一种电动汽车无线充电的人体电磁暴露不确定性量化方法

本发明属于电动汽车，尤其涉及一种电动汽车无线充电的人体电磁暴露不确定性量化方法。背景技术：：：1、随着我国电动汽车（electric vehicle,ev）产业的蓬勃发展，减轻了对化石燃料的依赖以及降低化石燃料对环境污染的影响，促进了经济社会结构的绿色转型。电动汽车的有线充电技术需要将充电线缆暴露在外，存在将人绊倒以及被人破坏的风险，而无线电能传输（wireless power transmission,wpt）技术则不需要直接手动操作并且不需要与充电系统直接接触，所以十分方便并且具有更高的安全性能，因此wpt技术成为电动汽车领域中最具发展前景的技术之一。然而为满足ev市场消费者和商业用户的需求，需要大功率的wpt系统对其进行快速供电，但大功率的系统会在周围空间激发高强度的泄露电磁场，人体暴露在该系统的泄漏电磁场下可能对人体产生威胁。为了wpt系统电磁安全性，其电磁场泄露必须符合icnipr和ieee等机构制定的电磁安全标准。2、目前，针对电动汽车无线充电情况下人体电磁安全的研究已大量开展，但绝大多数是基于某种固定环境无变量状态下的人体电磁暴露分析，仅考虑理想条件下wpt系统工作情况，忽略其中各类不确定性因素带来的影响，因此大量对于电动汽车wpt系统的人体电磁安全相关问题亟待展开。针对上述电动汽车wpt系统运行过程中存在的人体电磁安全问题及其不确定性量化，传统蒙特卡洛模拟法在计算涉及电动汽车wpt系统与人体模型复杂程度时的计算精度高，但其计算成本过高，因此并不适用。而基于深度学习的不确定性量化方法，如模糊神经网络与小波神经网络，能以少量样本得出可靠结果。对于人体电磁暴露安全的不确定性量化问题，目前存在考虑到材料电参数的不确定性量化计算，针对低维度变量的情况，采用传统bp神经网络，所考虑到的不确定性随机输入变量维度较低，预测结果全面性不足。为此提出一种电动汽车无线充电的人体电磁暴露不确定性量化方法。技术实现思路1、本发明的目的在于提供一种电动汽车无线充电的人体电磁暴露不确定性量化方法，旨在解决上述背景技术：：中提出的问题。2、为实现上述目的，本发明提供如下技术方案：3、一种电动汽车无线充电的人体电磁暴露不确定性量化方法，包括以下步骤：4、步骤1、选择补偿电路拓扑结构并进行传输特性分析：采用lcc-lcc型补偿电路结构，设定电路参数，确定发射端和接收端的谐振条件，并利用回路网孔方程推导出电流传输比和电压传输比，进一步求解得到发射端输入电阻和ev-wpt系统的传输功率；5、步骤2、构建学习模型：考虑不确定性因素，并以不确定性因素样本作为输入训练模型，利用fwnn算法得到学习模型，量化人体电磁暴露不确定性结果；6、步骤3、参数学习与调整：使用误差反传的梯度下降法进行参数更新，直到网络实际输出与理想输出一致或达到预定的迭代次数；7、步骤4、实现不确定性量化：通过训练好的fwnn模型，对人体电磁暴露的不确定性进行量化评估。8、进一步的，所述步骤1中，在lcc-lcc型补偿电路结构中，i0为激励源，u1为发射端电压，ls1和rs1分别是发射端附加谐振电感和内阻，cp1和cs1分别是发射端谐振补偿电容和隔直电容，r1是发射端等效电阻，l1是tx的自感，m是tx和rx之间的互感，l2是rx的自感，r2是接收端等效电阻，cp2和cs2分别是接收端谐振补偿电容和隔直电容，ls2和rs2分别是接收端附加谐振电感和内阻，rl是负载电阻，u2为接收端电压；9、发射端谐振条件：10、式1：；11、接收端谐振条件：12、式2：；13、其中，ω是谐振角频率，数值为2πf，f为谐振频率；14、回路网孔方程为：15、式3：；16、其中，j为复数中虚部符号；i1为发射端回路网孔电流；变量上方“·”代表对应变量的向量形式。17、将隔直电容cs1和cs2与线圈电感l1和l2在数值上等效为谐振电感ls1和ls2，忽略实际中发射接收侧电感及线路内阻，由式1和式2求解式3，得到电压传输比和电流传输比分别如式4和式5所示：18、式4：；19、式5：；20、进一步求解得到发射端输入电阻rin为：21、式6：；22、ev-wpt系统的传输功率为：23、式7：；24、其中，为电流向量的共轭向量，re为取复数中实部的值，θ为u1和u2的阻抗角，当u2角滞后于u1正向传输时，即θ=90°时达到最大功率。25、进一步的，所述步骤2中，fwnn以fnn与wnn为基础，模糊小波神经网络的内部为五层网络结构，第一层为输入层，通过第二层隶属度函数层到达第三层模糊规则层，第四层为小波函数层，第五层为输出层；具体如下：26、输入层：各个节点直接与输入向量的各个分量xi相连，将输入值直接通向下一层，输入层节点数n1=ni，n为输入向量维数；27、隶属度函数层：将输入数据转换为模糊集合中的元素，通过隶属度函数表示各个输入值对于各个模糊集合的隶属程度，在输出层隶属度函数用于解模糊化过程，将模糊输出转换为精确输出；每个输入分量对应一组mi个节点，节点个数mi为相对于xi进行的模糊分级个数，其中每个节点均代表一个模糊言语变量值；第二层中每个节点计算输入向量各分量属于各言语变量模糊集合的隶属度函数；隶属度函数采用高斯型隶属度函数，函数表达式为：28、式8：；29、其中，ni是输入变量的维数，mi是xi的模糊规则分割数，一共有ni组隶属度函数，每组有mi个隶属度函数，cij表示隶属度函数的中心值，σij表示隶属度函数的宽度值；隶属度函数层的节点数为：30、式9：；31、模糊规则层：各个节点均代表一条模糊规则r，用于匹配模糊规则的前件，计算出每条规则的实用度；第二层中有n1个分组的隶属度函数不重复地从每个分组中去一个隶属度函数组合在一起，形成第三层共mi个节点，即：32、式10：；33、第三层每个节点的输出表示为：34、式11：；35、小波函数层：选择gaussian函数的一阶偏导数作为母小波函数：36、式12：；37、根据所选母小波函数，经过伸缩、平移变换，放入第二层神经元作为激活函数，表示为：38、式13：；39、式14：；40、其中，trl为小波的平移参数，drl为小波的伸缩参数，为母小波函数，zrl为小波函数层前件部分输入，xt为输入节点值，为任意zrl皆可执行其伸缩变换，下标rl代表第l个输入的第r个小波神经元。41、输出层：实现清晰化的计算，采用去重心法对结果进行部分反模糊化，即：42、式15：；43、其中，相当于的第个隶属度函数的中心值，写成向量形式为：44、式16：；45、其中：46、式17：；；。47、进一步的，所述步骤3中，误差反传包括正向传播和反向传播；48、正向传播原理如下：49、对于网络中第l层的第j个神经元，其接受来自第l-1层所有神经元的信号，即：50、式18：；51、则经过神经元后的输出值为：52、式19：；53、对于多分类问题，网络输出层第k个神经元输出表示为：54、式20：；55、式中，ml为第l层神经元个数，wji为第层第i个神经与第l层第j个神经元的连接权值，为第l层第i个神经元的输出，为第l层的偏置项，为第l层的第j个神经元的输出，为激活函数，为第l层的第j个神经元的输入，yk为输出层第k个神经元的输出，为第l层第k个神经元的输出，zj为第l层第j个神经元的输入，wkj为第l层第i个神经与第层第k个神经元的连接权值；56、误差从输出层逐层反向传播，各层权值通过梯度下降法进行更新，即：57、式21：；58、式中，是每次更新的步长，是第p个样本输入下的输出偏差对某一层权值的偏导数，表示每输入一个样本更新一次参数；59、以为例推到梯度项：60、式22：；61、式中，为第l-1层第i个神经元与第l层第j个神经元的连接权值，每一层各个神经元的激励函数相同，ep为网络在第p个样本数下的偏差；62、定义，对于输出层，得出：63、式23：；64、式中，为误差ep对第l+1层第k个神经元输入的偏导数，方便推导公式；tk为输出层第k个神经元的目标值；65、则表示为：66、式24：；67、式中，为误差对第l层第j个神经元输入的偏导数；68、问题求解变为求出：69、式25：；70、式中，为第l+1层第k个神经元的输入；71、根据δ的定义：，代入式26，得到：72、式26：；73、根据和定义得到：74、式27：；75、式28：；76、代入式26，得到：77、式29：；78、由此得到误差从输出层向低层反向传播的递推公式，进而求出误差对于每一层权值的梯度，通过误差反向传播修正各层参数，当网络实际输出与理想输出一致或达到迭代次数时，训练即结束。79、与现有技术相比，本发明的有益效果是：80、本发明针对人体的部分器官暴露在电动汽车wpt系统电磁辐射中的诱导电场强度值进行计算，采用fwnn建立人体器官诱导电场强度的代理模型，该方法在传统bp神经网络的基础上引进模糊统计算法与小波分析进行了优化，进一步提升了计算效率与拟合效果。考虑到电动汽车车体屏蔽，对人体位于电动汽车后面时部分器官的电场强度进行计算，同时考虑到人体位移的问题，对人体的电场强度进行不确定性量化分析，证明fwnn算法能快速有效的对人体暴露于wpt系统电磁辐射中人体的诱导电场强度值进行不确定性量化分析，为未来人体电磁暴露安全防护研究提供了合理的建议和方向。当前第1页12当前第1页12