一种无线电能传输系统线圈互感建模方法和装置

1.本技术涉及磁耦合谐振无线电能传输技术领域，特别是涉及一种无线电能传输系统线圈互感建模方法和装置。


背景技术：

2.磁耦合谐振无线电能传输技术是一种新型非接触式能量传输技术，可在数米范围内高效传输电能，同时可穿过非导磁性障碍物，在嵌入式传感器无线供电方面有着良好的应用前景。
3.发射与接收线圈之间的互感(以下简称线圈互感)作为磁耦合谐振无线电能传输系统的重要参数，对系统整体性能有重要影响。线圈互感的大小取决于线圈自身几何形状、尺寸大小、相对位置、匝数、以及线圈所处环境中介质的电导率、磁导率、温度、压力等参数相关。在传统建模方法中，线圈互感通过理论公式计算获得，但在理论计算公式的推导过程中，由于磁耦合谐振无线电能传输系统的一些内在机理缺失、或者难以用解析表达式来进行准确描述，使得线圈互感的理论计算值与真实值存在差异，从而影响整个无线电能传输系统的分析和设计。数据驱动的线圈互感建模方法能够有效克服以上不足，可以在无法获得系统内在机理的情况下，利用系统的输入输出数据来训练线圈互感的数据模型，根据数据模型得到的线圈互感值更逼近真实值。因此，数据建模方法在无线电能传输系统的分析、设计与优化中具有重要价值。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种无线电能传输系统线圈互感建模方法和装置。
5.一种无线电能传输系统线圈互感建模方法，所述方法包括：
6.获取用于无线电能传输的两个磁场耦合线圈的多组测量数据，并将多组所述测量数据分为训练样本和测试样本；所述测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感。
7.构建线圈互感模型；所述线圈互感模型是bp神经网络，包括输入层、隐藏层以及输出层；所述输入层包含的节点数目与测量数据中的线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数的参数数量的总和相同，所述隐藏层的层数为2，每层隐藏层的节点个数是根据训练样本中样本总数、输入层节点数量、输出层节点数量以及预设的比例参数确定的；所述输出层包含1个节点。
8.利用训练样本对线圈互感模型进行训练，模型采用正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。
9.利用训练好的线圈互感模型估计不存在于训练样本和测试样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数与线圈互感之间的关
系。
10.在其中一个实施例中，所述测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感；所述线圈的自身参数包括线圈的形状、尺寸以及匝数等；所述环境参数包括介质的电导率、磁导率、温度以及压力等。
11.获取两线圈的多组测量数据，并将多组所述测量数据分为训练样本和测试样本，包括：
12.在线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数确定的情况下，利用阻抗测试仪测量两线圈顺接串联组成电感的自感和两线圈反接串联组成电感的自感，得到对应的线圈互感。
13.通过改变线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数，并测量对应的线圈互感，得到多组测量数据。
14.在其中一个实施例中，利用训练样本对线圈互感模型进行训练，模型采用由正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型，包括：
15.采用随机函数对各层之间的连接权重进行初始化，得到初始化权重。
16.将训练样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数作为线圈互感模型输入层的正向输入，并直接将其作为输入层的正向输出。
17.将输入层的正向输出与输入层和第一隐藏层之间的连接权重相乘求和作为第一隐藏层的正向输入，经过激活函数激活后，得到第一隐藏层的正向输出；依此类推，直到计算出输出层的正向输出并作为模型的计算输出。
18.根据模型的计算输出和标准输出的差值，确定输出层误差，并作为输出层的反向输入；所述标准输出为训练样本中的线圈互感。
19.根据输出层的反向输入和激活函数的倒数，可计算输出层的反向输出；根据输出层的反向输出和输出层与第二隐藏层之间连接权重矩阵的转置，计算第二隐藏层的反向输入；依此类推，直到计算出第一隐藏层的反向输出。
20.根据后一层第i个节点的反向输出、预设学习速率以及前一层第j个节点的正向输入，得到前后层之间连接权重的调整量。
21.根据前后层之间连接权重的调整量和对应层之间的连接权重更新对应层之间的连接权重，并进行下一轮训练，直到每一个训练样本都参与训练为止，训练完成。
22.利用测试数据对训练得到的线圈互感模型进行测试，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练轮数时结束循环，得到训练好的线圈互感模型。
23.在其中一个实施例中，线圈互感模型的输入参数包括：线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数；所述方法还包括：
24.将训练样本和测试样本以外的线圈互感模型的输入参数输入到训练好的线圈互感模型中，得到模型的输出结果。
25.根据所述输出结果与实验得到的对应线圈互感，得到输出误差。
26.当输出误差大于预设阈值误差时，则调整预设误差阈值或预设训练次数重新进行训练，直到验证结果满足误差要求，得到训练好的线圈互感模型。
27.一种无线电能传输系统线圈互感建模装置，所述装置包括：
28.数据获取模块，用于获取用于无线电能传输的两个磁场耦合线圈的多组测量数据，并将多组所述测量数据分为训练样本和测试样本；所述测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感。
29.线圈互感模型构建模块，用于构建线圈互感模型；所述线圈互感模型是bp神经网络，包括输入层、隐藏层以及输出层；所述输入层包含的节点数目与测量数据中的线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数的参数数量的总和相同，所述隐藏层的层数为2，每层隐藏层的节点个数是根据训练样本中样本总数、输入层节点数量、输出层节点数量以及预设的比例参数确定的；所述输出层包含1个节点。
30.线圈互感模型训练模块，用于利用训练样本对线圈互感模型进行训练，模型采用正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。
31.线圈互感模块，用于利用训练好的线圈互感模型估计不存在于训练样本和测试样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数与线圈互感之间的关系。
32.在其中一个实施例中，所述测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感；所述线圈的自身参数包括线圈的形状、尺寸以及匝数等；所述环境参数包括介质的电导率、磁导率、温度以及压力等。
33.数据获取模块，还用于在线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数确定的情况下，利用阻抗测试仪测量两线圈顺接串联组成电感的自感和两线圈反接串联组成电感的自感，得到对应的线圈互感；通过改变线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数，并测量对应的线圈互感，得到多组测量数据。
34.在其中一个实施例中，线圈互感模型训练模块，还用于采用随机函数对各层之间的连接权重进行初始化，得到初始化权重。
35.将训练样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数作为线圈互感模型输入层的正向输入，并直接将其作为输入层的正向输出；将输入层的正向输出与输入层和第一隐藏层之间的连接权重相乘求和作为第一隐藏层的正向输入，经过激活函数激活后，得到第一隐藏层的正向输出；依此类推，直到计算出输出层的正向输出并作为模型的计算输出；根据模型的计算输出和标准输出的差值，确定输出层误差，并作为输出层的反向输入；所述标准输出为训练样本中的线圈互感；根据输出层的反向输入和激活函数的倒数，可计算输出层的反向输出；根据输出层的反向输出和输出层与第二隐藏层之间连接权重矩阵的转置，计算第二隐藏层的反向输入；依此类推，直到计算出第一隐藏层的反向输出；根据后一层第i个节点的反向输出、预设学习速率以及前一层第
j个节点的正向输入，得到前后层之间连接权重的调整量；根据前后层之间连接权重的调整量和对应层之间的连接权重更新对应层之间的连接权重，并进行下一轮训练，直到每一个训练样本都参与训练为止，训练完成；利用测试数据对训练得到的线圈互感模型进行测试，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练轮数时结束循环，得到训练好的线圈互感模型。
36.在其中一个实施例中，线圈互感模型的输入参数包括：线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数；所述装置还包括，验证模块，用于将训练样本和测试样本以外的线圈互感模型的输入参数输入到训练好的线圈互感模型中，得到模型的输出结果；根据所述输出结果与实验得到的对应线圈互感，得到输出误差；当输出误差大于预设阈值误差时，则调整预设误差阈值或预设训练次数重新进行训练，直到验证结果满足误差要求，得到训练好的线圈互感模型。
37.上述一种无线电能传输系统线圈互感建模方法和装置，所述方法包括获取两线圈的多组测量数据，并将多组测量数据分为训练样本和测试样本；构建线圈互感模型；该模型是bp神经网络，包括输入层、隐藏层以及输出层；利用训练样本对该模型采用由正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。利用训练好的线圈互感模型建立不存在于训练样本和测试样本中的线圈互感模型的输入参数与线圈互感之间的关系。本方法能够对任意相对位置的线圈互感进行建模，并且适用于不同参数的线圈；使用实验数据作为建模的数据来源，可将传统理论推导中无法量化的参数项进行整体建模，能够提高参数到线圈互感的模型精度，对磁耦合谐振无线电能传输系统的分析和设计具有一定提升作用。
附图说明
38.图1为一个实施例中无线电能传输系统线圈互感建模方法的流程示意图；
39.图2为另一个实施例中无线电能传输系统线圈互感建模方法的流程示意图；
40.图3为一个实施例中两圆形线圈的空间示意图；
41.图4为另一个实施例中bp神经网络训练流程图；
42.图5为一个实施例中无线电能传输系统线圈互感建模装置的结构框图。
具体实施方式
43.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
44.对于线圈互感模型的参数符号的说明：
45.(1)x为正向输入，v为正向输出，e为反向输入，δ为反向输出，w为节点间连接权重，w为层间连接权重矩阵；
46.对正向输入正向输出，输入层、第一隐藏层、第二隐藏层以及输出层都有；
47.对于反向输入正向输出，仅第一隐藏层、第二隐藏层以及输出层有；
48.对于连接权重，仅存在两层之间，共三种。
49.(2)参数的上标代表对应的网络层，可以用数字或英文表示，参数下标代表层中对应的节点；所有参数定有上标，有下标代表是节点，无下标代表向量；
50.输入层的上标用1或in表示；第一隐藏层的上标用2或hidden1表示；第二隐藏层的上标用3或hidden2表示；输出层的上标用4或out表示；
51.例：输入层第j的节点的正向输入：或者输出层的反向输出：δ
(out)
或者δ
(4)
；第二隐藏层到输出层的连接权重(矩阵)：w
(hidden2,out)
或者w
(3,4)
；第k层的第j个节点到第k 1层的第i个节点的单个连接权重调整量
52.在一个实施例中，如图2所示，提供了一种无线电能传输系统线圈互感建模方法，该方法包括以下步骤：
53.步骤100：获取用于无线电能传输的两个磁场耦合线圈的多组测量数据，并将多组测量数据分为训练样本和测试样本；测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感。
54.线圈互感模型的输入参数包括：线圈的自身参数、线圈所处的环境参数以及、两个磁场耦合线圈的相对位置参数。
55.步骤102：构建线圈互感模型；线圈互感模型是bp神经网络，包括输入层、隐藏层以及输出层；输入层包含的节点数目与测量数据中的线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数的参数数量的总和相同，隐藏层的层数为2，每层隐藏层的节点个数是根据训练样本中样本总数、输入层节点数量、输出层节点数量以及预设的比例参数确定的；输出层包含1个节点。
56.节点的激活函数采用elu函数，激活函数仅作用于隐藏层和输出层的节点；
57.步骤104：利用训练样本对线圈互感模型进行训练，模型采用正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。
58.步骤106：利用训练好的线圈互感模型估计不存在于训练样本和测试样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数与线圈互感之间的关系。
59.上述一种无线电能传输系统线圈互感建模方法中，所述方法包括获取两线圈的多组测量数据，并将多组测量数据分为训练样本和测试样本；构建线圈互感模型；该模型是bp神经网络，包括输入层、隐藏层以及输出层；利用训练样本对该模型采用由正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。利用训练好的线圈互感模型建立不存在于训练样本和测试样本中的线圈互感模型的输入参数与线圈互感之间的关系。本方法能够对任意相对位置的线圈互感进行建模，并且适用于不同参数的线圈；使用实验数据作为建模的数据来源，可将传统理论推导中无法量化的参数项进行整体建模，能够提高参数到线圈互感的模型精度，对磁耦合谐振无线电能传输系统的分析和设计具有一定提升作用。
60.在其中一个实施例中，测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感；线圈的自身参数包括
线圈的形状、尺寸以及匝数等；环境参数包括介质的电导率、磁导率、温度以及压力；步骤100包括：在线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数确定的情况下，利用阻抗测试仪测量两线圈顺接串联组成电感的自感和两线圈反接串联组成电感的自感，得到对应的线圈互感；通过改变线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数，并测量对应的线圈互感，得到多组测量数据。
61.具体的，两线圈的参数定义及互感测量方法包括：
62.考虑两线圈模型，线圈的自身参数如几何形状(如圆形或方形)、尺寸大小(如圆形半径或方形边长)、匝数等，线圈所处的环境参数如介质磁导率、温度、压力等，可一并设为λ1,λ2…
λm，其中，m为线圈自身参数与线圈所处环境参数的总数。
63.将线圈的几何中心点视为线圈的中心，过中心点建立线圈中心轴，中心轴垂直于线圈中电流所在平面，并按右手定则由电流方向确定中心轴的指向。
64.在三维空间下，两线圈的相对位置参数可用中心点相对偏移量线圈中心轴偏移量矢量以及绕矢量的转角ψ唯一确定。
65.两线圈的互感是参数λ1,λ2…
λm,s
x
,sy,sz,n
x
,ny,nz,ψ的函数记为m()。
66.设两线圈的自感分别为l1和l2，互感为m，则两线圈顺接组成电感的自感为l
顺
＝l1 l2 2m，两线圈反接组成电感的自感为l
反
＝l1 l
2-2m，测出l
顺
和l
反
，可得出m＝(l
顺-l
反
)/4。
67.通过改变参数测量对应m(λ1,λ2…
λm,s
x
,sy,sz,n
x
,ny,nz,ψ)，记录多组数据作为后续bp神经网络的训练数据和测试数据。
68.在其中一个实施例中，步骤104包括：采用随机函数对各层之间的连接权重进行初始化，得到初始化权重；将训练样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数作为线圈互感模型输入层的正向输入，并直接将其作为输入层的正向输出；将输入层的正向输出与输入层和第一隐藏层之间的连接权重相乘求和作为第一隐藏层的正向输入，经过激活函数激活后，得到第一隐藏层的正向输出；依此类推，直到计算出输出层的正向输出并作为模型的计算输出；根据模型的计算输出和标准输出的差值，确定输出层误差，并作为输出层的反向输入；标准输出为训练样本中的线圈互感；根据输出层的反向输入和激活函数的倒数，可计算输出层的反向输出；根据输出层的反向输出和输出层与第二隐藏层之间连接权重矩阵的转置，计算第二隐藏层的反向输入；依此类推，直到计算出第一隐藏层的反向输出；根据后一层第i个节点的反向输出、预设学习速率以及前一层第j个节点的正向输入，得到前后层之间连接权重的调整量；根据前后层之间连接权重的调整量和对应层之间的连接权重更新对应层之间的连接权重，并进行下一轮训练，直到每一个训练样本都参与训练为止，训练完成；利用测试数据对训练得到的线圈互感模型进行测试，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练轮数时结束循环，得到训练好的线圈互感模型。
69.在其中一个实施例中，线圈互感模型的输入参数包括：线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数；该方法还包括，将训练样本和测试样本以外的线圈互感模型的输入参数输入到训练好的线圈互感模型中，得到模型的输出结果；根据输出结果与实验得到的对应线圈互感，得到输出误差；当输出误差大于预设阈值误差时，则调整预设误差阈值或预设训练次数重新进行训练，直到验证结果满足误差要求，得到训
练好的线圈互感模型。
70.在一个实施例中，如图2所示无线电能传输系统线圈互感建模方法流程图，该方法包括步骤如下：
71.s1、两圆形线圈参数定义及互感测量方法
72.考虑两圆形线圈模型，如图3所示，半径为r
p
的圆中心点对应于平面的原点o(0,0,0)轴对应于z轴，半径rs的圆中心点为c(xc,yc,zc)轴指向此时两圆形线圈自身即相对位置参数参数可用r
p
,rs,xc,yc,zc,n
x
,ny,nz进行表示，其余环境参数可设为λ1,λ2…
λk，互感可视为上述参数的函数记为m。
73.设两线圈的自感分别为l1和l2，互感为m，则两线圈顺接组成电感的自感为l
顺
＝l1 l2 2m，两线圈反接组成电感的自感为l
反
＝l1 l
2-2m。利用阻抗测试仪测出l
顺
和l
反
，可得出m＝(l
顺-l
反
)/4。
74.通过改变参数测量对应m(λ1,λ2…
λk,r
p
,rs,xc,yc,zc,n
x
,ny,nz)，记录多组数据作为后续bp神经网络的训练数据和测试数据。bp神经网络即为线圈互感模型。
75.bp神经网络的输入x为线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数：λ1,λ2…
λm,s
x
,sy,sz,n
x
,ny,nz,ψ，标准输出d为线圈互感m(λ1,λ2…
λm,s
x
,sy,sz,n
x
,ny,nz,ψ)。
76.bp神经网络的节点的激活函数确定。
77.bp神经网络的输入层包含n个节点，对应线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数：λ1,λ2…
λk,r
p
,rs,xc,yc,zc,n
x
,ny,nz；
78.bp神经网络的隐藏层层数为2，每层节点个数s可由确定，其中n代表训练样本总数，n为输入层节点个数，m为输出层节点个数，α可取任意正数常用范围为2-10。
79.bp神经网络的输出层包含1个节点，定义其节点输出y，其与标准输出d即线圈互感m(λ1,λ2…
λk,r
p
,rs,xc,yc,zc,n
x
,ny,nz)，输出节点误差为e＝d-y。
80.正向信号传播由前向后传播：前一层(第k层)节点的正向输出v
(k)
，乘以对应的连接权重w求和得到后一层(第k 1层)节点的正向输入x
(k 1)
，即：
[0081][0082]
其中x
j(k 1)
代表后一层(第k 1层)第j个节点的正向输入，v
i(k)
代表前一层(第k层)第i个节点的正向输出，w
ij(k,k 1)
代表前一层(第k层)第i个节点与后一层第j个节点的连接权重，矩阵形式记为x
(k 1)
＝w
(k,k 1)v(k)
，连接权重由随机函数进行初始化。
[0083]
正向信号传播由输入层的正向输入开始，将训练样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数作为线圈互感模型输入层的正向
输入，并直接将其作为输入层的正向输出，根据输入层的正向输出与输入层和第一隐藏层之间的连接权重相乘求和作为第一隐藏层的正向输入，经过激活函数激活后，得到第一隐藏层的正向输出；依此类推，直到计算出输出层的正向输出并作为模型的计算输出。
[0084]
反向误差传播由后向前传播，从输出层的反向输入开始，定义输出层节点的反向输入为输出节点误差e
(out)
＝d-y，计算输出层节点的反向输出其中是在y点的倒数。根据输出层的反向输出δ
out
，可计算第二隐藏层的反向输入e
(hidden2)
＝(w
(hidden2,out)
)
t
δ
(out)
和第二隐藏层的反向输出其中(w
(hidden2,out)
)
t
为输出层与第二隐藏层之间的连接权重矩阵的转置，v
(hidden2)
为第二隐藏层节点的正向输出组成的向量；依此类推，计算出第一隐藏层的反向输入和反向输出。(备注：上标代表层数；有下标的参数代表层中节点的参数，无下标的参数代表层中节点的参数组成的向量。)
[0085]
第k层到第k 1层连接权重的调整量δw
(k,k 1)
＝ηδ
(k 1)
x
(k)
，其中η代表学习速率，δw
(k,k 1)
为第k层到第k 1层连接权重的调整量，δ
(k 1)
为k 1层的反向输出，x
(k)
为第k层的正向输入，k＝1,2,3。
[0086]
s3、bp神经网络训练由正向信号转播、反向误差转播、连接权重的调整循环进行，直到在测试数据上输出层误差小于阈值ε或者循环次数达到预设最大值max结束循环，得到训练好的bp神经网络。
[0087]
s4、利用训练好的bp神经网络建立不存在于s1训练数据中的线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数与线圈互感之间的关系，对bp神经网络结果与实验结果进行比较，若未达预测可调整ε或max重新进行训练。
[0088]
应该理解的是，虽然图1-2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0089]
在一个实施例中，如图5所示，提供了一种无线电能传输系统线圈互感建模装置，包括：数据获取模块、线圈互感模型构建模块、线圈互感模型训练模块和线圈互感建模模块，其中：
[0090]
数据获取模块，用于获取用于无线电能传输的两个磁场耦合线圈的多组测量数据，并将多组测量数据分为训练样本和测试样本；测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感。
[0091]
线圈互感模型构建模块，用于构建线圈互感模型；线圈互感模型是bp神经网络，包括输入层、隐藏层以及输出层；输入层包含的节点数目与测量数据中的线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数的参数数量的总和相同，隐藏层的层数为2，每层隐藏层的节点个数是根据训练样本中样本总数、输入层节点数量、输出层节点数量以及预设的比例参数确定的；输出层包含1个节点。
[0092]
线圈互感模型训练模块，用于利用训练样本对线圈互感模型进行训练，模型采用正向信号转播、反向误差转播、循环调整连接权重的方式进行训练，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练次数结束循环，得到训练好的线圈互感模型。
[0093]
线圈互感模块，用于利用训练好的线圈互感模型估计不存在于训练样本和测试样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数与线圈互感之间的关系。
[0094]
在其中一个实施例中，测量数据包括线圈的自身参数、线圈所处的环境参数、两个磁场耦合线圈的相对位置参数以及对应的两个线圈之间的线圈互感；线圈的自身参数包括线圈的形状、尺寸以及匝数等；环境参数包括介质的电导率、磁导率、温度以及压力等；数据获取模块，还用于在线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数确定的情况下，利用阻抗测试仪测量两线圈顺接串联组成电感的自感和两线圈反接串联组成电感的自感，得到对应的线圈互感；通过改变线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数，并测量对应的线圈互感，得到多组测量数据。
[0095]
在其中一个实施例中，线圈互感模型训练模块，还用于采用随机函数对各层之间的连接权重进行初始化，得到初始化权重；将训练样本中的线圈的自身参数、线圈所处的环境参数以及两个磁场耦合线圈的相对位置参数作为线圈互感模型输入层的正向输入，并直接将其作为输入层的正向输出；将输入层的正向输出与输入层和第一隐藏层之间的连接权重相乘求和作为第一隐藏层的正向输入，经过激活函数激活后，得到第一隐藏层的正向输出；依此类推，直到计算出输出层的正向输出并作为模型的计算输出；根据模型的计算输出和标准输出的差值，确定输出层误差，并作为输出层的反向输入；标准输出为训练样本中的线圈互感；根据输出层的反向输入和激活函数的倒数，可计算输出层的反向输出；根据输出层的反向输出和输出层与第二隐藏层之间连接权重矩阵的转置，计算第二隐藏层的反向输入；依此类推，直到计算出第一隐藏层的反向输出；根据后一层第i个节点的反向输出、预设学习速率以及前一层第j个节点的正向输入，得到前后层之间连接权重的调整量；根据前后层之间连接权重的调整量和对应层之间的连接权重更新对应层之间的连接权重，并进行下一轮训练，直到每一个训练样本都参与训练为止，训练完成；利用测试数据对训练得到的线圈互感模型进行测试，直到在测试数据上输出层误差小于预设阈值误差或者循环次数达到预设训练轮数时结束循环，得到训练好的线圈互感模型。
[0096]
在其中一个实施例中，装置还包括，验证模块，用于将训练样本和测试样本以外的线圈互感模型的输入参数输入到训练好的线圈互感模型中，得到模型的输出结果；根据输出结果与实验得到的对应线圈互感，得到输出误差；当输出误差大于预设阈值误差时，则调整预设误差阈值或预设训练次数重新进行训练，直到验证结果满足误差要求，得到训练好的线圈互感模型。
[0097]
在其中一个实施例中，装置还包括，验证模块，用于将训练样本和测试样本以外的线圈互感模型的输入参数输入到训练好的线圈互感模型中，得到输出结果；根据输出结果与实验得到的对应线圈互感，得到输出误差；当输出误差大于预设阈值误差时，则调整预设误差阈值或预设训练次数重新进行训练，直到验证结果满足误差要求，得到训练好的线圈互感模型。
[0098]
关于无线电能传输系统线圈互感建模装置的具体限定可以参见上文中对于无线电能传输系统线圈互感建模方法的限定，在此不再赘述。上述无线电能传输系统线圈互感建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0099]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0100]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。