One of the main challenges in wireless power transfer (WPT) devices is performance degradation when the receiver’s position and characteristics vary. The variations in the system parameters such as load impedance and coupling strength in WPT devices affect performance characteristics such as output voltage and power. When the system parameters are different from the optimal operating conditions, the performances are degraded. Therefore, the load impedance and coupling strength must be monitored to do the necessary optimization and control. However, such control approaches require additional sensing circuits and a data communication link between transmitter- and receiver-sides. This study proposes a new machine learning (ML) assisted WPT system that predicts the power delivered to the receiver by only using measurements at the transmitter-side. In addition, a method is also proposed to estimate load impedance and coupling coefficient using machine learning approach. We study what parameters measurable at the transmitter-side can be used to predict the output power delivered to receivers at variable load impedance and coupling strengths. In the proposed method, the output power of an inductor-capacitor-capacitor (LCC)-Series tuned WPT system is successfully predicted only using the measured root-mean-square (RMS) of the input current. Random forest algorithm has shown best accuracy to estimate the output power based on transmitter-side parameters only. The proposed approach is experimentally validated using a laboratory prototype. Harmonic components of the input current are used to assess the load impedance and coupling coefficient successfully. Multi-output regression has the highest accuracy for estimating the load impedance and coupling coefficient. The proposed ML algorithm is also used to classify the turn-on and -off regimes to ensure high-efficient operation. / En av de viktigaste utmaningarna med trådlösa kraftöverföring enheter är degraderingen av prestandan när mottagarens position och egenskaper varierar. Variationerna av systemets parametrar, såsom belastningsmotstånd och kopplings styrka i WPT-anordning, påverkar prestanda egenskaperna såsom spänning och effekt. När system parametrarna skiljer sig från de optimala drifts förhållandena, försämras prestandan. Därför måste luftmotståndet och kopplings styrkan övervakas, för att göra nödvändig optimering och kontroll. Sådana styrmetoder kräver emellertid ytterligare avkännings kretsar, och en data kommunikationslänk mellan sändar- och mottagarsidan. Denna studie föreslår ett nytt maskininlärning assisterat WPT-system, som förutsäger kraften som levereras till mottagaren genom att endast använda mätningar på sändarsidan. Dessutom föreslås en metod för att detektera belastningsimpedans och kopplings koefficient med användning av maskin inlärningsmetoder. Vi studerar vilka parametrar som är mätbara på sändarsidan och som kan användas för att förutsäga utgången effekten som levereras till mottagare vid varierande belastningsmotstånd och kopplings nivåer. I den föreslagna metoden förutses framgångs effekten för ett induktor-kondensator-kondensator LCCserie avstämt WPT-system endast framgångsrikt med hjälp av det uppmätta effektivvärdet för ingångs strömmen. Slumpmässig skogsalgoritm har visat exceptionell noggrannhet för att uppskatta uteffekten endast baserat på sändarsidans parametrar. Den föreslagna metoden valideras experimentellt med användning av en laboratorium prototyp. Harmoniska komponenter i ingångs strömmen används för att framgångsrikt bedöma last motståndet och kopplings koefficienten. Multi-utgångsregression har verkat vara mycket exakt för att uppskatta belastningsimpedans och kopplingskoefficient. Den föreslagna maskininlärning algoritmen används också för att klassificera start-och-off-regimer för att säkerställa hög effektiv drift.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-286673 |
Date | January 2020 |
Creators | Al Mahmud, Shamsul Arefeen |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2020:709 |
Page generated in 0.0033 seconds