采用Double-D（DD）线圈的动态无线电能传输系统中机器学习替代模型的噪声鲁棒性分析

《IEEE Journal on Wireless Power Technologies》：Noise Robustness Analysis of Machine Learning Models for Dynamic Wireless Power Transfer Using Double-D Coils

　　

动态无线电能传输（Dynamic Wireless Power Transfer, DWPT）系统采用Double-D（DD）线圈，以在车辆运动过程中保持稳定的磁链。然而，发射线圈与接收线圈之间的横向与角度错位会显著影响耦合系数，进而影响整体电能传输效率。本研究中，研究人员开发并训练了两种机器学习替代模型——变分自编码器（Variational Autoencoder, VAE）和深度神经网络（Deep Neural Network, DNN）——利用大量电磁仿真数据集来预测错位条件下的耦合系数。研究通过引入比例均匀噪声和高斯背景噪声来模拟实际测量不确定性，开展了详细的噪声鲁棒性分析。结果表明，即使在严重噪声污染下，两种模型仍保持较高的预测精度，并且推理时间达到亚毫秒级，适用于DWPT实时控制。在两者之间，DNN以更为简单的架构达到了相当的精度，因此成为DWPT系统实际部署的首选方案。

研究背景与面临的问题：电动汽车（Electric Vehicle, EV）作为内燃机车辆的可持续替代方案，具有降低空气污染与温室气体排放的潜力，但“续航焦虑”阻碍了其大规模普及。动态无线电能传输（Dynamic Wireless Power Transfer, DWPT，即车辆行驶过程中进行无线电能补给的技术）被视作缓解该问题的有效途径。DWPT基于感应式电能传输原理，通过道路嵌入的发射线圈与车载接收线圈之间的互感交换磁能。在各种收发线圈几何结构中，Double-D（DD）线圈（一种具有双极磁场分布的发射/接收线圈拓扑）因可在车辆移动时实现平滑磁通过渡而表现优异。然而，实际行驶中车辆轨迹偏差不可避免地造成横向与角度错位，使线圈间的耦合系数κ（描述发射与接收线圈间磁耦合强弱的无量纲量）发生变化，从而显著影响传输效率。准确评估κ通常需要计算密集的电磁仿真，耗时巨大，难以满足实时控制或自适应对准补偿的需求。机器学习可在充分数据集上训练替代模型，以近似瞬时推断κ，但面向真实测量噪声的鲁棒性仍需系统研究。因此，本研究开展了DWPT用DD线圈耦合系数预测替代模型的噪声鲁棒性分析，论文发表于《IEEE Journal on Wireless Power Technologies》。

研究人员开展的研究、结论及意义：本研究基于大规模电磁仿真数据集，构建并系统比较了变分自编码器（Variational Autoencoder, VAE，一种结合深度学习与概率推断的生成模型）与深度神经网络（Deep Neural Network, DNN，一种多层前馈神经网络）两种替代模型，用于预测错位条件下的耦合系数κ。通过向测试输入注入比例均匀噪声和高斯背景噪声来模拟真实测量不确定性，评估了两类模型的预测精度、执行速度和抗噪能力。研究结论表明，两种模型均能在严重噪声污染下保持高精度，并提供亚毫秒级推理时间，满足近实时DWPT控制需求；其中，DNN以更简单架构获得与VAE相当的精度，因而更适合实际工程部署。该工作为DWPT系统的自适应控制与补偿提供了可实时估计耦合系数的可行工具，对提升动态充电鲁棒性与效率具有重要工程意义。

主要关键技术方法：研究人员采用ANSYS Maxwell有限元法（Finite Element Method, FEM，一种数值求解电磁场问题的离散化方法）对12,500组DD线圈错位配置进行全波电磁仿真，错位参数包括x、y、z方向位移及方位、极化角旋转；仿真在ANSYS自适应网格与收敛准则下完成，输入为5维错位特征，输出为各配置下的耦合系数κ。随后，数据按80%/20%划分为训练集与测试集，并对输入输出进行最小-最大归一化（Min–Max normalization）至[0,1]区间；测试数据复用训练集归一化参数并裁剪到相同区间。VAE设置编码器含64和32个神经元的两层ReLU网络，潜在空间维度为4；DNN采用输入层、两层各64和32个神经元的ReLU隐含层及单输出的线性层，使用Adam优化器与均方误差损失。噪声模型包括输入依赖的均匀噪声x′=x+ε、ε~U(?p|x|,p|x|)和高斯背景噪声x′=x+ε、ε~N(qμ_x,r²σ_x²)，并按不同比例组合注入。

研究结果：

A. VAE最佳β取值
研究人员考察了VAE中控制KL散度（Kullback-Leibler divergence，衡量两个概率分布差异的指标）权重参数β对预测精度的影响。大量数值实验表明，无论测试数据是否受噪声污染，β=0时重建精度最高，决定系数R²接近1；而随着β从0增至1，R²迅速下降至0附近。这说明在回归型替代建模任务中，强调潜在空间规整性会牺牲重建精度，β=0最为合适。研究人员同时指出，未来若需利用潜在空间进行样本生成、异常检测或降维控制，则β>0仍可能具有价值。

B. 执行时间
两种模型均使用10,000个样本（60%训练、40%验证）训练200轮，训练过程在大约200轮后趋于稳定。DNN训练时间略短，VAE在洁净数据上的平均推理时间略低，但二者差异很小。重要的是，两者对2,500个样本的平均推理时间均低于0.5毫秒，远低于单次电磁仿真所需时间，使近实时评估耦合系数成为可能。

C. 噪声环境下VAE（β=0）与DNN的性能
均匀噪声：研究人员向测试输入加入±5%、±10%、±20%和±25%的比例均匀噪声。结果显示，即使在±25%的严重噪声污染下，两种模型预测耦合系数的决定系数R²仍优于0.94，均值绝对误差（Mean Absolute Error, MAE，预测值与真实值绝对差平均）保持在10^-3量级，预测值与仿真真值高度一致，表现出优异的抗均匀噪声能力。
附加高斯噪声：在均匀噪声基础上进一步加入按特征统计量比例缩放的高斯背景噪声，即噪声均值和标准差分别为各特征均值μ_x与标准差σ_x的特定比例。当组合噪声水平达到±25%时，两种模型的R²降至0.9以下但仍高于0.88，说明该噪声水平已接近模型可接受的上限。综合对比来看，DNN与VAE（β=0）在精度上差异很小，但DNN代码实现更简洁直接，因此研究人员推荐采用DNN作为DWPT中DD线圈耦合系数预测的工程方案。

讨论与研究结论：本研究基于12,500组电磁仿真获得的错位-耦合系数数据，训练并评估了VAE与DNN两种替代模型，系统分析了它们在比例均匀噪声和高斯背景噪声下的预测鲁棒性。数值结果显示，两种模型即便在显著噪声污染下仍保持高精度，MAE保持在10^-3量级，R²在均匀噪声±25%以内高于0.94，加入高斯扰动后仍高于0.88；同时两者对2,500个样本的预测速度均低于0.5毫秒，满足DWPT近实时控制需求。虽然VAE在β=0时与DNN性能相当，但DNN结构更简单、实现更直接，因而是实际部署的首选。未来研究将把提出的替代模型集成到闭环控制策略中，扩展到多线圈架构和更大规模系统，并探索不确定性感知学习方法，以进一步提升真实驾驶环境中的可靠性。