一种电动汽车无线电能传输系统传输性能优化方法

1.本发明属于无线电能传输技术领域，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。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.本发明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。
7.本发明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：
8.步骤1、电动汽车wpt系统传输效率不确定性量化：
9.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。
10.步骤2、多目标优化算法改进：
11.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。
12.步骤3、电动汽车wpt系统传输性能优化：
13.结合电动车无线电能传输效率的不确定性量化结果，本发明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。
14.本发明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：
15.1.本发明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。
16.2.本发明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。
17.3.本发明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，本发明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
18.图1为本发明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；
19.图2为本发明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；
20.图3为本发明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；
21.图4为本发明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；
22.图5为本发明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；
23.图6为本发明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；
24.图7为本发明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；
25.图8为本发明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；
26.图9为本发明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；
27.图10为本发明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；
28.图11为本发明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；
29.图12为本发明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
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
31.以下结合具体实施例对本发明的具体实现进行详细描述。
32.如图1所示，在本发明实施例中，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：
33.步骤1、对电动汽车wpt系统传输效率不确定性进行量化：
34.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。
35.步骤2、依据步骤1中的结果，对多目标优化算法进行改进：
36.本发明对多目标天鹰优化(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。
37.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：
38.结合电动车无线电能传输效率的不确定性量化结果，本发明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。
39.具体流程：
40.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；
41.s2、建立深度学习神经网络模型；
42.s3、从上述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，以此对模型进行训练；
43.s4、待网络模型训练完毕后，再从以上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等统计特征参数；
44.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；
45.s6、确定需要优化的wpt系统结构参数；
46.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；
47.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，通过对比优化前传输效率的概率密度分布函数，验证了本技术方案的有效性。
48.1、电动汽车wpt系统传输效率不确定性量化：
49.近年来，基于机器学习理论的不确定性量化作为一门新兴技术被大力推广，在机器学习数据预处理阶段，常见的不确定源主要有两类：
50.1.验证集和训练集数据不匹配；
51.2.数据内部存在干扰；
52.在电动汽车无线电能传输场景中，由于传输效率值易受到磁能线圈组空间位错、补偿电路元件参数等随机变量影响，具有较强的不确定性，因此本发明主要针对第二类不确定源搭建深度学习网络(dnn)对传输效率展开不确定性量化。
53.dnn本身由较多的隐含层组成，隐含层上单个节点的输入量x与输出量y的关系式可表示成：
54.y＝σ(w
·
x+b)
ꢀꢀ
(1)
55.式(1)中σ()表示非线性传递函数，w为线性映射，b为偏置项，在本发明搭建的dnn模型中，relu函数被选为隐含层节点的非线性传递函数。在开始训练dnn之前，w与b的值是随机分配的，在网络训练过程中w、b的值经反向传播法不断更新，直至输出值与训练标签之间的误差趋向于无穷小，此时可初步认为dnn模型已近似拟合成传输效率的不确定性量化模型，其训练过程的评价指标函数可表示成：
[0056][0057]
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dnn模型的数据采集阶段，将以电动汽车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，本发明采用了多个网络集成学习的方式，搭建了三部分dnn模型以实现wpt系统传输效率不确定性量化。图2、图3和图4所示分别为研究中所采用的ss补偿电路拓扑结构以及线圈组错位的空间视图。
[0058]
1)第一dnn模型
[0059]
输入量分别为α、d、δx、δy，输出量为线圈互感m，第一dnn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，引入批量归一化层可在一定程度上防止dnn训练过拟合，强化模型的泛化能力，其数学模型可表示成：
[0060]
[0061][0062][0063]
式(3)中，γ和β均为参数向量，默认取值分别为0和1，ε主要用于保证数值的稳定性，默认取值1e-5
[0064]
2)第二dnn模型
[0065]
第二dnn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，让模型能够更好地学习汲取信息。
[0066]
3)第三dnn模型
[0067]
第三dnn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，dropout的功能类似于批量归一化，同样也可以在一定程度上弱化dnn的过拟合效应。
[0068]
结合附图5可知，通过引入dropout模块可以实现随机丢弃部分神经元节点，从而减少中间特征的数量，使得dnn不会过于贴合在训练集样本上，使用dropout模块后神经元节点的计算公式更新为：
[0069][0070]rl
～bernoulli(p)
ꢀꢀ
(7)
[0071]
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，通常情况下p的理想取值为0.5。
[0072]
当dnn训练完毕后，通过从r1、r2、r
l
、α、d、δx、δy随机变量的分布范围内再次采集定量数据作为dnn模型的测试样本，即可计算得到wpt系统无线电能传输效率的不确定性统计特征参数。关于训练样本和测试样本的数目选取，可以通过观察不同样本数目分配情况下dnn的训练效果，从而估测出样本数的理想选取范围。经多次蒙特卡洛(mc)仿真试验可得出，当采样次数为10000及以上时，获取的wpt系统无线电能传输效率概率密度分布已较为精确，为了节省相关的计算成本，以10000次采样的mc结果作为标准。
[0073]
结合附图6和附图7的实验结果比较图，当dnn的测试样本数目为10000，且样本总数分别为50000，100000，200000，290000，300000，310000时，能够得出样本总数为300000时dnn的不确定性量化结果与mc是最为近似的，当样本总数低于300000时，dnn模型的训练效果不够理想，而当样本总数高于300000时，dnn模型由于过拟合导致量化结果与mc相比亦有较大偏差，因此大致估测出dnn样本总数的理想取值大约为300000左右。
[0074]
2、多目标优化算法改进：
[0075]
本发明结合了自适应惯性权重策略与tent混沌映射机制对天鹰优化(ao)算法进行改进，拟利用改进的多目标天鹰优化算法实现wpt系统的优化，ao算法的寻优过程主要由五个阶段组成：种群初始化，全局探索，局部探索，全局开采、局部开采，下面将进行逐一介绍：
[0076]
1)种群初始化
[0077]
x＝x
min
+rand
·
(x
max-x
min
)
ꢀꢀ
(8)
[0078]
式(8)中，x
min
表示变量的下界，x
max
表示变量的上界，rand为介于0和1之间的随机数；
[0079]
2)全局探索
[0080][0081]
式(9)中，x1(t+1)表示全局探索过程中经(t+1)次迭代后生成的解，x
best
(t)表示第t次迭代之前获得的最优解，t表示最大迭代次数，xm(t)表示第t次迭代时当前解的平均值，rand为介于0和1之间的随机数；
[0082]
3)局部探索
[0083]
x2(t+1)＝x
best
(t)
·
levy(d)+xr(t)+[λ
·
(cosθ-sinθ)]
·
rand
ꢀꢀ
(10)
[0084][0085][0086]
以上方程组中，x2(t+1)表示局部探索过程中经(t+1)次迭代后生成的解，x
best
(t)表示第t次迭代之前获得的最优解，xr(t)为第t次迭代时在种群规模范围内获得的随机解，levy(d)则表示天鹰的levy飞行分布函数，其数学模型中的s、q为固定常数，分别取值0.01、1.5，μ和v则分别表示服从n(0，σ2)和n(0，1)的高斯分布随机数；
[0087]
4)全局开采
[0088]
x3(t+1)＝(x
best
(t)-xm(t))
·
ξ-rand+((x
max-x
min
)
·
rand+x
min
)
·
δ
ꢀꢀ
(13)
[0089]
式(13)中，x3(t+1)表示全局开采过程中经(t+1)次迭代后生成的解，x
best
(t)表示第t次迭代前猎物的近似位置，xm(t)表示第t次迭代时当前解的平均值，ξ、δ均为开采调整参数；
[0090]
5)局部开采
[0091][0092]
g(rand)＝rand
·
(2
·
rand-1)
ꢀꢀ
(15)
[0093]
式中，x4(t+1)表示局部开采过程中经(t+1)次迭代后生成的解，x(t)表示第t次迭代时当前的解，t和t分别表示当前迭代次数和最大迭代次数，g(rand)为(-0.2，1)区间内的随机数，反映了天鹰近距离追踪猎物时的各种运动轨迹，而levy(d)的缩放因子2(1-(t/t))则反映了天鹰的飞行速率，随着迭代次数递增天鹰将逐渐趋于静止，最终追踪到目标。
[0094]
ao算法虽然具有优良的搜索能力，可以用于解决诸多目标寻优问题，但是其种群初始化阶段、全局探索阶段仍存在些许不足之处，为此本发明将围绕以上两部分对ao算法进行改进。
[0095]
1)基于混沌映射的种群初始化
[0096]
在ao的初始阶段，由于种群个体的位置是随机分配的，因此容易出现种群分布不均匀的现象，这会直接影响到算法后期的搜索速度及精度。为了弥补这一缺陷，将引入tent混沌映射以形成良好的种群分配机制，从而有效提高种群的多样性，使得初始分布尽量理
想化，混沌映射的数学模型可表示成：
[0097][0098]
2)自适应惯性权重
[0099]
当ao处于第一探索阶段时，其行为模式不能较好地权衡全局搜索能力和局部搜索能力，为此本发明提出了一种自适应惯性权重对探索阶段的数学模型进行改进：在算法迭代初期，天鹰将以更快的速度移动，增强了全局搜索能力，不易陷入局部最优解。在算法迭代后期，天鹰以较小的速度移动，增强了局部搜索能力，提高了全局最优解的搜索精度，引入自适应惯性权重后新的ao行为模式可表示成：
[0100][0101]
3电动汽车wpt系统传输性能优化
[0102]
本发明将基于深度学习的不确定性量化结果，进一步利用改进的多目标ao算法对电动汽车wpt系统磁能线圈组及补偿电路结构进行优化，进而提升不确定因素干扰下wpt系统的传输性能。综合考虑到wpt系统线圈组的尺寸和布置位置、以及补偿电路结构等多方面约束条件，令优化设计参数分别为发射线圈半径ra、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rl，随着算法迭代次数递增，ao最终将获得wpt系统无线电能传输效率均值和方差的最优解，以及对应的系统最优结构参数组。在最优设计情况下，电动汽车wpt系统的传输性能将取得显著的改进效果。
[0103]
本发明建立了电动汽车wpt系统仿真模型，其中补偿电路的结构为ss拓扑，磁能线圈组类型为圆形线圈，具体的结构示意如图8所示。设发射线圈与接收线圈垂直间隙为0.2m，发射线圈、接收线圈匝数均为10，每匝线圈的横截面面积为3e-4
m2，wpt系统谐振频率为2πe5rad/s，负载电阻r
l
的值为10ω，接下来本发明将针对此wpt系统模型的传输效率不确定性量化问题及系统结构优化设计开展研究。
[0104]
考虑到wpt系统实际充电过程中，驾驶员操作技术不娴熟导致的线圈偏移以及补偿电路参数的随机波动会对wpt系统的传输效率造成很大的影响，因此在深度学习量化不确定性的框架中，以线圈偏移参数α、d、δx、δy以及补偿电路参数r1、r2、r
l
作为模型的输入变量，其中各个变量的分布区间如表1所示，
[0105]
表1.wpt应用实例中考虑的不确定变量
[0106]
[0107][0108]
基于以上电动汽车wpt系统仿真模型，本发明分别采用经典mc与上述dnn模型对无线电能传输效率进行不确定性量化，并对两种方法计算得到的传输效率统计特征参数展开了进一步的比较。令mc的采样次数为10000，dnn的训练样本数和验证样本数分别为290000、10000，其对比结果可由表2和图9所示，
[0109]
表2.mc与dnn不确定性量化结果比较
[0110][0111]
根据以上仿真对比可知，本发明提出的dnn模型具有与mc近似一致的不确定性量化精度，同时求解速率提高了约200％，显著降低了计算成本，在接下来的wpt系统结构优化设计中，将以传输效率的统计特征参数作为优化目标，利用改进多目标ao算法实现wpt系统传输性能的提升。令优化设计参数均值为r
l
、r1、r2、ra，各个参数的设计区间分别为[r
l
/2，3*r
l
/2]、[r1/2，3*r1/2]、[r2/2，3*r2/2]、[ra/2，3*ra/2]，而后采用改进多目标ao算法在设计区间内寻找最优参数组合，其目标旨在提高传输效率在波动范围内的均值、降低传输效率在波动范围内的方差，从而实现随机不确定因素影响下wpt系统能够高效、稳定地进行无线电能传输。
[0112]
为了验证改进ao对最优解的追踪效果，对改进ao、传统ao以及经典双目标优化算法nsga-ii展开了进一步的比较，设目标值为传输效率的方差与均值之差，且三个算法的种群规模均为20，最大迭代次数均为14，其仿真对比结果如图10所示；
[0113]
通过图10可以看出，nsga-ii的追踪速度较低，且容易陷入局部最优，降低了全局最优解的搜索精度。使用传统ao虽然能够有效提高追踪速度，但同样也会陷入局部最优，依然无法精准地找到全局最优解，相比之下改进ao的追踪速度及精度均更为优越，因此更适用于解决电动汽车wpt系统结构优化设计问题。
[0114]
图11所示为改进多目标ao算法的帕累托最优解集，由此可直观地看出wpt系统不同设计参数组对应的传输效率统计矩特征。
[0115]
根据帕累托最优解仿真结果，可得出最优设计参数组(r
l
，r1，r2，ra)opt，通过深度学习模型计算出(r
l
，r1，r2，ra)opt参数组对应的传输效率统计特征参数，再对比优化前传输效率的统计特征参数，可以看出其均值、方差经改进多目标ao算法优化后取得了理想的
变化效果，表3所示为优化前后wpt系统设计参数组及对应的传输效率统计特征参数，图12所示为优化前后基于深度学习求出的wpt系统传输效率概率分布对比结果：
[0116]
表3.优化前后wpt系统参数及传输效率对比
[0117][0118]
通过以上仿真实例可知，本发明提出的深度学习模型具有与mc近似一致的不确定性量化精度，且具备更高的计算效率。同时，在不确定性量化结果的基础上结合改进多目标ao算法对wpt系统结构进行优化后，汽车无线电能传输效率的均值提高了25.7％，方差降低了65.4％，其概率密度分布明显达到了更理想的结果。因此，当电动汽车充电过程中出现不确定性干扰因素时，经本发明所提方案优化后的wpt系统充电效率更高且鲁棒性更强，更符合实际工程需求。
[0119]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。