Optimization of an Electric Vehicle Wireless Charging System using Artificial Intelligence Techniques

Abstract

The ability to transfer energy efficiently in wireless inductive charging systems hinges on the characterization of the mutual inductance between the transmitter and receiver coils. In the context of the charging of electric vehicles, this parameter is significantly influenced by the relative positioning of the vehicle and the transmitting coil. Hence, the precise determination of the mutual inductance yields various advantages, particularly in terms of optimization of the alignment between the vehicle and the transmitting coil, thereby improving the system efficiency. Within this framework, algorithms grounded in Artificial Intelligence techniques emerge as promising solutions.This research work revolves around the estimation of the mutual inductance in a wireless inductive power transfer system using a series-series-series topology, implemented in Simulink. The system output represents a typical battery charger, ranging from 500 W to 3000 W, during the initial charging phase,i.e., when the battery is discharged. To estimate this parameter, an artificial neural network was developed and implemented. This document provides a comprehensive account of the entire process involved in the implementation of this artificial intelligence model, with particular focus on feature extraction from the analysed system and data normalization. Given the characteristics of the system, the feature selection process was guided by two essential criteria: significant variation with vehicle misalignment and no variation for different charging power levels.Through the conducted analysis, it was determined that the most suitable variables for this purpose are the amplitudes of the harmonic components relative to the measured variables on the coil of the receiver side.In the pursuit of creating a robust artificial intelligence model, efforts were directed at minimizing the size of the training dataset, utilizing only approximately 1% of the available data. The performance of the developed artificial neural network was evaluated in two distinct scenarios, depending on whether the training data was derived from signals with or without white noise. Upon the analysis of the results, it was verified that the largest estimation error observed was approximately 3%, occurring at a charging power of 500 W. Hence, it can be inferred that the proposed artificial neural network exhibits the capability to accurately estimate the value of mutual inductance in this type of system.

A capacidade de transferência de energia nos sistemas de carregamento indutivo sem fios é dependente da indutância mútua medida entre a bobina transmissora e recetora que, por sua vez, no contexto do comportamento indutivo sem fios de veículos elétricos apresentará uma forte dependência da posição relativa entre o veículo e a bobina transmissora. Como tal, a determinação, com rigor, da indutância mútua trará diversos benefícios, nomeadamente no que diz respeito à atuação sobre a referida posição relativa entre o veículo e a bobina transmissora, aumentando deste modo a eficiência do sistema. No âmbito desta temática, os algoritmos baseados em técnicas de inteligência artificial surgem como soluções viáveis.O trabalho desenvolvido propõe a estimação da indutância mútua de um sistema de transferência de potência indutivo sem fios com a topologia série-série-série, implementado em Simulink. A saída deste sistema representa um carregador típico de baterias, variável entre 500 W e 3000 W, na primeira fase de carregamento, ou seja quando a bateria se encontra descarregada. Para estimar este parâmetro, recorreu-se ao desenvolvimento e implementação de uma rede neural artificial. Deste modo, neste documento é apresentado em detalhe todo o processo relacionado com a implementação de um modelo de inteligência artificial, nomeadamente no que diz respeito à extração de características intrínsecas do sistema em análise, também denominadas de "features", e à normalização dos dados. Dadas a natureza do sistema, o processo de seleção das "features" teve em conta dois requisitos essenciais, sendo estes a variação acentuada com o desalinhamento do veículo e a ausência de variação quando a potência de carregamento é alterada.Através da análise realizada chegou-se à conclusão que as variáveis mais suscetíveis de serem utilizadas para este fim, seria a amplitude dos harmónicos relativos a grandezas medidas do lado da bobina recetora.Tendo como objetivo o desenvolvimento de um modelo de inteligência artificial robusto e com potencialidades para ser implementado num sistema real, decidiu-se limitar, ao máximo, a quantidade dos dados de treino, tendo sido para tal apenas utilizado cerca de 1% dos dados disponíveis. O desempenho da rede neural artificial desenvolvida foi testado em duas situações distintas, estando estas relacionadas com o facto dos dados de treino terem sido obtidos a partir de sinais com e sem ruído branco. Após a análise dos resultados, verificou-se que o maior erro de estimação da indutância mútua obtido foi de aproximadamente 3% para uma potência de carregamento de 500 W. Posto isto, é possível inferir que a rede neural artificial proposta tem a capacidade de estimar o valor de indutância mútua corretamente.