基于TensorFlow的MC-WPT系统负载与互感识别模型、方法及系统技术方案

本发明专利技术涉及MC‑WPT技术领域，具体公开了一种基于TensorFlow的MC‑WPT系统负载与互感识别模型、方法及系统，该模型基于TensorFlow深度学习框架，采用神经网络模型，从而将MC‑WPT系统的负载与互感识别问题等效为非线性方程的求解问题，进而转化为深度学习非线性拟合问题，并采用训练集对模型进行上万次训练，最后得到识别速度快、精度高的MC‑WPT系统负载与互感识别模型。整体上，本发明专利技术通过离线训练模型，并将训练完成的模型导入微型控制器，能够实现负载与互感在线同时识别，识别速度快、精度高，有利于系统的实时控制，且成本较低，易于实现，有利于工程推广应用。

【技术实现步骤摘要】
基于TensorFlow的MC-WPT系统负载与互感识别模型、方法及系统
本专利技术涉及MC-WPT(磁场耦合的无线电能传输)
，尤其涉及一种基于TensorFlow的MC-WPT系统负载与互感识别模型、方法及系统。
技术介绍
随着经济社会的发展，对于移动式用电设备，例如轨道列车、移动吊装设备、家用电器、旋转机械等设备使用传统的导线供电会影响其灵活性，在某些特殊环境下还会增加了用电安全隐患，给工程实际应用带来了挑战。无线电能传输(WPT，WirelessPowerTransfer)技术的出现提供了安全、环保、便捷、易维护的供电方式，得到了国内外众多学者的关注和研究，共同推动这一新型的供电方式不断发展。其中磁场耦合的无线电能传输(MC-WPT，MagneticCouplingWirelessPowerTransfer)技术是目前最受关注的技术之一，在电动汽车、家用电器、航空航天、水下设备供电等领域逐步得到推广应用。在MC-WPT系统的一些实际应用中，例如电动汽车无线充/供电系统中，由于系统能量发射端与能量接收端间相对位置的改本文档来自技高网...

【技术保护点】
1.基于TensorFlow的MC-WPT系统负载与互感识别模型，其特征在于，其生成步骤包括：/nS1.基于TensorFlow框架构建全连接神经网络模型；/nS2.建立MC-WPT系统的COSMOL和Simulink仿真模型，得到多组所述MC-WPT系统的输入电流值、线圈间传输距离仿真数据，并将所述仿真数据分为训练集和测试集；/nS3.将所述训练集输入所述全连接神经网络模型中进行模型训练，并根据训练误差值不断优化所述全连接神经网络模型中的参数；/nS4.当所述全连接神经网络模型的训练误差率低至预设误差率时，结束训练，得到训练完成的MC-WPT系统负载与互感识别模型。/n

【技术特征摘要】
1.基于TensorFlow的MC-WPT系统负载与互感识别模型，其特征在于，其生成步骤包括：
S1.基于TensorFlow框架构建全连接神经网络模型；
S2.建立MC-WPT系统的COSMOL和Simulink仿真模型，得到多组所述MC-WPT系统的输入电流值、线圈间传输距离仿真数据，并将所述仿真数据分为训练集和测试集；
S3.将所述训练集输入所述全连接神经网络模型中进行模型训练，并根据训练误差值不断优化所述全连接神经网络模型中的参数；
S4.当所述全连接神经网络模型的训练误差率低至预设误差率时，结束训练，得到训练完成的MC-WPT系统负载与互感识别模型。


2.如权利要求1所述的基于TensorFlow的MC-WPT系统负载与互感识别模型，其特征在于：所述全连接神经网络模型包括输入层、输出层以及顺序全连接在所述输入层和所述输出层之间的第1～N隐藏层，N≥1；所述第1～N隐藏层具有k个节点，k≥2。


3.如权利要求2所述的基于TensorFlow的MC-WPT系统负载与互感识别模型，其特征在于：所述第1～N隐藏层的非线性激活函数使用TensorFlow框架中Sigmoid激活函数。


4.如权利要求2所述的基于TensorFlow的MC-WPT系统负载与互感识别模型，其特征在于：所述步骤S3优化的参数包括作用于所述第1隐藏层的第1权重矩阵和第1偏置矩阵，以及作用于所述第2隐藏层的第2权重矩阵和第2偏置矩阵，直至作用于所述第N隐藏层的第N权重矩阵和第N偏置矩阵，以及作用于所述输出层的第N+1权重矩阵和第N+1偏置矩阵。


5.基于TensorFlow的MC-WPT系统负载与互感识别方法，其特征在于，包括步骤：
X1.检测当前MC-WPT系统的输入电流值和线圈间传输距离；
X2.将当前的输入电流值和线圈间传输距离输入权利要求1～4...

【专利技术属性】
技术研发人员：苏玉刚，阳剑，王智慧，孙跃，戴欣，唐春森，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50