基于神经网络的电动汽车动态无线充电功率控制

张强 黄云霄 牛天林 徐晨洋

（空军工程大学，西安 710051）

基于神经网络的电动汽车动态无线充电功率控制

张强 黄云霄 牛天林 徐晨洋

（空军工程大学，西安 710051）

为实现多初级绕组并联电动汽车的动态无线充电，建立双发单收无线电能传输系统模型，得到动态模式下的传输特性与磁场分布。为保证输出功率的稳定调节，增加基于副边控制的升压型变换器。设计了反向传播（BP）神经网络控制器，通过控制高频开关管占空比的变化，实现输出电流的平稳控制。仿真分析表明，所设计的BP神经网络控制器在控制速度、超调量、控制稳定性等方面均优于传统PID控制，同时具有较好的泛化能力。

1 前言

充电问题已成为限制电动汽车发展的最大难题[1]。电动汽车有线充电方式存在充电装置笨重、拔插过程机械磨损严重、安全隐患大等缺点。电动汽车无线充电技术使用户只需将车辆停靠在固定发射线圈上方即可实现充电，称为静态无线充电。然而，这种方式存在充电时间长、续驶里程有限、电池组笨重等缺点。因此，电动汽车动态无线充电技术应运而生，它采用多发射线圈并联方式，在车辆行驶过程中，以非接触方式实时进行能量供给[2～5]。由于车辆处于运动之中，线圈间互感不断变化，使得充电功率处于波动之中，影响系统的稳定性。

文献[6]针对分段导轨动态无线供电的线圈接力方式，提出有效的线圈切换供电方法，对于系统传输特性的稳定具有重要意义。Jhon T.Boy教授研究团队针对多级导轨动态无线供电方式，提出一种多相导轨感应磁场，从而保证系统传输效率的稳定[7～8]。朱春波教授研究团队在研究磁耦合无线电能传输系统原理、距离和功率特性的基础上，成功研制输入电压为10 V、工作频率为55 kHz、效率达85%的动态模式供电试验平台[9～10]。孙跃教授研究团队围绕无线电能传输功率的控制与调节，提出了动态无线供电的设计方法，并联合企业开发出功率为15 kW、传输距离为25～30 cm、传输效率达70%以上的电动汽车动态无线供电系统，且不需携带电池组[11～12]。

本文建立双初级绕组并联无线充电系统模型，分析电动汽车移动过程中的互感改变对输出功率稳定性的影响。副边增加输出功率调节电路，设计相应的反向传播（Back {Propagation，BP）神经网络控制器，通过对高频开关管占空比的控制，实现了功率的平稳输出。

2 系统建模与分析

2.1 双发单收系统模型

电动汽车运动过程中多个初级绕组同时供电的情形较为复杂，为简化分析，以双初级绕组同时供电为例建立双发单收无线电能传输系统模型，如图1所示，其中补偿拓扑选用SS型补偿。图1中，Us为高频逆变电压源，Ip1、Ip2、Is分别为两初级侧与次级侧电流，Lp1、Lp2、Ls分别为两初级侧与次级侧的耦合电感，Cp1、Cp2、Cs分别为两初级侧与次级侧的串联谐振补偿电容，Rp1、Rp2、Rs分别为两初级侧与次级侧的等效内阻，Mp1p2、Mp1s、Mp2s分别为两初级绕组间及两初级绕组与次级绕组间的互感，RL为系统负载。

图1 双发单收无线电能传输系统等效电路

由基尔霍夫电压定律可得等效电路方程为：

式中，Zp1=Rp1+j(ωLp1-1/ωCp1)、Zp2=Rp2+j(ωLp2-1/ωCp2)、Zs=Rs+RL+j(ωLs-1/ωCs)分别为两初级绕组回路与次级绕组回路阻抗。

由于并联初级绕组为对称结构，因此：

即Zp=Zp1=Zp2。

解得各回路电流为：

其中，

电动汽车无线供电系统线圈工作在谐振状态，因此：

假设接收线圈刚好位于两发射线圈中间位置，则：

最终解得系统输出总功率为：

系统传输效率为：

由式（7）、式（8）可知，系统其它参数确定时，互感是影响系统传输性能的主要因素。定义系统仿真参数如表1所示。

表1 系统仿真参数

研究初级绕组互感Mp1p2=2 μH时，初、次级绕组互感Mp1s、Mp2s对系统传输特性的影响，如图2所示。

由图2a可以看出，Mp1s与Mp2s对系统输出功率的影响具有对称性：二者均为零时，系统输出功率也为零；其中一个为零时，输出功率随另一个互感的增大先增大后减小，最大值为45 W；Mp1s、Mp2s同时变化时，输出功率随两个互感的增大而增大，且互感在0～4 μH范围内变化时，增速较快，之后趋于平缓，系统最大输出功率可以达到110 W。由图2b可以看出，Mp1s与Mp2s对系统传输效率的影响同样具有对称性：二者均为零时，系统传输效率为零；其中一个为零时，传输效率随另一个互感的增大先增大后减小，最大值为50%；Mp1s、Mp2s同时变化时，系统传输效率随两个互感的增大同样呈现先增大后减小的趋势，系统最大传输效率可以达到90%。

图2 Mp1s、Mp2s对系统传输特性影响

2.2 动态模式下的线圈特性

模拟电动车在双发射线圈上方的运动情况，开展ANSYS Maxwell与Simplorer的联合仿真，得到电动汽车由一个发射线圈正上方运动至两发射线圈中间位置正上方的几个典型位置线圈磁场分布云图如图3所示。可以看出，随着接收线圈的移动，线圈间磁场强度逐渐减弱，耦合性能下降。

图3 线圈间磁场分布云图

进而仿真得到接收线圈移动过程中的电流变化如图4所示。这里定义线圈外半径为200 mm，即为接收线圈的移动距离。

图4 接收线圈运动中的电流变化

由图4可以看出，随着接收线圈的移动，其电流逐渐减小。电动汽车运动过程中，多个发射线圈的切换供电必然造成接收线圈电流的不断波动，造成系统传输特性的不断跳变。因此，保证接收线圈端电流的平稳输出，对于系统稳定运行具有重要意义。

3 BP神经网络控制器设计

3.1 输出功率调节电路

为实现输出功率的平稳控制，本文在传统双初级绕组并联无线供电的基础上增加基于副边控制的输出功率调节电路。电动汽车动态充电线圈位置大多处于偏移状态，导致绕组耦合减弱，系统输出功率降低，因此副边选用升压型（Boost）变换器进行输出功率的调节，如图5所示。图5中，L为大电感，可以起到防止电流跳变及储存能量的作用，C为大电容，可以一定程度保持输出电压的恒定，二极管VD用于防止开关管V开通期间的能量倒灌。

图5 输出功率调节等效电路

高频开关管V导通时，能量接收线圈Ls对电感L进行充电，同时电容C向负载RL供电，由于电容C很大，可以认为此时负载上的电压为恒定值；高频开关管V断开时，能量接收线圈Ls和电感L同时向负载RL供电，实现电路升压效果。图5中，高频开关管前加入开关管控制器，用于控制开关管V导通占空比的变化，从而实现输出功率的控制。

3.2 基于BP神经网络的输出功率控制

电动汽车的位置不是固定的，导致系统互感的不断改变，引发输出功率的波动，影响系统稳定性。此时，可以通过调节输出端高频开关管V的通断时间实现输出功率的恒定控制。神经网络具有逼近任意非线性函数的特性，同时具有较强的学习能力与一定的泛化能力，是一种新型的智能控制策略。设计基于神经网络的输出功率稳定控制策略，如图6所示。

图6 神经网络控制框图

图6中，对于确定的系统，其负载阻值恒定，因此，输出功率的平稳控制可以转化为输出电流的平稳控制。设定适合系统的输出电流参考值IE，将参考电流IE与实时测得的输出电流IL的差值e、互感Mp1s和Mp2s、参考电流Ie作为控制器的输入，通过神经网络计算，将开关管V的占空比初始值d0与占空比变化值Δd传递给占空比计算模块，得到新的开关管占空比d，直到输出电流与参考电流差值小于所设定的误差最小值，从而实现对输出电流的平稳控制。

BP算法是最为典型的一种神经网络算法。BP神经网络结构简单、运行可靠、容错能力强，且具有较好的泛化能力，是应用最为广泛与成熟的神经网络模型。BP神经网络的学习过程可以概括为工作信号正向传播与误差信号反向传播两个阶段。输入信号经输入层、隐含层到输出层为工作信号的正向传播阶段；若输出层没有得到期望的输出信号，则将输出信号与期望信号的差值作为误差信号，逐层向前传播，即误差信号的反向传播阶段。

最终确定所设计的BP神经网络控制器参数：输入、输出层节点数分别为4、2；隐含层个数为1；隐含层节点数为5；输入层到隐含层激励函数为“tansig”函数，隐含层到输出层激励函数为“pureline”函数；误差阈值为0.5；学习步长为0.05；迭代次数为1 000。得到神经网络控制器误差性能曲线如图7所示。其中，定义误差性能指标函数E=e2(k)/2。可以看出，所设计的BP神经网络控制在134次迭代后达到训练要求，且具有较快的收敛速度。

图7 误差性能

4 仿真分析

为验证所设计的BP神经网络控制器的有效性，在MATLAB—Simulink中搭建系统仿真电路，仿真参数设置与表1一致。设置系统初始状态为次级绕组在两初级绕组中间，此时Mp1s=Mp2s；当次级绕组靠近其中一个初级绕组，与该初级间互感增大，与另一初级绕组间互感必定减小。

4.1 BP神经网络控制

设定总仿真时间为0.3 s，互感随时间的变化及所设计的BP神经网络控制器的控制效果如图8所示。可以看出：从开始供电到系统稳定运行仅用了0.035 s，控制过程迅速，电流超调量小；在系统参数发生变化时，电流误差超调量在0.04 A以内，且在0.008 s内，电流重新回归平衡状态，取得了良好的控制效果。

图8 BP神经网络控制仿真波形

4.2 传统PID控制

根据系统特征，设计传统PID控制器，仿真时间和互感的变化与设置与上节一致，其控制效果如图9所示。由图9可以看出：从开始供电到系统稳定运行用时0.06 s；在互感Mp1s由5.5 μH变为5.0 μH时，电流超调量达到了0.3 A，经过0.055 s后系统重新回归稳定；在互感Mp1s由5.0 μH变为5.5 μH时，电流超调量为-0.3 A，系统经过0.055 s重新回归稳定状态。

图9 传统PID控制仿真波形

通过比较可以看出，BP神经网络控制器在控制速度、超调量、控制稳定性等方面均优于传统PID控制。

4.3 BP神经网络的泛化能力

为进一步研究所设计的BP神经网络控制器的泛化能力，在系统其它参数不变的前提下，取参数样本值以外的互感值开展仿真。互感随时间的变化及BP神经网络控制仿真波形变化如图10所示。可以看出，当互感值为样本以外的数据时，神经网络控制器依然具有超调量小、控制速度快的特点，表明所设计的BP神经网络控制器具有很好的泛化能力。

图10 样本外的BP神经网络控制仿真波形

5 结束语

本文基于电路理论，建立双发单收无线电能传输系统模型，在电能输出端增加升压型变换器，并设计了BP神经网络控制器，通过控制变换器高频开关管占空比的变化，实现了输出电流的平稳控制，进而实现了输出功率的平稳控制。仿真分析结果表明：相对于传统PID控制，所设计的BP神经网络控制器控制过程迅速、超调量小，在系统互感跳变时，能很快回到稳定状态；在输入互感为样本外参数时，系统同样具有很好的控制性能，所设计的BP神经网络控制器具有较好的泛化能力。同时，本文为进一步研究电动汽车运动中多级发射线圈的切换提供了一定的理论依据。

1 方楚良，沈锦飞.电动汽车磁耦合谐振式无线充电系统研究.通信电源技术，2015，32（2）：29～31.

2 Shinohara N.Wireless power transmission progress for electric vehicle in Japan.2013 IEEE Radio and Wireless Symposium.Austin，2013.

3 张献，杨庆新，陈海燕，等.电磁耦合谐振式无线电能传输系统的建模、设计与实验验证.中国电机工程学报，2012，32（21）：153～158.

4 武瑛，严陆光，徐善纲.运动设备无接触供电系统耦合特性的研究.电工电能新技术，2005，24（3）：5～8.

5 王璐，陈敏，徐德鸿.磁浮列车非接触紧急供电系统的工程化设计.中国电机工程学报，2007，27（18）：67～70.

6 赵锦波，蔡涛，段善旭，等.适用于分段式动态无线充电的接力方法.电力系统自动化，2016，40（16）：64～70.

7 Covic G A,Boys J T.Modern Trends in Inductive Power Transfer for Transportation Applications.IEEE Journal of Emerging&Selected Topics in Power Electronics，2013，1（1）：28～41.

8 Huh J,Lee S W,Lee W Y,et al.Narrow-Width Inductive Power Transfer System for Online Electrical Vehicles.IEEE Transactions on Power Electronics，2011，26（12）：3666～3679.

9 雷阳，张剑韬，宋凯，等.多负载无线电能传输系统的稳定性分析.电工技术学报，2015，30（增刊1）：187～192.

10 李阳，朱春波，宋凯，等.弱耦合无线电能传输系统驱动源研究.电工技术学报，2015，30（增刊1）：193～198.

11 唐治德，徐阳阳，赵茂，等.耦合谐振式无线电能传输的传输效率最佳频率.电机与控制学报，2015，19（3）：8～13.

12 孙跃，杨芳勋，戴欣.基于改进型蚁群算法的无线电能传输网组网.华南理工大学学报（自然科学版），2011，39（10）：146～164.

（责任编辑 斛 畔）

Dynamic Wireless Charging Power Control of Electric Vehicle Based on Neural Network

Zhang Qiang,Huang Yunxiao,Niu Tianlin,Xu Chenyang
（Air Force Engineering University,Xi’an 710051）

To realize dynamic wireless charging of multi primary winding parallel electric vehicle,a doubletransmitting and single-receiving wireless power transmission system model was established,to get the transmission characteristics and distribution of magnetic field in dynamic mode.To ensure the stable regulation of output power,a boost converter based on sub side control was added.A Back Propagation(BP)neural network controller was designed to control the output current smoothly by controlling the change of duty cycle of the high frequency switch tube.The simulation analysis shows that the control speed,overshoot and control stability of the designed BP neural network controller are better than the traditional PID controller,and has better generalization ability.

Electricvehicle,Dynamiccharging,Output power,BPneural network

电动汽车 动态充电 输出功率 BP神经网络

U469.72 文献标识码：A 文章编号：1000-3703（2017）10-0001-05