分析EC-WPT系统周边金属环境影响的神经网络模型构建方法

分析ec-wpt系统周边金属环境影响的神经网络模型构建方法
技术领域
1.本发明涉及无线电能传输技术，具体涉及一种分析ec-wpt系统周边金属环境影响的神经网络模型构建方法。


背景技术：

2.无线电能传输(wireless power transfer，wpt)技术是指综合应用电工理论、电力电子技术、控制理论，利用磁场、电场、微波等媒介实现电能从电网或电池以非电气接触的方式传输至用电设备的技术，具有安全、方便、可靠、灵活等优点，可以有效地解决传统有线取电方式引起的设备灵活性受限和安全隐患的问题。磁耦合无线电能传输系统(magnetic coupling wireless power transfer,mc-wpt)及电场耦合无线电能传输系统(electric-field coupling wireless power transfer,ec-wpt)是目前国内外研究学者关注最多的两种wpt系统。其中，mc-wpt系统发展较为成熟，应用也最为广泛。由于电场在许多特性上与磁场相似，而且两者在基本理论上呈现出对偶性，以电场为传输媒介的ec-wpt系统也日益吸引了来自国内外学者的高度关注。ec-wpt系统相对于mc-wpt系统而言，其耦合机构重量轻、形状易变且成本较低；耦合机构产生的电磁干扰(electromagnetic interference,emi)较低；在耦合机构之间或周围的金属导体上引起的涡流损耗很小；同时也能够跨过金属屏障传能。由于ec-wpt技术具有上述特点，该技术已成为当前wpt领域的研究热点之一。国内外学者针对ec-wpt技术的系统建模、耦合机构、高频功率变换器、谐振网络、控制方法和电能信号并行传输等多个方面展开了研究。经过近些年的发展，ec-wpt技术在传输距离和传输功率上已经能满足许多wpt应用的需求，逐渐被应用到消费电子、电动汽车、工业生产制造及水下设备等领域。
3.对于以上常见的ec-wpt系统实际应用场景，其周围环境普遍存在由金属构成的物体。例如：大部分手机的支撑骨架会采用金属材料，以保证机身纵向和横向的抗压、抗弯折以及散热能力；常见的大部分汽车及船舶的外壳也属于金属材料；多数石油钻井中的钻杆也会采用高等级的钢材，保证钻杆能够承受巨大的内外压、扭曲、弯曲和振动；对于水下无人潜航器(unmanned underwater vehicle,uuv)而言，其外壳虽然采用的是深海浮力材料(为uuv提供正浮力)，但其内部仍包含大量的金属零部件及金属机械结构，且其无线充电系统的发射端基站处于海底，一般情况下也会使用高强度、抗高压低温及耐腐蚀磨损的合金钢板材料；常见的立体车库是一种大型机械结构，其纵梁、连接块、底部支架和立板等部位均由金属体构成。由此可见，对于ec-wpt系统而言，系统处于金属环境中的情况是十分普遍的，且金属环境的结构通常也会随着应用场景的不同而发生变化。
4.ec-wpt系统虽不会在周围环境的金属体上产生较大的涡流损耗，但其周围环境中的金属导体会和系统耦合机构极板形成交叉耦合电容。交叉耦合电容的产生主要会对系统耦合机构的等效电容cs产生影响。在不同应用场景中，ec-wpt系统周围环境中的金属物体的大小、材料、以及距离系统耦合机构的远近程度等都不相同，即对耦合机构等效电容cs的影响程度不同。ec-wpt系统耦合机构等效电容cs的改变会对系统能效特性产生影响甚至使
系统谐振频率发生漂移。目前，国内外有关金属导体对wpt系统影响的研究都侧重于mc-wpt系统中的异物检测领域(foreign object detection，fod)。对于ec-wpt系统而言，系统虽能够跨过金属障碍传能且不会产生较大的涡流，但关于系统周围金属环境对系统能效特性的影响规律，目前国内外仍缺乏相关的研究方法和理论成果，而在ec-wpt系统的绝大多数应用场景中，系统处于金属环境中的情况是很难避免的。因此，有必要深入研究金属环境对ec-wpt系统能效特性的影响，为进一步研究金属环境下ec-wpt系统关键技术和抑制金属环境对ec-wpt系统能效特性影响的相关方法奠定理论基础。


技术实现要素：

5.基于上述需求，本发明的目的在于提出一种分析ec-wpt系统周边金属环境影响的神经网络模型构建方法，该方法利用神经网络算法通过非线性拟合的方式对金属环境不同特征与系统能效之间的函数关系进行近似求解，根据训练所得的权重和偏置矩阵，推导出了金属环境下ec-wpt系统的能效模型，通过该模型能够准确分析出不同类型金属环境对系统能效特性的影响规律，有效解决了目前仿真方法精度低、实验方法成本高、一般的公式推导方法求解难度高和推导过程复杂的问题，为进一步研究抑制金属环境对ec-wpt系统能效特性影响的相关方法提供理论指导。
6.为了实现上述目的，本发明所采用的具体技术方案如下：
7.一种分析ec-wpt系统周边金属环境影响的神经网络模型构建方法，其关键在于，包括以下步骤：
8.s1：确定ec-wpt系统电路结构和周边金属环境变量；
9.s2：通过实验获取不同周边金属环境影响下当前ec-wpt系统电路结构的输出功率，并作为样本数据集；
10.s3：对样本数据集进行处理，将多个周边金属环境变量编码形成输入特征向量，将输出功率作为输出变量；
11.s4：构建神经网络模型，并利用步骤s3处理后的输入特征向量和输出变量进行训练；
12.s5：通过网格搜索方法对神经网络模型的超参数进行优化；
13.s6：根据神经网络的权重和偏置矩阵推导出最优能效模型作为分析ec-wpt系统周边金属环境影响的神经网络模型。
14.可选地，步骤s1中确定的周边金属环境变量包括距离或/和面积或/和材料或/和位置。
15.可选地，步骤s2通过实物实验获取不同周边金属环境影响下当前ec-wpt系统电路结构的输出功率。
16.可选地，步骤s3中采用独热码对样本数据集中表征位置的变量进行编码。
17.可选地，步骤s4中构建的神经网络模型输入层神经元数量为5，输出层神经元数量为1，激活函数采用sigmoid函数。
18.可选地，步骤s5中通过网格搜索神经网络模型的超参数时，隐含层层数搜索范围为(2,3,4)，隐含层神经元数量搜索范围为(16,32,64,128)，批量大小的搜索范围为(4,8,16,32)。
19.可选地，当ec-wpt系统电路结构为双边lc补偿，周边金属环境变量选择距离、面积和位置时，步骤s6所得最优能效模型隐含层层数为2，隐含层神经元数量为128，批量大小为4；
20.隐含层1的输入向量隐含层1的输入向量表示神经网络模型的输入向量，d
me
表示金属环境的距离，a
me
表示金属环境的面积，表示金属环境位置的one-hot编码向量，和分别表示神经网络模型输入层与隐含层1的连接权重矩阵和偏置，隐含层1的输出向量为含层1的连接权重矩阵和偏置，隐含层1的输出向量为表示实数，上标表示数据维度；
21.隐含层2的输入向量和输出向量计算公式为：其中，和分别表示神经网络模型隐含层1与隐含层2的连接权重矩阵和偏置；
22.输出层所得系统输出功率其中l
me
表示金属环境的位置，和分别表示神经网络模型隐含层2与输出层的连接权重矩阵和偏置。
23.可选地，将步骤s6所得的最优能效模型装载到上位机、树莓派、pc终端或智能终端上，形成具有人机交互功能的ec-wpt系统周边金属环境影响分析系统，通过输入金属环境特征参数取值的限制范围以及需要评估的金属环境参数，调用所述最优能效模型对系统实际输出功率进行在线实时计算和分析。
24.可选地，利用步骤s6所得最优能效模型所计算的输出功率数据绘制出周边金属环境变量不同取值情况与系统输出功率之间的影响规律曲线。
25.本发明的效果是：
26.本发明利用神经网络算法通过非线性拟合的方式对金属环境不同特征与系统能效之间的函数关系进行近似求解，根据训练所得的权重和偏置矩阵，推导出了金属环境下ec-wpt系统的能效模型，通过该模型能够准确分析出不同类型金属环境对系统能效特性的影响规律，有效解决了目前仿真方法精度低、实验方法成本高、一般的公式推导方法求解难度高和推导过程复杂的问题，为进一步研究抑制金属环境对ec-wpt系统能效特性影响的相关方法提供了理论指导。
附图说明
27.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。
28.图1为本发明提供的分析ec-wpt系统周边金属环境影响的神经网络模型构建方法流程图；
29.图2为本发明具体实施例中ec-wpt系统电路图；
30.图3为本发明具体实施例中耦合机构示意图；
31.图4为本发明具体实施例中金属环境变量对应关系示意图；
32.图5为金属环境不同特征对ec-wpt系统输出功率影响规律实物实验数据曲线；
33.图6为相对误差随训练次数变化曲线；
34.图7为金属环境对系统能效特性影响规律预测数据曲线；
35.图8为本发明构建的金属环境下ec-wpt系统神经网络能效模型图；
36.图9为使用金属环境下ec-wpt系统能效模型对系统能效特性进行分析的人机交互界面示意图。
具体实施方式
37.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。
38.需要注意的是，除非另有说明，本技术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。
39.如图1所示，本实施例提供一种分析ec-wpt系统周边金属环境影响的神经网络模型构建方法，包括以下步骤：
40.s1：确定ec-wpt系统电路结构和周边金属环境变量；
41.具体实施时，根据应用场景不同，ec-wpt系统中往往也采用不同的补偿网络，例如lc、lcl、lclc、lcc等，而lc补偿电路相对于其他补偿电路具有电路阶数低、对系统的参数变化不敏感以及电路拓扑简单的优点，因此本实施例基于双边lc补偿ec-wpt系统来验证本发明所提及的不同金属环境下系统的能效特性规律，所确定的ec-wpt系统电路结构如图2所示，系统参数配置如表1所示：
42.表1系统参数表
[0043][0044]
由于圆形极板能够避免方形极板带来的尖端放电问题，因此，本实施例采用图3所示的圆形极板耦合机构，当然也可以基于其它形状的极板结构进行建模。针对周边金属环境变量而言，在实际应用场景中，手机、电动汽车、船舶、uuv及立体车库等不同应用场景，其金属物体在形状、材质及体积等方面差异较大，在实验中，复现这些实际应用场景的难度和成本都较高，为了提高实验的可行性，我们对实际场景中的各类金属物体在形状上进行了简化，将系统耦合机构发射端与接收端周围的金属物体抽象为形状规则的几何体。通过改变几何体的边长、材质及其与系统耦合机构之间的垂直距离等变量近似模拟系统周围不同类型的金属环境。为了更全面的模拟实际场景中系统周围各类金属环境，本实施例设置了距离、面积、材料及位置四个变量去描述不同类型的金属环境。图4所示为本例中金属环境距离、面积及位置变量的示意图，其中，金属环境的距离主要是指图4(a)中极板p6(同极板
p5)与耦合机构的垂直距离(d
me
)；面积主要是指图4(b)中极板p5(同极板p6)与耦合机构正对面的矩形面积(s
me
)；位置的三种取值分别对应图4(c)中所示的极板的三种摆放情况。
[0045]
s2：通过实验获取不同周边金属环境影响下当前ec-wpt系统电路结构的输出功率，并作为样本数据集，具体实施时需通过实物实验获取不同周边金属环境影响下当前ec-wpt系统电路结构的输出功率。
[0046]
图5所示为根据实验数据绘制的ec-wpt系统周围不同类型金属环境对系统输出功率影响的规律曲线图。由图5中距离-输出功率曲线图可知，系统输出功率与金属环境距离之间存在明显的非线性关系，金属环境与系统间距离越近，系统输出功率的下降幅度越大。当金属环境的面积为0.49m2时，达到系统输出功率下降幅度的最大值约为56.44w(相较原始输出功率下降约17％)，稳定值为292.41w，图中三条曲线的稳定值分别为299.29w(面积为0.09m2)、295.84w(面积为0.25m2)与292.41w(面积为0.49m2)，虽然三者在稳定值之间存在差值，但此差值非常小，相较于原始输出功率可以忽略，说明系统输出功率稳定值与金属环境面积之间没有明显的相关性，但需要注意的是，三条曲线的稳定值均低于原始输出功率(332w)，与原始输出功率之间存在较大差值。
[0047]
由图5中面积-输出功率曲线图可知，金属环境面积与系统输出功率之间近似为线性关系，同时系统输出功率与金属环境面积之间的相关性还与金属环境的距离有关。当距离等于10cm时，金属环境面积与系统输出功率之间呈现负相关，系统输出功率会随着金属环境面积的增大而降低，下降幅度的最大值达到了25.75w(相较原始输出功率下降约7.75％)；当距离大于20cm时，金属环境面积与系统输出功率之间呈现正相关，系统输出功率会随着金属环境面积的增大而增大，当距离为50cm、面积为0.49m2时，系统的输出功率达到了342.25w，相较原始输出功率(332w)有小幅度的提升。通过以上分析可知，在10cm到20cm之间存在一个分界点，在分界点的两侧，系统输出功率与金属环境面积之间的数学关系存在差异，当金属环境距离与系统之间的距离小于此分界点时，会对系统的输出功率造成消极影响，而当距离大于此分界点时，金属环境的存在会对系统的输出功率有一定的提升作用。
[0048]
由图5中材料-输出功率曲线图可知，四条曲线存在差值，其中差值的最大值为13.44w，约占原始输出功率的4％，比例较小，说明系统输出功率与金属环境材料之间的没有非常明显的相关性，在实际应用中，金属环境材料的选择可以更加灵活。
[0049]
由图5中位置-输出功率曲线图可知，金属环境的三种位置会对系统输出功率造成不同程度的影响，不同位置对应系统输出功率的稳定值也不相同。当金属环境处于发射端时，对系统输出功率影响最大，系统输出功率下降幅度的最大值达到了56.44w(相较原始输出功率下降约17％)，稳定值为292.41w；当金属环境处于接收端时，系统的输出功率相较原始输出功率(332w)没有明显的下降，图中三条曲线的稳定值分别为324.00w(发射端与接收端)、331.41w(接收端)与292.41w(发射端)，其中发射端与接收端稳定值的差值达到了31.59w，说明系统输出功率的稳定值与金属环境的位置有较强的相关性。
[0050]
s3：对样本数据集进行处理，将多个周边金属环境变量编码形成输入特征向量，将输出功率作为输出变量；
[0051]
针对本例而言，由于金属环境距离、面积和位置与ec-wpt系统输出功率之间存在明显的非线性关系，因此可以将系统输出功率与金属环境距离、面积和位置三个特征之间
的数学关系用隐函数描述为p
out
＝f(d
me
,a
me
,l
me
)；
[0052]
其中，p
out
表示系统的输出功率；d
me
表示金属环境的距离；a
me
表示金属环境的面积；l
me
表示金属环境的位置。由于数据集样本的位置为类别型特征(特征的取值为字符串)，无法直接作为神经网络模型的输入，因此需要将其转换成数值型变量。在机器学习中，独热码(one-hot encoding)是处理类别型特征的常用方法，能够将样本的类别型特征数字化。对于原始分类列中的每个唯一值，one-hot编码都会创建一个新特征，用0和1填充这些虚拟变量，金属环境的位置特征经过one-hot编码后，会由一维特征变为三维特征如表2所示。
[0053]
表2位置特征one-hot编码表
[0054][0055]
s4：构建神经网络模型，并利用步骤s3处理后的输入特征向量和输出变量进行训练；
[0056]
根据数据预处理的结果可知，目前神经网络模型的输入层神经元与输出层神经元的数量已经可以确定为5(输入特征为金属环境的面积、距离以及位置的三维one-hot编码向量)和1(输出为系统的输出功率)，因此可以得出目前神经网络模型中待确定的超参数有学习率、激活函数、批量大小(batch size)、神经元数量及隐含层层数。
[0057]
s5：通过网格搜索方法对神经网络模型的超参数进行优化；
[0058]
本实施例中激活函数采用sigmoid函数，根据现有技术，本例按照表3所示的超参数搜索范围进行网格搜索，搜索结果如表4所示。
[0059]
表3超参数网格搜索取值范围
[0060][0061]
表4网格搜索超参数组对应神经网络模型的相对误差
[0062][0063]
表4所示为网格搜索中每一组超参数对应的神经网络模型经过相同迭代次数时的
相对误差值，其中hln表示隐含层层数，bs表示批量大小，nn表示隐含层神经元数量，re(relative error)表示模型预测值与真实值之间的相对误差。由表4可知，当隐含层层数为2，批量大小为4，隐含层神经元数量为128时，神经网络模型的性能最佳，模型预测值与真实值的相对误差(模型预测值与对应实验数据之间的相对误差)为1.04％，说明神经网络隐含层层数的选择并不是越多越好，当隐含层层数增加时，模型的复杂度也在提高，容易出现过拟合(overfitting)现象，导致模型的误差增大。
[0064]
s6：根据神经网络的权重和偏置矩阵推导出最优能效模型作为分析ec-wpt系统周边金属环境影响的神经网络模型。
[0065]
当ec-wpt系统电路结构为双边lc补偿，周边金属环境变量选择距离、面积和位置时，步骤s6所得最优能效模型隐含层层数为2，隐含层神经元数量为128，批量大小为4；图6所示为使用最优超参数组训练的神经网络模型预测值与对应实验数据之间相对误差随迭代次数变化的曲线。由图6可知，模型经过训练后精度达到了98.96％，说明模型能够对不同类型金属环境下ec-wpt系统的输出功率进行较为准确的预估。
[0066]
为了进一步验证金属环境下ec-wpt系统神经网络能效模型的有效性和准确性，图7绘制了根据神经网络能效模型的预测数据绘制的金属环境距离、面积与位置对ec-wpt系统输出功率影响的规律曲线。由图7可知，系统神经网络能效模型绘制出的规律曲线趋势与实验规律曲线趋势一致并在曲线稳定值、曲线斜率与变化阈值点上与实验规律曲线以较高的精度吻合，说明系统的神经网络能效模型能够以较高的准确率拟合金属环境不同特征与系统输出功率之间的非线性函数关系。
[0067]
表5所示为随机选取8组不同类型金属环境，在对应金属环境下，系统神经网络能效模型预测值与实验测量值的相对误差，由表5可知，对于ec-wpt系统在不同类型金属环境下的输出功率，神经网络模型输出值与实验测量值之间的最大相对误差为0.98584％，最小相对误差为0.13851％，误差小于1％，以上结论说明系统的神经网络能效模型能够学习到金属环境距离、面积与位置特征与系统输出功率之间的非线性函数关系，并以较高的精度对金属环境下ec-wpt系统的实际输出功率进行评估，拥有准确分析不同类型金属环境对ec-wpt系统输出功率影响规律的能力。
[0068]
表5金属环境下ec-wpt系统能效分析ann模型输出值与实测值对比
[0069][0070]
通过上述步骤，可以得出图8所示的金属环境下ec-wpt系统能效分析神经网络模型结构图，由图8可以看出，隐含层1的输入向量型结构图，由图8可以看出，隐含层1的输入向量表示神经网络模型的输入向量，d
me
表示金属环境的距离，a
me
表示金属环境的面积，表示金属环境位置的one-hot编码向量，和分别
表示神经网络模型输入层与隐含层1的连接权重矩阵和偏置，隐含层1的输出向量为
[0071]
隐含层2的输入向量和输出向量计算公式为：其中，和分别表示神经网络模型隐含层1与隐含层2的连接权重矩阵和偏置；
[0072]
输出层所得系统输出功率其中l
me
表示金属环境的位置，和分别表示神经网络模型隐含层2与输出层的连接权重矩阵和偏置。
[0073]
由于该神经网络模型已经训练完毕，所以网络所有的连接权重矩阵w和偏置b的参数值都已确定，从而得到最优能效模型。
[0074]
在得到最优能效模型后，本发明还可以将步骤s6所得的最优能效模型装载到上位机、树莓派、pc终端或智能终端上，形成具有人机交互功能的ec-wpt系统周边金属环境影响分析系统，通过输入金属环境特征参数取值的限制范围以及需要评估的金属环境参数，调用所述最优能效模型对系统实际输出功率进行在线实时计算和分析，具体如图9所示。
[0075]
通过输入当前应用场景中对金属环境特征参数取值的限制范围以及需要评估的金属环境参数，调用金属环境下ec-wpt系统的能效模型对系统实际输出功率进行在线实时计算，根据输出功率数据可以绘制出金属环境不同特征与系统输出功率之间的影响规律曲线。对于金属环境距离与系统输出功率之间的规律曲线以及金属环境位置与系统输出功率之间的规律曲线，绘图所需的横纵坐标数据可以根据以下公式进行计算：
[0076]dme
＝[d1,d1+δ,...,d2]
[0077]
p
out
＝[f(d1,a
me
,l
me
),f(d1+δ,a
me
,l
me
),...,f(d2,a
me
,l
me
)]
[0078]
s.t.d
me
∈[d1,d2]
[0079]ame
∈[a1,a2]
[0080]
l
me
∈[(1,0,0)
t
,(0,1,0)
t
,(0,0,1)
t
]
[0081]
对于金属环境面积与系统输出功率之间的规律曲线，绘图所需的横纵坐标数据可以根据以下公式进行计算：
[0082]ame
＝[a1,a1+δ,...,a2]
[0083]
p
out
＝[f(d
me
,a1,l
me
),f(d
me
,a1+δ,l
me
),...,f(d
me
,a2,l
me
)]
[0084]
s.t.d
me
∈[d1,d2]
[0085]ame
∈[a1,a2]
[0086]
l
me
∈[(1,0,0)
t
,(0,1,0)
t
,(0,0,1)
t
]
[0087]
其中，d
me
表示金属环境距离的数据集合；p
out
表示系统输出功率的数据集合；δ表示对距离的划分精度，δ越小，规律曲线的精度越高，越能更全面的反映出金属环境距离对系统输出功率的影响规律；a
me
表示金属环境的面积；l
me
表示金属环境的位置；在约束条件中，d
me
区间表示实际场景中金属环境与系统间距离的取值范围，d1表示实际场景中金属环
境与系统间距离的最小值，d2表示最大值；a
me
区间表示实际场景中金属环境面积的取值范围，a1表示实际场景中金属环境面积的最小值，a2表示最大值；l
me
区间表示实际场景中金属环境位置的取值范围，(1,0,0)
t
表示金属环境位于发射端，(0,1,0)
t
表示金属环境位于接收端，(0,0,1)
t
表示金属环境位于发射端和接收端。
[0088]
综上所述，本发明提出一种分析ec-wpt系统周边金属环境影响的神经网络模型构建方法，所构建的神经网络能效模型能够学习到金属环境距离、面积与位置特征与系统输出功率之间的非线性函数关系，并以较高的精度对金属环境下ec-wpt系统的实际输出功率进行评估，拥有准确分析不同类型金属环境对ec-wpt系统输出功率影响规律的能力。
[0089]
最后需要说明的是，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，这样的变换均应涵盖在本发明的权利要求和说明书的范围当中。