的影响因素，确定在二维WPT系统将接收线圈 与发射线圈距离、传输效率和电流大小I

上述特征向量归一化的步骤包括：对相同的特征(每个特征向量分别归一化) 进行排序，然后根据特征的最大值和最小值重新计算特征值，并实现多维无线电 能传输系统输入特征的依次对应。

上述离散数据平滑处理，并随机抽取训练样本和测试样本的步骤包括：对原 始数据预处理后的离散数据进行平滑处理。

如图3所示，上述多维WPT系统的接收线圈位置预测结构图包括：

如图3(a)在二维WPT系统中，输入层接收发射线圈电流I

其中，距离D，电流I

如图3(b)在三维WPT系统中，输入层接收发射线圈电流电流I

三维系统有五个目标输入同时存在两个目标输出，3D-WPT系统建模是将 距离D，电流I

如图4所示多维WPT系统预测控制等效电路，图4(a)为二维WPT系统预 测控制等效电路，两个发射线圈分别由两个相同频率独立的交流电流源u

图4(b)为三维无线输电系统预测控制等效电路，其中三个发射线圈分别 由三个相同频率独立的交流电流源u

本发明提出的基于机器学习的多维无线电能传输系统磁场角度预测方法， 在仿真和实验上通过验证，实验参数如下：直流电源为20V，系统工作频率为 200kHz，负载为15Ω，副边补偿电容为12.77nf，副边自感为49.58uH，副边线 圈内阻为0.05Ω，原边双发射线圈自感分别为49.6uH、46.3uH原边双发射线 圈补偿电容分别为12.77nf、13.67nf，原边双发射线圈内阻分别为0.05Ω、0.05Ω。

如图5和图6所示，图5为二维WPT系统中本发明预测结果与实际对比示 意图。图5(a)、(b)、(c)、(d)、(e)分别是基于BP神经网络算法，朴素 贝叶斯算法与公式预测在D＝200mm、D＝250mm、D＝300mm、D＝350mm、 D＝400mm工况下的实际角度和预测角度对比。图5(f)为D＝450mm时BP神 经网络算法的泛化预测能力。图6为三维WPT系统中本发明预测结果与实际测 量对比示意图。图6(a)、(b)、(c)、(d)、(e)分别是基于BP神经网络算 法，朴素贝叶斯算法与公式预测在D＝200mm、D＝250mm、D＝300mm、D＝350mm、 D＝400mm工况下的实际角度和预测角度对比。图6(f)为D＝450mm时BP神 经网络算法的泛化预测能力。可以看出BP神经网络算法更接近理论最佳曲线， 朴素贝叶斯算法预测准确率与上述两种算法相比，效果较差，但也优于目前普遍 使用的公式预测，因此机器学习应用于多维无线电能传输系统磁场角度预测得 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。