《Journal of Energy Storage》:A multi-objective adaptive metaheuristic algorithm with the lightweight deep learning based wireless charging management system for electric vehicle
编辑推荐:
动态无线充电电动汽车自适应管理系统研究。提出轻量级深度神经网络(DNN)结合多目标自适应塞巴鸟优化算法(SBOA),优化移动中电动汽车的电磁场强度预测与参数调节,有效降低侧向误差和能量损耗。实验表明系统在RMSE、MAE、成功率等指标上表现优异,解决了传统无线充电动态适配难题。
Ratala Koteswara Naik|Bharathi M.L.
印度金奈Sathyabama科学技术学院电子工程与电气工程系的研究学者
摘要
本研究提出了一种新型的适应性无线充电管理系统,专门用于行驶中的电动汽车(EV)。随着现代技术的发展,人们越来越重视解决电动汽车在无线充电过程中遇到的问题,尤其是能量损失问题。因此,提高充电效率成为无线充电系统电动汽车面临的主要挑战。为此,我们开发了一种基于轻量级深度神经网络(Light-DNN)的运动控制系统,以应对动态无线充电系统。发射线圈产生动态电磁场,所提出的模型通过预测电磁场强度来优化电动汽车的运动轨迹。此外,多目标自适应秘书鸟优化算法(SBOA)有助于优化电动汽车的参数,如横向偏差和能量损失。该模型在MATLAB平台上实现,其性能通过均方根误差(RMSE)、平均绝对误差(MAE)、最大横向误差、成功率以及收敛时间等指标进行评估。
引言
无线充电系统(WCS)是一种非接触式技术,为电动汽车提供了便捷的充电方式[1]。无线充电利用电磁场将能量从发射线圈传输到接收线圈,无需任何物理连接件或电缆[2]。这种技术大大简化了充电过程,减少了用户的充电焦虑,并增加了充电点的可用性。无线充电有助于推动电动汽车的大规模普及,从而实现环保目标,包括减少碳排放和提升用户体验[3][4]。
与有线充电相比,无线充电的效率较低,导致充电过程中能量浪费[5]。此外,无线充电系统初始投资成本较高,需要先进的技术实现,且充电范围和对准精度有限,因此在车辆行驶时使用不便[6]。其充电速度也比直流有线高速充电慢,可能无法满足高需求用户的需求[7]。同时,无线充电容易受到电磁干扰的影响,可能干扰周围的电子设备或系统[8]。
图1展示了无线电力传输(WPT)利用感应耦合原理,其中发射线圈连接到电源,接收线圈连接到电动汽车(EV)的电池。串联-串联补偿网络通过维持线圈共振来提高传输效率。发射端配备高频逆变器,接收端包含整流电路和滤波器,以产生可控的直流电压用于充电。
本文提出了一种综合设计,结合了无线充电、智能行程调度和边缘计算技术[9]。通过在发射线圈(Tx)和接收线圈(Rx)之间使用可重构线圈,增强了发射线圈产生的磁通量,从而提高了耦合效率[10]。该方案还有效解决了充电站位置不一致的问题,因为不正确的位置会对电动汽车的安全性、可靠性和功能造成影响。此外,还提出了一种创新的融资方案,采用模糊决策模型进行投资决策[11]。所提出的无线电力传输系统具有主动负载阻抗匹配(ALIM)功能,可提升能量传输效率并降低运营成本[12]。此外,该系统还采用了功率控制技术,在电池充电过程中实现稳定的电压模式,确保高效充电、延长电池寿命并优化能量利用[13]。
随着电动汽车的普及,高效、便捷且不间断的充电解决方案变得至关重要[14]。虽然无线充电技术具有很大潜力,但目前存在能量损失、对准精度不足和效率低下等问题,因此需要更智能、响应更快的系统[15]。本文提出了一种基于轻量级深度学习的网络控制系统,用于电动汽车的动态无线充电,通过优化充电参数、横向偏差和能量损失来提升充电效率和可靠性。
本文的主要贡献如下:
•轻量级深度神经网络(Light-DNN)通过预测充电站产生的电磁场强度,优化电动汽车在充电过程中的运动轨迹,确保准确对准并减少能量损失。
•研究引入了多目标自适应秘书鸟优化算法(SBOA),通过优化参数来提高充电效率并稳定电动汽车的运动,从而减少横向偏差和能量损失。
•MATLAB仿真框架通过改变电动汽车的对准精度、充电过程中的能量损失以及整体充电效率来评估系统性能。
本文结构如下:第1节介绍电动汽车动态无线充电的概念;第2节讨论现有方法及其不足之处;第3节介绍所提出的轻量级深度神经网络模型和多目标优化算法;第4节阐述实验设置和性能评估;第5节提出未来研究的方向。
参考文献
文献综述
Sun等人[16]开发了一种基于RFID的电动汽车对准系统,提高了线圈对准的精度。他们通过相干相位检测和最大似然估计方法,展示了无线充电对准技术在电动汽车上的实际应用和挑战,并提出了相应的解决方案。
Ramakrishnan等人[17]提出了一种新的技术,用于减少充电过程中的角度误差
提出的方法
本研究提出了一种轻量级深度神经网络(Light-DNN),用于电动汽车充电系统的波动预测和适应性控制。该网络基于历史无线充电数据(包括电磁场强度变化、车辆与充电垫位置偏差、充电电流和电压瞬变以及环境条件)进行训练。经过优化后的Light-DNN减少了隐藏层的数量,降低了dropout率,并采用了ReLU激活函数
结果与讨论
该系统实现了较高的预测精度,均方根误差(RMSE)和平均绝对误差(MAE)值较低,从而实现了精确的能量和轨迹估计。实验结果表明,该系统有效降低了横向偏差,提高了线圈对准精度和能量传输效率。多目标自适应秘书鸟优化算法(MASBOA)具有较快的收敛时间和较高的成功率。轻量级深度神经网络(Light-DNN)具有较低的推理时间、优化的学习率以及良好的预测窗口配置。表2展示了实验原型参数。
图4进行了对比分析
结论
本研究提出了一种利用Light-DNN和MASBOA的电动汽车动态无线充电新方法。该系统有效解决了对准不精确、能量消耗效率低以及系统适应性不足等问题。Light-DNN提升了耦合效率和服务响应速度,而MASBOA则调整了运动参数和系统设置,减少了能量损失和横向偏差。基于MATLAB的仿真验证了该模型的性能,显示出较低的RMSE、MAE和横向误差
作者贡献声明
Ratala Koteswara Naik:负责撰写、审稿与编辑、数据整理及概念构思。M.L. Bharathi:负责验证、监督及软件开发。
资金情况
所有作者声明,他们未为此项目获得任何资金支持。
利益冲突声明
作者声明,他们不存在可能影响本文研究结果的已知财务利益冲突或个人关系。