一种无线充电线圈参数优化方法、系统及可存储介质技术方案

本发明专利技术公开了一种无线充电线圈参数优化方法、系统及可存储介质，涉及无线充电领域。包括以下步骤：获取无线充电系统的设计参数，将无线充电系统的设计参数分为测试集和训练集；将训练集输入到Tensorflow网络框架中；Tensorflow网络框架输出第一权重和第一偏置值；若未达到预设权重和预设偏置值，则对Tensorflow网络框架继续迭代训练；当达到预设权重和预设偏置值，则完成对Tensorflow网络框架的训练，得到无线充电线圈参数优化模型；将待测无线充电系统的设计参数输入到无线充电线圈参数优化模型中，得到优化后的各项参数。本发明专利技术有利于系统的实时控制，且成本较低，易于实现。于实现。于实现。

【技术实现步骤摘要】
一种无线充电线圈参数优化方法、系统及可存储介质


[0001]本专利技术涉及无线充电领域，更具体的说是涉及一种无线充电线圈参数优化方法、系统及可存储介质。

技术介绍

[0002]电动汽车相比较于传统的燃油汽车具有低噪声、零排放和节能的优点，近年来电动汽车的发展受到了各主要汽车生产国政府的大力扶持。目前，电动汽车的主要充电方式为传统接触式有线充电，这种充电方式在电能的传输过程中不可避免的会产生传输损耗，同时线路老化、尖端放电等因素大大降低了设备供电的可靠性和安全性。
[0003]无线充电技术有传输功率大、传输效率高、传输距离较远、方向性要求不高、对生物体影响不大等优点。电动汽车无线充电技术是通过收发端线圈之间的电磁耦合来实现无线电能传输的一种动力电池充电技术，主要包括静态和动态无线充电2种类型。相比于插电式充电，无线充电可实现远距离、非接触电能传输，且无需人工插拔，智能化程度高。
[0004]因此，如何实现高效无线充电，优化无线充电参数是本领域技术人员亟需研究的。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种无线充电线圈参数优化方法、系统及可存储介质，将线圈参数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。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。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]一方面公开了一种无线充电线圈参数优化方法，包括以下步骤：
[0008]依据无线充电的使用场景获取无线充电系统的设计参数，将无线充电系统的设计参数分为测试集和训练集；
[0009]将训练集输入到Tensorflow网络框架中，对Tensorflow网络框架设置训练参数；
[0010]Tensorflow网络框架输出第一权重和第一偏置值；
[0011]将第一权重、第一偏置值与预设权重、预设偏置值进行比较；
[0012]若未达到预设权重和预设偏置值，则对Tensorflow网络框架继续迭代训练；
[0013]当达到预设权重和预设偏置值，则完成对Tensorflow网络框架的训练，得到无线充电线圈参数优化模型；
[0014]将待测无线充电系统的设计参数输入到无线充电线圈参数优化模型中，得到优化后的各项参数。
[0015]可选的，训练参数包括训练的次数和学习率，其中学习率的计算公式如下：
[0016][0017]其中，α0表示初始学习率，α
t
表示第t次训练时的学习率，β表示学习率衰减系数，T表示经过多少次训练后完成一次学习率衰减。
[0018]可选的，还包括对无线充电系统的设计参数进行预处理，具体为：首先利用高斯函数去除噪音点，再利用Sigmoid函数对设计参数进行标准化处理。
[0019]可选的，Tensorflow网络框架包括输入层，隐含层和输出层，输入层，隐含层和输出层依次连接；其中，输入层包括多个输入端口，用于设计参数的输入；隐含层用于对设计参数进行学习处理；输出层用于输出权重和偏置值。
[0020]可选的，所述无线充电系统的设计参数包括：发射线圈的线圈结构类型，发射线圈结构的参数，接收线圈的结构类型，接收线圈的线圈结构参数，负载参数，传输距离和偏移距离。
[0021]可选的，还包括利用测试集对无线充电线圈参数优化模型进行测试，并根据测试结果选取补偿函数对无线充电线圈参数优化模型进行补偿。
[0022]另一方面还公开了一种无线充电线圈参数优化系统，包括：
[0023]获取设计参数：用于依据无线充电的使用场景获取无线充电系统的设计参数，将无线充电系统的设计参数分为测试集和训练集；
[0024]训练参数设置模块：用于将训练集输入到Tensorflow网络框架中，对Tensorflow网络框架设置训练参数；
[0025]Tensorflow网络框架训练模块：用于基于Tensorflow网络框架输出第一权重和第一偏置值；将第一权重、第一偏置值与预设权重、预设偏置值进行比较；若未达到预设权重和预设偏置值，则对Tensorflow网络框架继续迭代训练；
[0026]无线充电线圈参数优化模型获取模块：用于当达到预设权重和预设偏置值，则完成对Tensorflow网络框架的训练，得到无线充电线圈参数优化模型；
[0027]优化设计参数模块：用于将待测无线充电系统的设计参数输入到无线充电线圈参数优化模型中，得到优化后的各项参数。
[0028]最后公开了一种计算机存储介质，所述计算机存储介质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任意一项所述的一种无线充电线圈参数优化方法的步骤。
[0029]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种无线充电线圈参数优化方法、系统及可存储介质，在充电的精度和速度上均有较大提升，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。
附图说明
[0030]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0031]图1为本专利技术的流程示意图；
[0032]图2为本专利技术的结构示意图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]本专利技术实施例公开了一方面公开了一种无线充电线圈参数优化方法，包括以下步骤：
[0035]S1：依据无线充电的使用场景获取无线充电系统的设计参数，将无线充电系统的设计参数分为测试集和训练集；
[0036]S2：将训练集输入到Tensorflow网络框架中，对Tensorflow网络框架设置训练参数；
[0037]S3：Tensorflow网络框架输出第一权重和第一偏置值；
[0038]S4：将第一权重、第一偏置值与预设权重、预设偏置值进行比较；
[0039]S5：若未达到预设权重和预设偏置值，则对Tensorflow网络框架继续迭代训练；
[0040]S6：当达到预设权重和预设偏置值，则完成对Tensorflow网络框架的训练，得到无线充电线圈参数优化模型；
[0041]S7：将待测无线充电系统的设计参数输入到无线充电线圈参数优化模型中，得到优化后的各项参数。
[0042]在梯度下降优化算法中，学习率需要在模型训练之前指定，过小的学习率会降低神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线充电线圈参数优化方法，其特征在于，包括以下步骤：依据无线充电的使用场景获取无线充电系统的设计参数，将无线充电系统的设计参数分为测试集和训练集；将训练集输入到Tensorflow网络框架中，对Tensorflow网络框架设置训练参数；Tensorflow网络框架输出第一权重和第一偏置值；将第一权重、第一偏置值与预设权重、预设偏置值进行比较；若未达到预设权重和预设偏置值，则对Tensorflow网络框架继续迭代训练；当达到预设权重和预设偏置值，则完成对Tensorflow网络框架的训练，得到无线充电线圈参数优化模型；将待测无线充电系统的设计参数输入到无线充电线圈参数优化模型中，得到优化后的各项参数。2.根据权利要求1所述的一种无线充电线圈参数优化方法，其特征在于，训练参数包括训练的次数和学习率，其中学习率的计算公式如下：其中，α0表示初始学习率，α
t
表示第t次训练时的学习率，β表示学习率衰减系数，T表示经过多少次训练后完成一次学习率衰减。3.根据权利要求1所述的一种无线充电线圈参数优化方法，其特征在于，还包括对无线充电系统的设计参数进行预处理，具体为：首先利用高斯函数去除噪音点，再利用Sigmoid函数对设计参数进行标准化处理。4.根据权利要求1所述的一种无线充电线圈参数优化方法，其特征在于，Tensorflow网络框架包括输入层，隐含层和输出层，输入层，隐含层和输出层依次连接；其中，输入层包括多个输入端口，用于设计参数的输入；隐含层用于对设计参数进行学习处理；输出层用于输出权重和偏置值。5.根据权利要求...

【专利技术属性】
技术研发人员：贺川，王天养，
申请(专利权)人：深圳市旋依科技有限公司，
类型：发明
国别省市：