一种考虑不确定性的电动汽车无线充电装置优化方法制造方法及图纸

本发明专利技术适用于电动汽车技术领域，提供了一种考虑不确定性的电动汽车（EV）无线充电（WPT）装置优化方法，包括以下步骤：步骤1)EV

【技术实现步骤摘要】
一种考虑不确定性的电动汽车无线充电装置优化方法


[0001]本专利技术属于电动汽车
，尤其涉及一种考虑不确定性的电动汽车无线充电装置优化方法。

技术介绍

[0002]随着传统燃料汽车的广泛应用，化石能源消耗和环境污染问题日益严重，大力推动电动汽车取代燃油汽车已成为必然趋势。充电技术是电动汽车领域的战略重点，目前广泛采用的有线充电桩存在操作便捷性差、占用路面区域大及雨雪天气下充电不安全等缺点，而WPT技术可以很好地弥补以上不足，随着未来电动汽车的发展WPT将逐步取代传统有线充电桩。近年来，EV
‑
WPT的功率传输性能受到了国内外研究机构的广泛关注，考虑到实际应用情景中WPT系统组件制造工艺、驾驶员驾驶技术等因素影响，WPT输出功率会具有较强的不确定性。在考虑外界不确定性的情况下对无线充电装置进行有效的优化设计以满足特定场合的充电功率需求，是当前EV
‑
WPT领域有待解决的问题。
[0003]蒙特卡洛（MC）是最经典的不确定性量化方法之一，由于EV
‑
WPT装置实际结构较为复杂，系统输出的模型变量维度较高，在此背景下MC计算效率低下的特点严重限制了其应用，而许多传统机器学习方法例如支持向量机、高斯过程回归等在实现不确定性量化过程中需要大量训练样本，亦不适于实际工程应用。在EV
‑
WPT优化设计研究中，使用传统优化算法容易陷入局部最优解，导致求解精度降低，不利于获取全局最优解。为解决现有技术不足，提出一种高效的考虑不确定性的电动汽车无线充电装置优化方法。

技术实现思路

[0004]本专利技术的目的在于提供一种考虑不确定性的电动汽车无线充电装置优化方法，旨在解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种考虑不确定性的电动汽车无线充电装置优化方法，包括以下步骤：步骤1) EV
‑
WPT相关随机变量采样选取对EV
‑
WPT输出功率造成影响的随机变量，对各个变量设置合理的分布类型并进行小规模采样；步骤2) EV
‑
WPT输出功率统计矩量化搭建基于自动微分变分推断的不确定性量化代理模型，对EV
‑
WPT输出功率统计特征参数进行计算，具体为：首先设定初始先验分布，再以采集样本中概率密度最高的功率值作为目标函数对模型进行训练，当初始先验分布和后验概率分布的ELBO值达到最大时完成模型训练，最终实现EV
‑
WPT输出功率统计矩量化；步骤3) EV
‑
WPT输出功率优化以EV
‑
WPT输出功率的统计矩量化结果为优化目标，采用改进的麻雀搜索算法在WPT结构设计参数区间内展开寻优，最终获得WPT输出功率统计矩优化解分布。
[0006]进一步的，所述步骤1)中，实际情景中，WPT输出功率受到系统组件制造工艺及驾驶员驾驶技术等不确定因素影响，相关随机变量包括：WPT磁耦合线圈组空间偏移量、WPT系统补偿电路负载电阻、补偿电路两侧等效电感以及磁耦合线圈组横截面半径。
[0007]进一步的，所述步骤1)中，采用拉丁超立方抽样法在各个变量分布范围内进行小规模采样，获取WPT功率的样本集。
[0008]进一步的，所述步骤2)中，对搭建的自动微分变分推断代理模型进行优化训练，最终实现初始先验分布与后验分布拟合，获取WPT输出功率的平均期望、波动方差及概率密度分布等统计特征参数。
[0009]进一步的，所述步骤3)中，结合麻雀搜索算法与透镜成像反向学习策略，获取改进的麻雀搜索算法。
[0010]进一步的，所述基于自动微分变分推断的不确定性量化代理模型的相关数学推导如下：假设隐变量为θ，转变变量ζ=T(θ)，则p(x, θ)将被转变为p(x, ζ)，其中由θ到ζ的映射关系被构建在联合概率分布中，经转换后所有隐变量均被定义在同一空间域内，表示为：
[0011]式中，p(x, θ=T
‑1(ζ))表示原始隐变量空间中的概率密度，表示T的雅可比逆矩阵；在新的实值坐标系空间中，变分目标函数ELBO表示为：
[0012]式中，H表示熵函数，Φ表示变分参数，高斯变分近似转变为标准高斯的标准化过程可表示为：
[0013]在标准化空间内，通过改进梯度计算方式对变分分布进行优化，具体表示为：
[0014]在ELBO最优解自适应步长调整策略中，设第i轮迭代时的步长大小为p
(i)
，梯度向量为g
(i)
，则相关的步长递归更新公式表示为：
[0015][0016]式中，η用于控制步长的比例，通常取值范围(0.01, 100)；i
ε
‑
0.5
为衰减函数，用于避免出现ELBO局部最优解附近振荡现象，α反映了每一轮迭代过程中，定义新步长值时从历史步长中参考的经验比例，通常取值范围(0, 1)；τ为附加扰动量，一般默认取值为1。
[0017]进一步的，所述麻雀搜索算法改进策略的相关数学推导如下：通过透镜成像原理反向学习策略得到最优个体的反向个体，根据透镜成像原理，得到函数关系式：
[0018]其中，a、b分别表示决策变量的上下界；h、h
’
分别表示一维空间内最优个体及反向个体离坐标轴的高度；令h/h
’
=k，k为缩放因子，得到反向点x
’
*
的计算公式为：
[0019]将基于透镜成像原理的反向学习策略推广到D维空间可得到：
[0020]式中，和分别表示x
*
和x
’
*
的第j维分量，a
j
和b
j
分别为决策变量上下界的第j维分量。
[0021]与现有技术相比，本专利技术的有益效果是：该专利技术提出一种考虑不确定性的电动汽车无线充电装置优化方法，基于贝叶斯框架的自动微分变分推断理论对EV
‑
WPT输出功率展开高效不确定性量化，实现了在保证求解精度的同时显著提高了计算效率；在原有麻雀搜索算法基础上结合透镜成像反向学习策略，显著地提高了算法的搜索精度、速度及鲁棒性，利用改进的麻雀搜索算法高效地获得了EV
‑
WPT输出功率统计矩的优化解分布；突破单一应用场景的局限性，考虑到了不同应用场景下EV
‑
WPT装置的结构优化设计。
附图说明
[0022]图1为本专利技术的流程图。
[0023]图2为本专利技术所提ADVI框架中从隐变量空间至标准化空间的转变过程。
[0024]图3为本专利技术所提麻雀搜索算法改进策略中反向个体生成原理示意图。
[0025]图4为本专利技术实施例1中 EV
‑
WPT系统示意图。
[0026]图5为本专利技术实施例1中ELBO负值的变化趋势。
[0027]图6为本专利技术实施例1中ADVI、GPR、MC不确定性量化结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑不确定性的电动汽车无线充电装置优化方法，其特征在于，包括以下步骤：步骤1) EV
‑
WPT相关随机变量采样选取对EV
‑
WPT输出功率造成影响的随机变量，对各个变量设置合理分布类型并进行小规模采样；步骤2) EV
‑
WPT输出功率统计矩量化搭建基于自动微分变分推断的不确定性量化代理模型，对EV
‑
WPT输出功率统计特征参数进行计算，具体为：首先设定初始先验分布，再以采集样本中概率密度最高的功率值作为目标函数对模型进行训练，当初始先验分布和后验概率分布的ELBO值达到最大时完成模型训练，最终实现EV
‑
WPT输出功率统计矩量化；步骤3) EV
‑
WPT输出功率优化以EV
‑
WPT输出功率的统计矩量化结果为优化目标，采用改进的麻雀搜索算法在WPT结构设计参数区间内展开寻优，最终获得WPT输出功率统计矩优化解分布。2.根据权利要求1所述的考虑不确定性的电动汽车无线充电装置优化方法，其特征在于，所述步骤1)中，相关随机变量包括：WPT磁耦合线圈组空间偏移量、WPT补偿电路负载电阻、补偿电路两侧等效电感以及磁耦合线圈组横截面半径。3.根据权利要求1所述的考虑不确定性的电动汽车无线充电装置优化方法，其特征在于，所述步骤1)中，采用拉丁超立方抽样法在各个变量的分布范围内进行小规模采样，获取WPT功率的样本集。4.根据权利要求1所述的考虑不确定性的电动汽车无线充电装置优化方法，其特征在于，所述步骤2)中，对搭建的自动微分变分推断代理模型进行优化训练，最终实现初始先验分布与后验分布拟合，获取WPT输出功率的平均期望、波动方差及概率密度分布统计特征参数。5.根据权利要求1所述的考虑不确定性的电动汽车无线充电装置优化方法，其特征在于，所述步骤3)中，结合麻雀搜索算法与透镜成像反向学习策略，获取改进的麻雀搜索算法。6.根据权利要求1所述的考虑不确定性的电动汽车无线充电装置优...

【专利技术属性】
技术研发人员：王天皓，吴扬昀，李博，于全毅，徐琳琳，高乐，赵强，
申请(专利权)人：吉林大学，
类型：发明
国别省市：