基于先验知识输入神经网络的水下无线电力传输用磁耦合器传输特性研究
谢继业(Jixie Xie)、
朱冲(Chong Zhu)和
张曦(Xi Zhang)
《Sensors》:Research on Transmission Characteristics of Magnetic Couplers for Underwater Wireless Power Transfer Based on Prior Knowledge Input Neural Network
Jixie Xie,
Chong Zhu and
Xi Zhang
【字体:
大
中
小
】
时间:2026年03月10日
来源:Sensors 3.5
编辑推荐:
摘要
水下无线电力传输(UWPT)在特殊条件下运行,海水的导电性会导致涡流损耗,从而降低系统效率。同时,磁耦合器的设计参数对其传输特性有显著影响。本文提出了一种基于镜像方法先验知识的快速准确的神经网络预测模型,用于预测磁耦合器的互感和损耗,该模型属于先验知识输入(PKI)框架的一
摘要
水下无线电力传输(UWPT)在特殊条件下运行,海水的导电性会导致涡流损耗,从而降低系统效率。同时,磁耦合器的设计参数对其传输特性有显著影响。本文提出了一种基于镜像方法先验知识的快速准确的神经网络预测模型,用于预测磁耦合器的互感和损耗,该模型属于先验知识输入(PKI)框架的一部分。该模型结合了低保真度分析模型和数据驱动学习,以实现高预测精度,同时保持计算效率。基于所开发的模型,系统研究了单极矩形和双极DD磁耦合器的传输特性。结果表明,在设计约束条件下,矩形耦合器的整体效率高于DD耦合器,并且效率的变化更为单调。由于其结构特性,DD耦合器具有最佳电流承载面积比,在参数范围内约为0.85。实验验证在1千瓦功率下进行,外部尺寸为200毫米×250毫米。矩形和DD耦合器的最佳传输效率分别达到97.33%和96.19%。实验结果与仿真和模型预测结果吻合良好,证明了所提出方法用于UWPT磁耦合器分析的可靠性。
1. 引言
随着海洋科学技术的发展,对海洋勘探、资源探测和水文环境监测的需求稳步增加[1,2]。配备传感器的水下平台,包括浮标系统、水下机器人、自主水下航行器(AUV)和固定的水下传感器网络,需要在海洋环境中长时间运行。为了提高它们的耐久性和操作范围,为水下设备和传感系统供电已成为主要的研究焦点[3]。目前,充电主要通过电缆连接实现,但这存在高运营成本、需要人工干预以及导电海水中的短路和电气泄漏等潜在安全风险[4,5,6]。无线电力传输(WPT)通过磁耦合器实现无接触电力传输,消除了物理连接器,从而提高了充电过程的安全性和便利性。这为水下电力补充提供了一个有前景的解决方案[7]。此外,AUV可以作为移动电源,从母船接收电力,然后向固定的水下传感器网络无线供电。
作为水下无线电力传输(UWPT)系统的关键组件,磁耦合器通过其互感决定功率容量,并通过相关损耗影响整个系统的效率[8]。这两个因素是决定磁耦合器传输特性的关键性能指标,因此需要精确建模。尽管有限元方法(FEM)可以提供相对准确的结果,但它计算耗时且不适用于传输特性分析和优化研究[9]。相比之下,分析方法可以揭示设计参数与传输特性之间的关系,并且可以很容易地与智能优化算法集成。铁氧体芯材可以提高磁耦合能力并有助于减小尺寸;然而,它们也会改变磁场分布,从而增加分析建模的复杂性[10]。
现有关于带铁氧体芯材的磁耦合器损耗建模的研究主要采用镜像方法[10,11]。作为一种广泛用于建模带铁氧体芯材磁耦合器的方法,镜像方法可以应用于互感建模和损耗分析。然而,它需要校正镜像电流,而这个校正过程通常依赖于大量的仿真数据[12]。
除了镜像方法外,串联表达式主要用于带铁氧体芯材的磁耦合器的互感分析建模。对于圆形和矩形配置,通常分别使用贝塞尔函数表达式和双傅里叶级数表达式[9,13]。然而,这种方法往往依赖于简化假设,可能导致相对较大的计算误差,且某些方法仅适用于单侧铁氧体芯材的磁耦合器[13]。矢量磁势泊松方程也可以使用双傅里叶变换和逆变换方法结合静磁边界条件来解决;然而,这种方法通常仅限于具有无限铁氧体芯材的磁耦合器[14]。在此基础上,提出了一种子域分析方法,通过求解泊松方程和拉普拉斯方程来建模有限芯材的磁耦合器。然而,子域方法在计算过程中仍然依赖于FEM,不太适合传输特性分析[15,16]。
近年来,数据驱动模型越来越多地应用于磁耦合器设计[17,18]。然而,传统的人工神经网络(ANN)通常需要复杂的网络架构或大型训练数据集才能实现高预测精度[19,20]。此外,大多数传统ANN模型主要关注互感建模,而损耗建模涉及频率和电流等额外变量,使得问题更加复杂。能量感知的深度强化学习也被应用于水下传感器网络的自适应传输优化[21];然而,这些方法侧重于网络层策略而非物理层建模。为了降低与传统ANN方法相关的高数据采集成本,先验知识输入(PKI)方法结合了低保真度模型或物理先验作为额外输入,以指导设计参数与输出之间的映射,从而减少对大规模训练数据的依赖[22,23]。此外,PKI模型提供了更好的可解释性、可靠性、高精度、快速收敛性和易于实现性[24]。因此,在本文中,采用镜像方法作为低保真度先验模型,并将其纳入UWPT系统中磁耦合器建模的PKI框架。所提出的方法能够高精度和快速预测互感和损耗,同时与传输特性分析算法兼容。
此外,由于UWPT系统的特定运行条件,海水的导电性会导致涡流损耗,从而降低系统效率[25]。因此,涡流损耗的建模和分析引起了相当大的关注。现有研究主要依赖于为圆形空气芯线圈开发的FEM和分析方法[26,27]。FEM计算耗时且缺乏灵活性,而忽略铁氧体芯影响的分析方法不适合具有磁芯的磁耦合器的传输特性分析和最优设计。
除了建模研究之外,最佳工作频率也成为另一个重要研究方向,因为海水中的共振特性与空气中的不同[28]。基于这一现象,研究表明,海水中的UWPT系统的最佳工作频率可能超过标称共振频率[26]。提高工作频率可以在一定程度上增强磁耦合器的输出功率、减小其尺寸并提高传输效率。然而,过高的频率会导致显著的涡流损耗[7]。文献[29]分析了影响最佳共振频率的因素,并得出结论,线圈与海水之间的接触面积是关键决定因素。尽管如此,大多数现有的传输特性研究主要关注涡流损耗,缺乏对水下磁耦合器整体损耗的全面考虑。
为了解决上述问题,本文首先建立了无铁氧体芯磁耦合器的互感和损耗的分析模型。然后应用镜像方法对带铁氧体芯的磁耦合器进行建模,从而推导出设计参数、互感和损耗之间的数学关系,这些关系随后用于神经网络输入参数的选择。接着开发了一种基于先验知识输入(PKI)的高精度和快速预测模型,该模型结合了电磁场理论和数据驱动技术。基于所提出的模型,系统研究了不同设计约束下的磁耦合器传输特性。最后,使用从传输特性分析中得出的设计参数构建了一个实验原型,并进行了实验验证,以验证所提模型的可靠性。
2. 水下无线电力传输系统
图1显示了一个典型的水下无线电力传输系统的示意图。由于其能够提供恒定电流输出并且所需组件数量相对较少,串联-串联(S-S)补偿拓扑引入的实验损耗相关误差项较少,这有助于更清晰地分离不同系统组件中的损耗。此外,S-S补偿拓扑的参数设计不受互感和负载条件变化的影响。因此,本研究采用了S-S补偿拓扑。
图1. UWPT系统示意图。
当忽略线圈的寄生电阻时,可以根据基尔霍夫定律推导出S-S补偿拓扑的电路参数:
$$
\begin{cases}
\mathbf{I}_1 = \frac{\mathbf{U}_2}{\omega_0 \cdot M} \cdot \mathbf{I}_2 \\
\end{cases}
$$
其中 $\mathbf{I}_1$ 和 $\mathbf{I}_2$ 分别是初级线圈和次级线圈的均方根(RMS)电流值,$\mathbf{U}_1$ 和 $\mathbf{U}_2$ 分别是逆变器和整流器的交流电压,$\omega_0$ 是共振角频率,$M$ 是磁耦合器的互感。共振电容配置可以表示为:
$$
\begin{cases}
\mathbf{C}_1 = \frac{1}{\omega_0^2 \cdot \mathcal{L}_1} \\
\mathbf{C}_2 = \frac{1}{\omega_0^2 \cdot \mathcal{L}_2}
\end{cases}
$$
其中 $\mathcal{L}_1$ 和 $\mathcal{L}_2$ 分别是初级线圈和次级线圈的自感。磁耦合器的输出功率可以表示为:
$$
\mathbf{P}_o = \omega_0 \cdot M \cdot \mathbf{I}_1 \cdot \mathbf{I}_2
$$
从方程(3)可以看出,在设计和优化过程中准确建模磁耦合器的电感是至关重要的。水下无线电力传输系统的直流-直流(DC-DC)效率与电路组件和磁耦合器中的损耗密切相关。电路部分的损耗主要由逆变器、整流器和共振补偿电容器的损耗组成。在适当调谐的共振操作下实现零电压开关(ZVS)时,开关损耗显著降低,因此在本研究中将其近似为传导损耗。这种假设在高效率WPT系统中被普遍采用[30,31]。共振电容器的损耗可以表示为:
$$
\mathbf{P}_C = \tan(\delta(f_0)) \cdot \mathbf{I}^2
$$
其中 $\tan(\delta(f_0)$ 表示电容损耗角的正切值,可以从制造商数据表中提供的频率依赖曲线获得,$I$ 是流过电容器的均方根(RMS)电流,电容 $C$ 由方程(2)计算得出。通过从总DC-DC损耗中减去电路损耗,可以得到磁耦合器的损耗。因此,磁耦合器的传输效率可以表示为:
$$
\eta = \frac{\mathbf{P}_o}{\mathbf{P}_o + \mathbf{P}_C} \times 100\%
$$
其中 $\mathbf{P}_o$ 由方程(3)计算得出,$\mathbf{P}_C$ 表示磁耦合器的损耗,将在第3节中详细说明。
3. 磁耦合器的电感计算模型
3.1. 带空气芯的磁耦合器的电感计算模型
对于矩形磁耦合器,可以将其简化为一组同心矩形匝。根据电磁叠加原理,多匝矩形线圈的自感可以通过求每个单匝矩形线圈的自感和不同单匝线圈之间的互感之和来计算。
单匝矩形线圈的自感可以通过以下公式计算[14]:
$$
\mathcal{L}_1 = \frac{\mu_0 \cdot \pi \cdot (a \cdot l + b)^2}{2 \cdot d}
$$
其中 $a$ 和 $b$ 是矩形线圈的两边长度,$d$ 是线圈的对角线长度,$l$ 是线圈的周长,$r$ 是导体的半径,$\mu$ 和 $\mu_0$ 分别是导体的磁导率和真空的磁导率,$\xi$ 是与导体横截面内电流分布特性相关的参数。
两个单匝矩形线圈之间的互感可以通过求所有平行导体对之间的互感之和来计算。如图2所示,两个平行直导体的横截面分别为 $a_1$ 和 $a_2$,长度差为 $\delta$。两个导体之间的间距表示为 $h$。两个平行直导体的互感可以使用以下公式计算[32]:
$$
\mathcal{M}_{12} = \frac{\mu_0 \cdot \pi \cdot \left[ \left( \frac{a_1 + \sqrt{a_2^2 + h^2} - \sqrt{a_2^2 + h^2} \right) \left( \frac{a_2 + \sqrt{a_2^2 + h^2} - \sqrt{a_1^2 + h^2} \right) \left( \frac{a_2 + \sqrt{a_1^2 + h^2} + \sqrt{a_1^2 + h^2} \right) \right)}{2 \cdot d} \\
= \frac{\mu_0 \cdot \pi \cdot (a_1 + a_2 + \sqrt{a_1^2 + h^2} - \sqrt{a_2^2 + h^2} \cdot (a_2 + \sqrt{a_1^2 + h^2} - \sqrt{a_1^2 + h^2} \right)}{2 \cdot d}
$$
单匝矩形线圈的互感可以通过求平行导体之间的互感之和来获得。因此,多匝矩形线圈的自感量和互感量可以通过以下公式计算:
$$
\mathcal{L}_{AB} = \sum_{i=1}^{N_1} \mathcal{L}_{1i} + \sum_{m=1}^{N_2} \mathcal{L}_{m1} + \sum_{n=1}^{N_2} \mathcal{L}_{mn}
$$
其中 $N_1$ 和 $N_2$ 分别是初级线圈和次级线圈的匝数。
双D(DD)磁耦合器由两个以相反绕组方向串联连接的矩形线圈组成。因此,对于DD线圈,自感量和互感量可以通过以下公式计算:
$$
\mathcal{L}_{DD} = \mathcal{L}_{i1} + \mathcal{L}_{i2} + \mathcal{M}_{i1i2}
$$
其中 $i$ 可以表示初级侧或次级侧。下标1和2代表构成DD线圈的两个矩形线圈,其自感量和互感量可以使用公式(4-7)进行计算。
3.2. 带铁氧体芯的磁耦合器电感计算模型
铁氧体芯用于提高磁耦合器的传输效率并抑制磁通量泄漏。然而,通过将杂散磁通量引导到传输线圈和接收线圈之间的区域,铁氧体芯会在线圈周围产生强烈的磁通量集中,这使得精确的电感建模变得非常具有挑战性。因此,广泛使用镜像方法来计算带铁氧体芯的磁耦合器的自感量和互感量。图3说明了镜像方法的原理。次级线圈保持不变,而初级铁氧体芯的上表面和次级铁氧体芯的下表面被选为镜像参考平面。首先,将初级线圈相对于这两个参考平面进行镜像处理,在初级侧得到镜像线圈 $L_{1P1}$,在次级侧得到镜像线圈 $L_{1S1}$。$L_1$ 表示在初级线圈上进行了镜像操作,$P$ 和 $S$ 分别表示初级侧和次级侧,下标1表示一阶镜像。随后,将这两个得到的镜像线圈再次相对于相同的参考平面进行镜像处理,得到初级侧的二阶镜像线圈 $L_{1P2}$ 和次级侧的二阶镜像线圈 $L_{1S2}$。这个过程重复进行,直到生成n阶镜像线圈。当镜像操作次数超过4次时,镜像线圈的影响可以忽略不计。因此,在本研究中,初级侧和次级侧都进行了两次镜像操作。随着镜像操作次数的增加,镜像线圈之间的间距可以通过以下公式确定:
$$
\Delta\mathcal{L} = \sqrt{\frac{\mu_r \pi l^2 N_1 N_2}{4 \delta^2}
$$
在理想条件下,镜像方法要求铁氧体芯具有无限大的尺寸。然而,在实际应用中无法满足这一假设,因为铁氧体板的有限厚度和有限横向尺寸不可避免地会引入计算误差。因此,通常采用一种拟合方法来根据原始电流缩放镜像电流,相应的拟合系数可以由以下公式给出:
$$
\mathcal{F}_i = \frac{\mathcal{I}_i}{\mathcal{I}_0} - 1 - \frac{\mu_r \pi l^2 N_1 N_2}{\mu_r \pi l^2 \delta^2}
$$
其中 $\mathcal{I}_i$ 是镜像电流,$\mathcal{I}_0$ 是原始电流,$\mu_r$ 是铁氧体芯的相对磁导率,$l$ 是线圈的匝数。
然后,带铁氧体芯的磁耦合器的自感量和互感量可以通过以下公式计算:
$$
\mathcal{L} = \mathcal{L}_A + \mathcal{F}_1 \cdot \mathcal{L}_{11} + \mathcal{F}_{12} \cdot \mathcal{L}_{11} + \mathcal{F}_{12} \cdot \mathcal{L}_{12} + \mathcal{F}_{22} \cdot \mathcal{L}_{11} + \mathcal{F}_{22} \cdot \mathcal{L}_{12}
$$
其中 $\mathcal{L}_A$ 是空气芯磁耦合器的自感量,$\mathcal{M}_A$ 是空气芯磁耦合器的互感量。空气芯磁耦合器的自感量和互感量可以使用公式(8)和(9)分别计算。
4. 磁耦合器的损耗计算
4.1. 核损耗
在水下无线电力传输(UWPT)系统中,为了实现高磁通量密度和紧凑的尺寸,磁耦合器的发射器和接收器通常配备有由软磁材料(如铁氧体)制成的磁芯。这些磁芯缩短了磁路径并抑制了磁通量泄漏。磁芯的存在显著提高了耦合系数;然而,它也引入了核损耗,这成为影响整个系统效率的关键因素。核损耗主要由三个部分组成:磁滞损耗、涡流损耗和残余损耗。由于无线电力传输系统中的交变磁场可以合理地近似为正弦激励,因此本研究采用Steinmetz方程来估计磁芯损耗。Steinmetz方程是通过拟合特定频率和磁通量密度范围内磁材料的实验损耗曲线得到的,在该方程中,上述三个损耗分量被合并到经验系数和指数中。因此,它用于计算磁芯材料的损耗:
$$
\mathcal{T}_c = \omega V \cdot \mu_r \cdot \Phi_0 \cdot \mathbf{B}_m^2
$$
其中 $V$ 是铁氧体芯的体积,$\Phi_0$ 是芯中的磁通量密度最大值,$\kappa$、$\alpha$、$\beta$ 是铁氧体芯的Steinmetz系数。Steinmetz系数取决于所选的铁氧体材料及其工作温度。特别是,铁氧体的矫顽力与核损耗的磁滞分量密切相关,因为更高的矫顽力会导致更宽的B-H循环和每个周期更多的能量耗散。在相应的工作温度下,可以从制造商的数据表中获得核损耗-频率特性曲线,然后通过曲线拟合来确定Steinmetz系数。本文使用的铁氧体芯是来自TDK公司(日本东京)的PC40。
4.2. 铜损耗
根据法拉第电磁感应定律,当导体受到高频交变磁场的作用时,导体内部会感应出涡流,产生热量并导致涡流损耗。在无线电力传输系统中,通常使用Litz线来缠绕发射线圈和接收线圈,以减少高频交变磁场下的线圈损耗。Litz线的绕组电阻包括直流分量和交流分量。直流电阻可以通过以下公式计算:
$$
\mathcal{R}_C = \lambda l \cdot n_s \cdot \sigma
$$
其中 $l$ 是Litz线在线圈中的长度,$n_s$ 是Litz线中的股数,$r_s$ 是单根股的半径,$\sigma$ 是导体的电导率。交流电阻包括由趋肤效应和邻近效应在导体内部引起的电阻分量。当根据趋肤深度适当选择Litz线的股径时,可以忽略由趋肤效应引起的损耗。因此,交流电阻可以等效地表示为邻近效应电阻,并可以使用以下公式计算:
$$
\mathcal{R}_A = \sum_{i=1}^{N} \lambda \cdot \sigma \cdot l_n \cdot \sigma \cdot \frac{d^2}{2 \delta}
$$
其中 $d_s$ 是单根股的直径,$B$ 是穿过线圈的磁通量密度。因此,线圈的铜损耗可以表示为:
$$
\mathcal{T}_C = \mathcal{R}_C + \mathcal{T}_A
$$
4.3. 海水的涡流损耗
与空气中的无线电力传输不同,海水的电导率 $\sigma_{\text{sea}}$ 大约为4 S/m。在较高的工作频率下,UWPT系统中的磁耦合器会在周围的海水中感应出涡流场,从而产生涡流损耗,从而降低UWPT系统的传输效率。在海水中没有外部电流源。因此,海水中感应出的涡流密度可以通过以下公式计算:
$$
\mathbf{J}_c = -\mu_{\text{sea}} \cdot \nabla \mathbf{A}
$$
其中 $\mathbf{A}$ 是磁矢量势。海水的涡流损耗 $P_{edc}$ 可以通过将涡流密度的平方与海水电导率的乘积在海水区域内积分得到。
4.4. 磁场计算
计算核损耗和铜损耗需要相应的磁通量密度。有限长度导体产生的磁通量密度可以根据Biot-Savart定律计算,矩形或DD线圈的磁通量密度可以通过叠加得到,然后用于评估相关的损耗。在kHz工作频率下,该UWPT系统适用磁准静态(MQS)假设,磁矢量势可以使用Biot-Savart定律计算。对于涡流损耗的计算,需要磁矢量势,其表达式为:
$$
\mathbf{A}(\mathbf{r}) = \mu_0 \cdot \int_{l|\mathbf{r}-\mathbf{r}'| \mathbf{I}_4 \cdot \sin(\omega t) \, d\mathbf{l}
$$
其中 $\mathbf{r}$ 表示观测点的位置向量,$\mathbf{r}'$ 表示载流导体上源点的位置向量。对于图4中所示的平面矩形线圈,观测点P处的磁矢量势可以通过以下公式计算:
$$
\mathbf{A}_x(\mathbf{x}, \mathbf{y}, \mathbf{z}) = \mu_0 \cdot \int_{l|\mathbf{r}-\mathbf{r}'| \mathbf{I}_4 \cdot \sin(\omega t) \, dl
$$
通过应用叠加原理,可以获得海水区域内多匝矩形和DD线圈的磁矢量势分布,然后可以评估相应的涡流损耗。
对于带铁氧体芯的磁耦合器,相应的磁通量密度 $B$ 和磁矢量势 $A$ 可以通过第3.2节中描述的镜像方法结果得到,然后相应地评估铁氧体芯磁耦合器的相关损耗。
5. 基于先验知识的互感量和损耗模型
尽管第2节和第3节中介绍的计算模型可以近似评估具有有限尺寸铁氧体芯的磁耦合器的互感量和损耗,但得到的误差仍然相对较大。这些结果将与PKI模型得到的结果进一步讨论。由于互感量的值直接影响磁耦合器的输出功率,因此需要更准确的计算模型。尽管[11]研究了芯尺寸对计算结果的影响,但没有推导出相应的校正因子,计算误差仍然接近15%。文献[36]提出了校正因子;然而,这些因子仅适用于线圈尺寸小于芯尺寸的90%的情况,因此不适合紧凑型UWPT磁耦合器的设计。为了解决这些限制,本文提出了一个基于先验知识的ANN模型来计算磁耦合器的互感量和损耗,如图5b所示,该模型结合了镜像模型和反向传播(BP)神经网络。与图5a中显示的传统ANN模型不同,除了使用与互感量和损耗计算相关的磁耦合器设计参数x作为输入外,还结合了前两节中镜像模型的输出y?(x)作为神经网络的输入。具体来说,镜像模型的输出y?(x)与原始设计参数x连接起来形成增强的输入向量XPKI = [x, y?(x)]。然后将增强的输入输入到全连接前馈神经网络中,以预测高保真度目标Y(x)。通过这种方式,网络学习将低保真度的镜像模型近似值校正为高保真度的FEM结果。损失函数可以表示为:
$$
\mathcal{L}_s = \sum_{i=1}^{N} \left( \mathcal{Y}_i(\mathbf{x}) - \mathcal{Y}(x, \mathbf{y}_m(x)) \right)^2
$$
图5. 神经网络模型的示意图:(a) 传统ANN;(b) 基于先验知识的神经网络。用于神经网络训练的数据是从ANSYS Maxwell 2024 R2(涡流求解器)中的三维有限元模型(FEM)生成的,如图6所示。表1列出了用于训练的设计参数及其相应的范围。表1中列出的参数范围完全定义了数据集生成的采样空间。RMS电流的上限由选定的线径决定,设置为20 A,对应于直径为4 mm(0.1 mm × 900股)的Litz线。初级和次级磁耦合器采用相同的几何和材料参数,以减少设计空间的维度并便于系统传输特性分析。这种建模简化并不限制通用框架,可以通过在输入空间引入独立的参数集来适应非对称配置。图6. 磁耦合器的有限元仿真模型。表1. 训练数据范围。如图6所示,x和y分别表示磁耦合器外部尺寸的宽度和长度;h是传输距离;I是磁耦合器的均方根电流;N是匝数;tf表示铁氧体芯超出传输线圈的额外长度;f0是工作频率。线圈缠绕紧密,因此匝与匝之间的间距固定为1毫米。一旦指定了外部尺寸、匝数和匝间距,就可以确定磁耦合器的几何尺寸。在有限元分析(FEM)中,水箱的底部厚度和海水表面以上的亚克力支撑板的厚度都设置为3毫米,以保持与实验配置的一致性。采用拉丁超立方采样(LHS)生成500个训练样本,这些样本的选择基于参数空间的维度和收敛性分析,以确保足够的覆盖范围同时保持合理的计算成本。相应的数据集通过FEM模拟获得。数据集被分为训练集、验证集和测试集,比例为64/16/20。采用具有两个隐藏层的BP神经网络架构,第一个隐藏层有32个神经元,第二个隐藏层有16个神经元,以增强模型捕捉复杂非线性关系的能力。选择双曲正切Sigmoid函数(tansig)作为隐藏层的激活函数,并使用Levenberg–Marquardt(LM)算法进行网络训练。为了验证结合先验知识的贡献,在相同的训练预算、相同的数据分割和网络架构下进行了消融比较,包括(i)分析镜像模型,(ii)ANN模型,以及(iii)所提出的PKI-NN模型。图7和图8分别展示了矩形和DD磁耦合器的测试集比较结果。结果清楚地表明,在相同的训练条件下,结合镜像模型输出作为先验知识可以显著提高预测精度,从而确认了PKI机制在减少近似误差和提高学习效率方面的有效性。图7. 通过FEM、所提出的模型、镜像方法和ANN获得的矩形磁耦合器的测试集结果比较:(a)互感;(b)铁芯损耗;(c)铜损耗;(d)涡流损耗。图8. 通过FEM、所提出的模型、镜像方法和ANN获得的DD磁耦合器的测试集结果比较:(a)互感;(b)铁芯损耗;(c)铜损耗;(d)涡流损耗。为了进一步评估基于学习的模型的鲁棒性,训练过程重复了10次,每次使用不同的随机数据分割。表2总结了矩形和DD磁耦合器不同模型的平均误差和最大误差。表2中报告的ANN和所提出模型的平均误差是通过这些重复实验的结果平均得出的,表明训练性能稳定。所提出的PKI模型的平均误差和最大误差始终小于镜像方法和ANN模型的误差,显示出更高的整体准确性和更好的最坏情况预测性能。相对较大的百分比误差主要出现在模拟值较小的样本中,这些样本的绝对误差实际上很小,对后续的传输特性分析影响可以忽略不计。因此,所提出的模型表现出高精度,非常适合分析磁耦合器的传输特性。此外,与FEM模拟相比,后者单个案例的计算时间需要几分钟,而训练后的模型单个案例的计算时间不到毫秒级别,使其在大规模传输特性分析中更加灵活和高效。表2. 不同方法之间的误差比较。表3将所提出的方法与基于镜像方法或传统ANN模型的现有磁耦合器建模方法进行了比较。在[10]中,使用镜像方法对圆形和矩形磁耦合器的互感进行了建模,其准确性得到了提高[32]。然而,每个案例的计算时间相对较长,这限制了其应用。文献[19]采用纯数据驱动的ANN来建模圆形磁耦合器的互感。尽管训练后的模型实现了相对较高的预测精度和快速的推理时间,但使用五个设计参数作为输入需要大量的训练数据。相比之下,所提出的方法只需要500个训练样本就能准确建模磁耦合器的互感和损耗。文献[32]应用镜像方法来建模DD耦合器的互感和铜损耗。然而,与所提出的方法相比,其计算误差较大,这降低了其在传输特性分析和磁耦合器优化设计中的有效性。可以观察到,仅依赖镜像方法的工作要么计算精度相对较低,要么需要过长的计算时间。另一方面,基于ANN的方法可以实现高预测精度和非常短的推理时间,但它们通常依赖于大量的训练数据。本文提出的方法结合了这两种方法的优点,在只需要相对较小的训练数据集的情况下实现了高建模精度。表3. 与以往工作的比较。6. 磁耦合器的传输特性分析为了进行传输特性分析,通过将y方向的外部尺寸固定为x方向尺寸的50毫米大,并将传输距离设置为50毫米,从而减少了参数的维度。磁耦合器的设计要求,即输出功率Pout,分为三个功率级别:500瓦、1000瓦和1500瓦。磁耦合器的设计约束,即x方向的外部尺寸,分为三个尺寸级别:150毫米、200毫米和250毫米。研究了在不同功率和尺寸级别组合下磁耦合器设计参数对传输特性的影响。6.1. 在相同功率级别和外部尺寸下的传输特性分析选择了一个参考案例,Pout = 1000瓦,外部x尺寸为200毫米。通过改变线圈匝数和工作频率,线圈电流受到导线直径对应的最大电流的限制。同时,互感随匝数的增加而变化,工作条件相应调整以保持1000瓦的输出功率。选择了五组最高效率的设计参数,并绘制了单极和双极线圈的效率-频率曲线,如图9所示。图9. 在相同功率和外部尺寸下频率变化的模型结果。(a)矩形耦合器。(b)DD耦合器。结果表明,对于矩形磁耦合器,增加匝数会导致互感增加。在相同输出功率下,随着互感的增加,从(3)可以看出电流的平方与工作频率的乘积减小,从而减少了铜损耗和涡流损耗。因此,传输效率提高,在大约30千赫兹处存在一个最佳频率点。对于DD磁耦合器,增加匝数也可以增强耦合能力,从而提高效率。然而,更多的匝数会增强中心区域的磁场,DD线圈的有效载流面积增加得比矩形线圈更显著,导致铁芯损耗和涡流损耗增加。因此,传输效率呈现出非线性趋势,随着匝数的增加先增加然后减少。此外,随着频率的增加,效率的降低比矩形线圈更为明显。另外,对于相同的外部尺寸,DD磁耦合器的互感低于矩形磁耦合器。为了提供相同的输出功率,需要更大的工作频率与电流平方的乘积,这进一步增加了损耗。因此,DD磁耦合器的整体效率低于矩形磁耦合器。DD磁耦合器的最佳频率略高于矩形磁耦合器,大约在40千赫兹。选择了两种磁耦合器类型在最高效率下的操作参数进行FEM验证。相应的参数列在表4中。所提出模型的预测输出——即磁耦合器的互感和损耗——与模拟结果非常吻合,只有可以忽略的百分比误差,证明了所提出模型的可靠性。表4. 选定的设计参数。6.2. 在不同功率级别下的传输特性分析图10中的曲线是通过选择表4中列出的设计参数并改变线圈输出功率来研究效率随频率的变化而获得的。当磁耦合器的几何参数固定(即互感固定)时,工作频率与电流平方的乘积与输出功率成正比。随着输出功率的降低,给定频率下的电流变小,从而导致损耗降低,效率提高。图10. 在不同输出功率下频率变化的模型结果。(a)矩形耦合器。(b)DD耦合器。在较低频率下,铜损耗占总损耗的较大比例,而随着频率的增加,涡流损耗的贡献变得更加显著。对于矩形磁耦合器,最佳工作频率保持不变。相比之下,由于DD磁耦合器的结构特性,它们的载流面积大于矩形磁耦合器,使得铜损耗和涡流损耗对上述效应更加敏感。在低功率工作条件下,降低工作频率只会导致电流的轻微增加。在这种情况下,适度降低频率并允许电流略有增加可以减少总损耗,从而在低功率水平下使DD磁耦合器的最佳频率降低。随着功率水平的提高,频率的变化导致电流的更大变化。适当增加工作频率以减少电流,虽然可能会略微增加涡流损耗,但可以大大减少铜损耗,从而提高整体传输效率。因此,DD磁耦合器的最佳工作频率在较高功率水平下增加。6.3. 在不同外部尺寸下的传输特性分析同样使用表4中列出的设计参数,输出功率固定为1000瓦,并改变磁耦合器的外部尺寸来研究效率-频率特性,如图11所示。对于外部尺寸为150毫米的磁耦合器,某些频率点下的电流超过了导线直径施加的最大电流限制。图11. 在不同外部尺寸下频率变化的模型结果。(a)矩形耦合器。(b)DD耦合器。当传输功率保持不变时,增加磁耦合器的外部尺寸(即增加互感)会降低工作频率与电流平方的乘积,从而降低损耗,效率随之提高。然而,当工作频率超过某个范围时,涡流损耗成为总损耗的主要组成部分。较大的磁耦合器尺寸还意味着载流线圈与周围海水的接触面积更大,导致涡流损耗增加。因此,在高频率下,较大尺寸磁耦合器的效率可能低于较小尺寸的磁耦合器。此外,随着外部尺寸的增加,最佳工作频率呈现出下降趋势。6.4. 关于载流面积的传输特性分析传输线圈的载流面积比可以定义为 ??????=????????????=1???????????????????????????????=1?(?????????2??????)?(?????????2??????)????????????????? (21) 其中xin和yin是线圈的内部尺寸,xout和yout是线圈的内部尺寸,d是Litz导线的直径。DD线圈由两个相同的矩形线圈组成;因此,可以通过计算单个矩形线圈的比率来获得所需的比率。对于矩形线圈,在本研究中考虑的参数范围内(如表1所列),最佳载流面积比率始终对应于最大的匝数,并且与功率水平无关。相比之下,对于DD线圈,最佳载流面积比率并不出现在最大匝数处,它同样与功率水平无关。随着外尺寸的增加,相应的最佳匝数也会增加,而最佳载流面积比率大约保持在0.85。具体来说,对于外尺寸分别为150毫米、200毫米和250毫米的情况,最佳匝数分别为9、11和14,对应的载流面积比率分别为0.854、0.834和0.860。因此,与单极矩形线圈不同,DD线圈的优化不仅需要考虑最佳工作频率,还需要考虑最佳载流面积。
7. 实验验证
7.1. 实验原型设置
准备了一种盐度为3.5%的盐水溶液,以模拟海水环境。根据表4中列出的磁耦合器的设计参数,制造了矩形和DD磁耦合器。然后构建了一个1千瓦的实验原型,如图12所示。
7.2. 实验结果
矩形和DD磁耦合器的实验验证是在海水环境中进行的。逆变器输出电压U1和电流I1以及整流器输入电压U2和电流I2分别显示在图13a和图13b中。测量得到的波形表明,在实验过程中电流的有效值达到了选定工作条件下的目标有效值,并且在所有情况下都实现了软开关。基于这些结果,估计了逆变器和整流器的导通损耗。
7.3. 测量仪器
使用LCR仪表测量磁耦合器的自感量和互感量,以及线圈和补偿电容器的等效交流电阻。这些测量数据用于配置补偿拓扑的谐振电容器,并计算磁耦合器和补偿电容器的损耗。然后使用功率分析仪在空气和海水中的相同工作条件下测量磁耦合器的直流损耗。通过比较这两种测量结果,可以得出海水区域中的涡流损耗。从总损耗中减去所有上述损耗后,可以进一步估算出铁芯损耗。
磁耦合器的实验测量电感值、补偿电容值和损耗分量,以及相应的模型预测值总结在表5中。相同线圈的自感量测量值之间的差异可能归因于线圈绕制过程的变化。互感量和传输效率的实验结果与模型预测非常吻合,仅有较小的误差,从而证明了所提出模型用于传输特性分析的可靠性。
8. 结论
考虑到磁耦合器在水下无线电力传输(UWPT)系统中面临的特殊工作条件,本文提出了一种基于镜像方法得出的先验知识的神经网络模型,用于预测磁耦合器的电感和损耗。首先,建立了一个基于镜像方法的解析模型,用于计算具有铁氧体芯的磁耦合器的电感和损耗。然后将这个解析模型作为先验知识纳入神经网络中,从而实现对带芯磁耦合器的互感量和损耗的高精度快速预测。随后,基于开发的模型,研究了两种常用的平面磁耦合器——即单极矩形线圈和双极DD线圈的传输特性。结果表明,在相似的工作条件下,矩形线圈的传输效率略高于DD线圈,并且其效率在不同设计约束下的变化更为单调。对于单极矩形线圈,随着载流面积的增加,互感量增加,最佳频率下的传输效率也随之提高。然而,随着功率水平的增加,矩形线圈的传输效率会降低。功率水平的变化也会导致DD线圈的最佳工作频率发生变化。
与矩形线圈相比,DD线圈具有更大的载流面积,并且由于其结构特性,在中心区域表现出更高的磁通密度。因此,当导体长度与矩形线圈相当时,DD线圈的整体损耗更大,对设计约束的变化也更敏感。此外,随着载流面积的变化,DD线圈的传输效率表现出非线性趋势——先增加后减少——表明存在一个最佳载流面积比率约为0.85。最后,构建了一个原型进行实验验证。实验结果与模型预测非常吻合,证明了所提出方法的可靠性。开发的模型可以应用于磁耦合器传输特性的分析,而磁耦合器传输特性分析的结果为它们的最佳设计提供了指导,从而有助于UWPT系统的实际应用。
应当注意的是,所提出模型的泛化能力取决于用于数据集生成的参数范围。尽管研究的设计空间涵盖了典型的UWPT工作条件,但在训练区间之外的外推——特别是在极端设计尺寸、高工作频率或大电流幅度下——可能会降低预测的可靠性。未来的工作将把模型扩展到更广泛的工作领域,并提高其在极端参数条件下的鲁棒性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号