无线电能传输系统的数据驱动特性预测与输出优化

《Electronics》：Data-Driven Characteristic Prediction and Output Optimization for Wireless Power Transfer Systems

　　

针对无线电能传输（WPT）系统在充电过程中因负载电阻增大及互感变化导致的恒流/恒压（CC/CV）输出偏离问题，研究人员提出了一种仅基于发射侧（TX）电流波形的数据驱动特性预测与输出优化方法。该方法采用多尺度并行卷积（MSPC）神经网络，同步预测负载电阻（R_L）、互感（M）、输出偏差因子（γ_dev）以及输入电压调节系数（γ_reg）。MSPC模型通过并行多分支扩张卷积结构，从TX侧交流电流波形中提取多尺度时域特征，以捕捉电力电子开关产生的高次谐波信息。为提升模型在实际工况下的泛化能力，研究人员引入迁移学习（TL）以缩小仿真数据与物理实测数据之间的差异，并结合相位偏移、频率失真与幅度缩放等数据增强策略扩充有限的实测样本。最终，通过将输入直流电压乘以预测的调节系数，实现对衰减输出电流的补偿。研究搭建了140 W的串联-串联（SS）补偿WPT系统原型，验证了所提方法在联合特性预测与输出优化方面的有效性与优越性。

无线电能传输（WPT）技术作为一种变革性解决方案，已逐步消除物理连接器的束缚，以更高的便利性、安全性和灵活性重塑着电力传输格局，其应用涵盖电动交通、便携式电子设备及医疗植入物等诸多领域。在WPT系统的诸多工作模式中，恒流（CC）与恒压（CV）充电模式应用最为广泛。研究人员通过投入补偿网络（如串联-串联SS、并联-并联PP、串并联SP、并串联PS等基本拓扑，以及LCC-S、LCC-LCC、LCL-S、S-LCC等高阶补偿网络）实现了负载无关的CC或CV输出与输入零相角（ZPA）。然而，这些拓扑特性均基于基波分析（FHA）方法推导，忽略了DC/AC逆变器产生的方波电压中的高次谐波分量。因此，在CC模式下，当负载电阻增大时，输出直流电流会产生衰减；同时，由对准偏差引起的互感（M）变化亦会导致输出偏离。这种电流衰减不仅延长充电时间，更会导致电池管理系统（BMS）中基于库仑计数法（Coulomb Counting Method）的荷电状态（SOC）估计出现显著误差，并可能触发过早的CC-CV模式切换，致使电池无法充满，加速其老化 degradation。

为解决上述问题，研究人员开展了基于数据驱动的WPT系统特性预测与输出优化研究。该研究的核心目标在于：仅利用TX侧信息，实现对负载电阻、互感、输出偏差程度及输入调节系数的联合预测，并据此优化系统输出。研究最终构建了一种多尺度并行卷积（MSPC）深度学习模型，辅助以迁移学习（TL）框架，并通过140 W的SS补偿WPT实验原型验证了方法的有效性。该研究成果发表于《Electronics》期刊，为WPT系统的单端信息感知与智能控制提供了新思路，具有重要的理论价值与应用前景。

研究所采用的关键技术方法主要包括以下方面。在核心预测模型层面，研究人员设计了MSPC神经网络，其采用并行三分支扩张卷积结构，各分支分别配置不同的扩张率（dilation rate）以捕获不同时间尺度的动态信息：高频分支采用d=2和d=4以捕捉开关事件引起的快速瞬态，中频分支采用d=8和d=16以提取与控制动态相关的包络变化，低频分支采用d=32和d=64以捕获长期趋势与渐变特征。各分支输出经通道拼接后通过点卷积融合，最终经全局回归器输出四个预测参数。在模型泛化层面，研究人员引入迁移学习策略：首先以大量MATLAB/Simulink仿真数据（源域D_S）预训练MSPC模型，随后冻结多尺度特征提取器参数，仅以有限实测数据（目标域D_T）微调全局回归器参数，以弥合仿真与物理场景间的差异。此外，研究采用相位偏移、频率失真（模拟±0.1%频率偏差）和幅度缩放（0.01–0.1倍）三种数据增强方法扩充实测样本。在训练数据生成方面，研究利用Brent方法迭代优化求解维持CC输出所需的精确输入电压，自动生成高质量标注数据。样本队列来源方面，实验数据来自自建SS补偿WPT原型系统，其互感M在2.9–6.7 μH范围内变化（对应0–55 mm对准偏差），负载电阻R_L范围为1.2–30 Ω。

研究结果部分，研究通过多个实验验证了所提方法的性能。

"MSPC模型结构与训练"部分：研究人员详细阐述了MSPC模型的架构设计。多尺度特征提取器采用一维扩张卷积，通过指数级增长的扩张率在不增加参数量的情况下扩大感受野。三个并行分支分别对应高频、中频和低频特征，输出通道数设为8以编码基本谐波信息并防止过拟合。全局回归器采用自适应全局平均池化压缩时序信息，后经全连接层映射至预测目标。四个输出变量的损失权重保持相等以确保平衡学习。

"预测精度验证结果"部分：研究人员将MSPC模型与CNN、TCN、LSTM、BiLSTM四种基准模型进行对比验证。结果表明，MSPC模型在所有三项评估指标上均表现最优：平均绝对误差（MAE）为0.0105，均方根误差（RMSE）为0.0156，决定系数（R²）达0.9969。这一优势归因于MSPC模型对WPT波形多时间尺度动态特征的提取能力，尤其是其捕获电力电子开关引起的高频电流分量的能力。

"扩张率敏感性分析"部分：为验证所选取扩张率方案的合理性，研究人员对比了三种配置方案。方案一采用较小扩张率（d=1,2,4,8,16,32），因感受野不足无法捕获电流基波包络而导致RMSE最高（0.0332）；方案二采用过大扩张率（d=8,16,32,64,128,256），因采样点过于稀疏而跳过关键高次谐波信息，同样性能退化；所提指数方案（d=2,4,8,16,32,64）实现了最优平衡，最佳利用了MSPC模型的多尺度特征提取能力。

"多尺度架构消融研究"部分：研究人员通过消融实验验证了并行多尺度设计的必要性。单一分支中，高频分支（F_H）表现最佳（R²=0.9782），但仍显著差于完整架构；低频与中频分支单独使用则无法完整表征波形动态。任意两分支组合均可显著提升性能，其中F_H⊕F_L组合的R²达0.9901。最终完整架构取得最优性能，证实了多频率特征在波形表征与误差最小化中的必要性。

"计算复杂度与推理延迟"部分：研究表明MSPC模型具有轻量级特性，浮点运算量（FLOPs）为2.096×10⁶，参数量为1.147×10⁴，显著低于LSTM、BiLSTM及1D Transformer等模型。平均单推理耗时仅1.337 ms，验证了其在嵌入式WPT控制器上实时部署的可行性。

"特性预测结果"部分：通过60组全因子实验条件（15个R_L水平×4个M水平）验证，未采用TL的模型在实际场景中预测误差严重（γ_dev和γ_reg误差超30%），而TL辅助后各模型精度显著提升。MSPC+TL组合在所有四个预测参数上平均相对误差均低于5%，R_L预测平均误差低于3%，M预测平均误差低于1%，体现了优异的多尺度特征提取与泛化能力。

"输出优化结果"部分：研究人员利用预测的γ_reg补偿R_L引起的输出衰减，且γ_dev的直接预测与R_L、M估计解耦，避免了误差传播。实验表明，未经优化的输出电流随R_L增大从2.11 A降至1.98 A（M=4.98 μH），而优化后输出稳定在2.37–2.38 A，与理论预设值（2.3707 A）偏差极小。同时，系统在所有场景下均保持零电压开关（ZVS），栅源电压V_GS与发射侧电流I_TX在开关瞬态无振铃现象。

在讨论与总结部分，研究人员强调了所提方法的创新性与实用价值。传统基于接收侧（RX）的检测方案需要额外的ADC采样模块与通信信道，增加了硬件成本与软件复杂度，且难以直接测量负载电阻与互感的变化。现有基于TX信息的深度学习方案或依赖手动提取的谐波特征（如FFT），或受限于网络结构无法有效分析谐波丰富的WPT波形：基于图像的CNN依赖外部硬件且忽视电气动态；LSTM关注序列时序依赖性，TCN优先处理长期依赖，二者均缺乏并行多尺度感受野，无法同步提取谐波丰富特征。相较而言，所提MSPC模型专为电力电子开关产生的谐波丰富波形量身定制，其并行多分支扩张卷积结构可同时捕获多尺度时域特征，且通过TL与数据增强有效克服了仿真与实测数据间的域差异问题。

研究结论部分指出，该工作提出了一种仅依赖TX侧交流电流的数据驱动联合特性预测与输出优化方法，引入了MSPC神经网络预测负载电阻、互感、输出偏差因子及调节系数，并通过输入电压调节实现了重载条件下CC输出的优化。迁移学习与数据增强技术的应用最小化了仿真数据与物理条件间的差异。MSPC模型展现出优异的预测性能，R²达0.9969；实验验证中特性预测平均相对误差低于5%，输出优化有效维持了负载变化下的CC输出稳定。