遗传算法优化BP神经网络的WPT系统阻抗匹配方法与流程

本发明属于无线电能传输领域，尤其是一种遗传算法优化bp神经网络的无线电能传输阻抗匹配控制方法

背景技术：

第二次工业革命后，人类社会便进入了电气化时代，电能的传输主要通过金属导线的点对点直接接触进行传输。这种“有线”的传输方式带来了不少的问题，例如，由于存在摩擦、老化等影响，电能在传输过程中很容易产生火花，进而影响到用电设备的使用寿命和用电安全。日益增多的架空线路，在造成城市空间拥挤的同时，架设难度、维护成本、危险系数也逐步上升。另外，传统的有线电力传输方式不能满足一些特殊应用场合的需要，如矿井等。鉴于传统电能传输方式的诸多弊端，追求电能的无线传输，摆脱导线、电缆的束缚成为新世纪人们研究探索的方向，于是无线电能传输(wirelesspowertransfer，wpt)技术应运而生。

无线电能传输技术在很多方面特别是应用方面国内外的研究还处于初级阶段，一个重要问题就是传输效率低下，不管是哪种无线电能传输技术都面临随距离或负载变化而导致电能传输效率降低的问题。要提高系统的传输效率就必须使系统工作在最优效率的阻抗下，从负载阻抗匹配的角度研究效率适应不同距离和负载是一个比较有潜力的方向。

鉴于对系统的实时调节的需求，自适应阻抗匹配技术成为了无线电能传输系统提高系统效率，优化系统的发展趋势，而匹配精度和匹配速度作为阻抗匹配技术优劣的评价标准，普通的阻抗匹配方法很难同时满足对两者的要求。

技术实现要素：

本发明的目的是为了解决上述问题，设计了一种遗传算法优化bp神经网络的wpt系统阻抗匹配方法。

实现上述目的本发明的技术方案为，一种遗传算法优化bp神经网络的wpt系统阻抗匹配方法，该方法包括如下步骤：

步骤一：选取wpt系统中合适的特征量作为模型的输入变量，用以优化阻抗匹配参数，实现系统的阻抗匹配。

步骤二：确定神经网络的拓扑结构，初始化、训练bp神经网络，通过学习建立wpt系统输入变量与系统匹配网络参数的映射关系。

步骤三：将bp神经网络测试样本电容的输出误差平方和取倒数作为遗传算法的适应度函数。

步骤四：进行遗传算法优化，初始化种群，将bp神经网络得到的适应度函数进行反复染色体复制、交叉、变异过程，最终解码得到最佳权值和阈值。

步骤五：利用优化后权值和阈值对bp神经网络输出电容值进行预测，再通过控制电机来调节匹配网络中的匹配电容使系统达到阻抗匹配状态。

所述步骤一所述的输入变量选用wpt系统发射端的输入阻抗zn(zn＝re+im)，优化目标参数选用匹配网络中的两个可调电容c1、c2，从而建立re、im与c1、c2的映射关系。

所述步骤二所述的拓扑结构选用2-7-2，即输入层有2个节点，隐含层有7个节点，输出层有2个节点，共有28个权值和9个阈值。从132组输入输出数据中选取112组数据作为训练样本，20组数据作为测试样本。bp神经网络中隐含层神经元传递函数采用s型正切函数tansig，输出层传递函数采用线性函数purelin，训练函数选用收敛速度最快的trainlm函数。

所述步骤三所述的测试样本电容的输出误差要求越小越好，即取误差平方和倒数后的适应度函数越大越好。适应度函数计算的具体步骤如下：

将bp神经网络的28个权值和9个阈值用w1、w2、b1、b2来表示，其中w1表示输入层到隐含层的权值，w2表示隐含层到输出层的权值，b1表示输入层到隐含层的的阈值，b2表示隐含层到输出层的阈值。

计算输入层到隐含层的输出a1，

a1＝tansig(w1*p,b1)(1)

式中p为测试样本的输入，即wpt系统中检测到的输入阻抗；

计算隐含层到输出层的输出a2，

a2＝purelin(w2*a1,b2)(2)

计算误差平方和se，并求遗传算法的适应值val，

se＝sumsqr(t-a2)(3)

val＝1/se(4)

式中t为测试样本的输出，即wpt系统中匹配网络的匹配电容。

所述步骤四所述的复制、交叉、变异过程选择适应度高的染色体，即选择出测试电容误差较小的染色体，进而找到最优权值和阈值，遗传算法参数设置为：种群规模为50，遗传代数为50,交叉概率为0.4，变异概率为0.1。

利用本发明的技术方案制作的遗传算法优化bp神经网络的wpt系统阻抗匹配方法，针对神经网络算法自身存在的易限于局部最小值，收敛速度慢等缺点，提出了一种遗传算法优化bp神经网络的wpt系统阻抗匹配方法。通过引入遗传算法对bp神经网络权值和阈值进行优化，提高了wpt系统阻抗匹配的匹配速度，同时又保有很好的匹配精度，达到了优化控制的目的，提高了系统的传输效率

附图说明

图1为本发明的遗传算法优化bp神经网络流程图；

图2为本发明阻抗匹配系统结构框图；

图3为最优个体适应度值；

图4为遗传算法优化bp神经网络的预测结果；

图5为遗传算法优化bp神经网络的匹配结果。

具体实施方式

下面结合附图对本发明进行具体描述，

如图2所示，wpt系统阻抗匹配控制。检测wpt系统发射端的输入阻抗zn(zn＝re+im)，并将其作为基于dsp的遗传算法优化bp神经网络的输入变量，通过步进电机控制匹配网络中的两个可调电容c1、c2，实现wpt系统的阻抗匹配。

遗传算法优化bp神经网络流程图如图1所示。神经网络算法拓扑结构选用2-7-2，即输入层有2个节点，隐含层有7个节点，输出层有2个节点，共有28个权值和9个阈值。从132组输入输出数据中选取112组数据作为训练样本，20组数据作为测试样本。bp神经网络中隐含层神经元传递函数采用s型正切函数tansig，输出层传递函数采用线性函数purelin，训练函数选用收敛速度最快的trainlm函数。遗传算法优化得到bp神经网络最优初始权值和阈值，把最优初始权值和阈值赋给神经网络，遗传算法参数设置为：种群规模为50，遗传代数为50,交叉概率为0.4，变异概率为0.1。

通过遗传算法优化bp神经网络建立re、im与c1、c2的映射关系，如图3所示得到最优个体适应度值，其中适应度函数计算的具体步骤如下：

将bp神经网络的28个权值和9个阈值用w1、w2、b1、b2来表示，其中w1表示输入层到隐含层的权值，w2表示隐含层到输出层的权值，b1表示输入层到隐含层的的阈值，b2表示隐含层到输出层的阈值。

计算输入层到隐含层的输出a1，

a1＝tansig(w1*p,b1)(1)

式中p为测试样本的输入，即wpt系统中检测到的输入阻抗；

计算隐含层到输出层的输出a2，

a2＝purelin(w2*a1,b2)(2)

计算误差平方和se，并求遗传算法的适应值val，

se＝sumsqr(t-a2)(3)

val＝1/se(4)

式中t为测试样本的输出，即wpt系统中匹配网络的匹配电容。

仿真预测可调电容c1、c2，由图4可以看出，遗传算法优化bp神经网络对wpt系统匹配参数的预测效果较好，仿真运行20组测试样本，得到预测误差的平均值为0.1298，预测精度较高。

设置wpt系统可调电容c1、c2的初始值分别为0.1439nf、0.1844nf，检测此时系统的输入阻抗为18.3+j36.64ω，遗传算法优化bp神经网络后的系统匹配结果如图5所示，经过阻抗匹配后输入阻抗变为49.79+j0.008ω，输入电阻的匹配时间为9μs，输入电抗的匹配时间为7.9μs，可以看出基于遗传算法优化bp神经网络的系统阻抗匹配模型具有较高的匹配精度和较快的匹配速度，而且拥有很好的稳定性，为解决输出负载或传输距离变化导致的wpt系统阻抗失配、匹配精度低，匹配速度慢等问题提供了有效的方法。

上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。