电能功率模型训练方法、传输功率获取方法和相关设备技术

本申请涉及一种电能功率模型训练方法、传输功率获取方法和相关设备。方法包括：获取第一训练样本和最大迭代次数，第一训练样本包括多种可变参数的样本数据；选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，选择的样本数据的类型涵盖训练样本中所有类型；计算每个初始化后的学习器的负梯度；对获得的负梯度进行拟合，获得对应的决策树，并计算决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；根据相邻时刻的同一类型样本数据，以及目标损失函数，获得各类型中相邻时刻样本数据的递归关系；根据各类型对应的递归关系进行加权求和，获得目标电路的电能功率模型。采用本方法能够准确预测电路的电能传输功率。功率。功率。

【技术实现步骤摘要】
电能功率模型训练方法、传输功率获取方法和相关设备


[0001]本申请涉及电路
，特别是涉及一种电能功率模型训练方法、传输功率获取方法和相关设备。

技术介绍

[0002]无线电能传输(wireless power transfer，WPT)技术目前越来越受到研究和工业界的重视，尤其是在汽车、船舶等新能源无线充电系统中的应用，采用电池/电容组的纯电动船舶成为解决沿海和内河港口污染问题的最佳途径，新能源船舶得到了快速发展。此外，由于电池的短寿命，使得电动汽车和船舶等移动物体的无线充电需求急剧增加。磁谐振耦合法是利用谐振线圈进行电能传输的最合适的方法之一，因为它具有较高的传输效率和一定的隔离距离。对采用磁谐振耦合法的电路的电能传输功率进行预测显得尤为重要。
[0003]目前，在实际电路系统中，因电路的效率受到谐振频率、负载阻抗的影响，电路的电能传输功率不稳定，即传统技术中电路的电能传输功率预测算法无法准确对电路的电能传输功率进行预测。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高电路电能传输功率预测准确性的电能功率模型训练方法、传输功率获取方法和相关设备。
[0005]第一方面，本申请提供了一种效率电能功率模型训练方法。所述方法包括：
[0006]获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；
[0007]从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
[0008]计算每个初始化后的学习器的负梯度；
[0009]基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
[0010]根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
[0011]根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。
[0012]在其中一个实施例中，所述方法还包括：
[0013]采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；
[0014]确定预设效率和所述第一电能传输功率之间的第一偏差；
[0015]若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。
[0016]在其中一个实施例中，所述若所述第一偏差超出预设偏差范围，调整各个递归关
系的权值，获得更新后的电能功率模型之后，还包括：
[0017]采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；
[0018]确定预设效率和所述第二电能传输功率之间的第二偏差；
[0019]若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。
[0020]在其中一个实施例中，所述确定预设效率和所述第一电能传输功率之间的第一偏差之前，包括：
[0021]获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；
[0022]根据所述节点方程获得所述目标电路谐振点的角频率；
[0023]根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。
[0024]在其中一个实施例中，所述基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数，包括：
[0025]对所述决策树中连续的特征进行离散化。
[0026]第二方面，本申请还提供了一种电能传输功率获取方法，所述方法包括：
[0027]获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
[0028]将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如第一方面所述方法获得。
[0029]在其中一个实施例中，所述方法还包括：
[0030]在检测到所述目标电路的负载发生变化时，调整所述目标电路的工作频率，以使得所述目标电路的电能传输功率达到所述电能传输功率。
[0031]第三方面，本申请还提供了一种电能功率模型训练装置。所述装置包括：
[0032]第一获得模块，用于获取第一训练样本和最大迭代次数，所述第一训练样本包括所述目标电路的多种类型样本数据；
[0033]初始化模块，用于从所述第一训练样本中选择至少一种类型样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；
[0034]第一计算模块，用于计算每个初始化后的学习器的负梯度；
[0035]拟合模块，用于基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；
[0036]递归关系获取模块，用于根据所述训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；
[0037]第一模型获取模块，用于根据各类型对应的递归关系进行加权求和，获得所述目
标电路的电能功率模型。
[0038]第四方面，本申请还提供了一种电能传输功率获取装置。所述装置包括：
[0039]工作数据获取模块，用于获取目标电路当前的工作数据，所述工作数据包括目标电路的线圈电压、输入功率、输出功率、线圈距离、接收侧频率值和实际阻抗变化量；
[0040]预测模块，用于将所述工作数据输入电能功率模型，获得所述目标电路的电能传输功率，所述电能功率模型通过如第一方面所述方法获得。
[0041]第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如第一方面和第二方面所述方法步骤。
[0042]第六方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面和第二方面所述方法步骤。
[0043]第七方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面和第二方面所述方法步骤。
[0044]上述电能功率模型训练方法、传输功率获取方法和相关设备，上述效率电能功率模型训练方法中，通过获取第一训练样本和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电能功率模型训练方法，其特征在于，所述方法包括：获取第一训练样本和最大迭代次数，所述第一训练样本包括目标电路的多种可变参数的样本数据；从所述第一训练样本中选择至少一种样本数据初始化学习器，获得多个初始化后的学习器，多个初始化后的学习器对应的样本数据的类型涵盖所述训练样本中所有类型；计算每个初始化后的学习器的负梯度；基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计算所述决策树中每叶子节点的损失函数，确定损失最小的目标损失函数；根据所述第一训练样本中相邻时刻的同一类型样本数据，以及所述目标损失函数，获得各类型中相邻时刻样本数据的递归关系；根据各类型对应的递归关系进行加权求和，获得所述目标电路的电能功率模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：采集所述目标电路当前的工作数据，并将所述工作数据输入所述电能功率模型，获得第一电能传输功率；确定预设效率和所述第一电能传输功率之间的第一偏差；若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型。3.根据权利要求2所述的方法，其特征在于，所述若所述第一偏差超出预设偏差范围，调整各个递归关系的权值，获得更新后的电能功率模型之后，还包括：采用所述目标电路当前的工作数据输入更新后的电能功率模型，获得第二电能传输功率；确定预设效率和所述第二电能传输功率之间的第二偏差；若所述第二偏差超出预设偏差范围，重新获得第二训练样本，并根据所述第二训练样本更新所述电能功率模型，其中，所述第二训练样本中样本数据的数量大于所述第一训练样本中样本数据的数量。4.根据权利要求2所述的方法，其特征在于，所述确定预设效率和所述第一电能传输功率之间的第一偏差之前，包括：获取所述目标电路输入侧的电压、电流、电容值和电感值，以及输出侧的电压、电流、电容值和电感值，并根据所述目标电路输入侧的电容值和电感值，以及输出侧的电容值和电感值构建所述目标电路的节点方程；根据所述节点方程获得所述目标电路谐振点的角频率；根据所述目标电路输入侧的电压和电流，输出侧的电压和电流，以及所述角频率获得所述预设效率。5.根据权利要求1所述的方法，其特征在于，所述基于每个初始化后的学习器的负梯度进行拟合，获得对应的决策树，并计...

【专利技术属性】
技术研发人员：李鹏，韦杰，王志明，田兵，卢星宇，李立浧，张伟勋，聂少雄，李远，谭则杰，樊小鹏，尹旭，张佳明，林跃欢，徐振恒，刘胜荣，孙宏棣，钟枚汕，林秉章，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：