Durchbruch bei der Drahtlosen Ladepositionierung für Elektrofahrzeuge
Während Elektrofahrzeuge weltweit weiter an Dynamik gewinnen, rückt die Verbesserung der Ladeinfrastruktur zunehmend in den Fokus. Zu den vielversprechendsten Technologien gehört die drahtlose Energieübertragung, die eine nahtlose und benutzerfreundliche Alternative zu herkömmlichen Steckersystemen bietet. Eine anhaltende Herausforderung behindert jedoch ihre breite Einführung: die präzise Ausrichtung der Spule zwischen dem Empfänger des Fahrzeugs und dem erdbasierten Sender. Eine Fehlausrichtung kann die Ladeeffizienz erheblich verringern, was eine genaue Positionierung unerlässlich macht. Eine kürzlich in Electrical Measurement & Instrumentation veröffentlichte Studie stellt eine neuartige Lösung vor, die künstliche Intelligenz zur Bewältigung dieses Problems einsetzt und den Weg für zuverlässigeres und effizienteres drahtloses Laden von Elektrofahrzeugen ebnet.
Die von Pan Zhixin von der Jiangsu Fangtian Electric Power Technology Co., Ltd. in Zusammenarbeit mit Experten der State Grid Jiangsu Electric Power Co., Ltd. und der Southeast University durchgeführte Forschung präsentiert einen bahnbrechenden Ansatz auf Basis von Backpropagation (BP)-Neuronalen Netzen. Diese Methode ermöglicht die Echtzeiterkennung der Position der Empfangsspule relativ zur Sendespule und liefert damit kritische Rückmeldungen für Fahrerassistenzsysteme oder autonome Parksysteme. Die Ergebnisse wurden in der Februar-Ausgabe 2024 der Zeitschrift unter dem Titel „Research on coil positioning technology based on BP neural network“ detailliert beschrieben und haben seitdem Aufmerksamkeit sowohl aus akademischen als auch industriellen Kreisen auf sich gezogen.
Im Kern moderner drahtloser Ladesysteme für Elektrofahrzeuge liegt die magnetische Kopplungsresonanz, ein Prinzip, das die effiziente Energieübertragung über kurze Luftspalte durch elektromagnetische Felder ermöglicht. Für eine optimale Leistung müssen die Primär- (Sender) und Sekundärspule (Empfänger) eng ausgerichtet sein – in der Regel innerhalb einer Toleranz von 10 cm – um einen hohen Energieübertragungswirkungsgrad von oft über 80 % aufrechtzuerhalten. Während es einige mechanische Hilfsmittel gibt, wie visuelle Führungen oder sensorunterstütztes Einparken, sind diese Methoden entweder ungenau oder kostspielig. Darüber hinaus bleibt die manuelle Ausrichtung für Alltagsnutzer unpraktisch, insbesondere an öffentlichen Ladestationen, wo Geschwindigkeit und Komfort von größter Bedeutung sind.
Bestehende Lösungen haben verschiedene Sensortechniken untersucht. Einige setzen auf magnetoresistive Sensoren, die um die Ladefläche platziert sind, um räumliche Magnetfeldvariationen zu erfassen. Andere verwenden Hilfssysteme wie RFID-Tags, die in der Fahrzeugkarosserie eingebettet sind. Diese Ansätze erfordern jedoch oft zusätzliche Hardware, erhöhen die Systemkomplexität und treiben die Herstellungskosten in die Höhe. Darüber hinaus liefern viele keine vollständigen zweidimensionalen Positionsdaten, die für eine Feinjustierung der Ausrichtung sowohl in der X- als auch in der Y-Achse notwendig sind.
Die Innovation des Teams umgeht diese Einschränkungen durch den Einsatz von maschinellem Lernen zur Interpretation von Signalen einfacher Erfassungsspulen, die in die Ladeinfrastruktur integriert sind. Diese kleinen induktiven Spulen erfassen Spannungsschwankungen, die durch das vom Hauptsender erzeugte elektromagnetische Feld induziert werden. Da Stärke und Verteilung dieses Feldes je nach relativer Position der Empfangsspule variieren, dienen die induzierten Spannungen als indirekte Indikatoren für die räumliche Position. Die Beziehung zwischen Spannungswerten und physikalischen Koordinaten ist jedoch höchst nichtlinear und komplex – zu verwickelt für konventionelle mathematische Modellierung.
Hier kommt das BP-Neuronale Netz ins Spiel. Im Gegensatz zu regelbasierten Algorithmen excellieren Neuronale Netze darin, Muster in großen Datensätzen zu identifizieren und komplexe Funktionen zu approximieren, ohne explizite Gleichungen zu benötigen. Durch das Training des Netzes an einem Datensatz bekannter Positionen und entsprechender Spannungseingänge lernt es, unbekannte Positionen mit bemerkenswerter Genauigkeit vorherzusagen. Im Wesentlichen behandelt das System die Spulenlokalisierung als ein überwachtes Lernproblem: Bei vier Eingangsspannungen von strategisch platzierten Erfassungsspulen gibt das Netz die geschätzten x- und y-Koordinaten des Empfängers aus.
Um ihr Konzept zu validieren, führten die Forscher sowohl Simulations- als auch Experimentstudien durch. Unter Verwendung von ANSYS Maxwell, einem weit verbreiteten Finite-Elemente-Analysewerkzeug für elektromagnetisches Design, modellierten sie ein typisches LCC-S-kompensiertes drahtloses Ladesystem – eine Topologie, die für ihre Fähigkeit geschätzt wird, auf der Primärseite konstanten Strom und auf der Sekundärseite stabile Ausgangsspannung zu liefern. Die Sender- und Empfängerspulen waren quadratisch mit Seitenlängen von 550 mm bzw. 450 mm und einem standardmäßigen vertikalen Abstand von 20 cm, was der realistischen Bodenfreiheit von Fahrzeugen entspricht.
Ein Raster von 1.600 Punkten wurde über einen 20 cm × 20 cm großen Bereich, zentriert auf der Sendespule, definiert, wobei alle 0,5 cm Messungen durchgeführt wurden. Aus dieser umfassenden Karte wurden 25 repräsentative Datenpunkte für das Training des Neuronalen Netzes ausgewählt. Davon wurden 17 für das eigentliche Training verwendet, während 4 zur Validierung und weitere 4 für den endgültigen Test dienten. Die MATLAB Deep Learning Toolbox wurde eingesetzt, unter Verwendung des Levenberg-Marquardt-Algorithmus – einer fortschrittlichen Optimierungstechnik, die für schnelle Konvergenz in kleinen bis mittelgroßen Netzen bekannt ist.
Eine wichtige Entscheidung beim Design Neuronaler Netze ist die Bestimmung der Anzahl der Neuronen in der verdeckten Schicht, die direkt die Modellkapazität und Rechenlast beeinflusst. Zu wenige Neuronen können zu Unteranpassung führen, während zu viele Überanpassung und längere Verarbeitungszeiten verursachen können. Angeleitet von empirischen Regeln, die einen Bereich zwischen √(n + r) + a vorschlagen (wobei n die Eingabeanzahl, r die Ausgabeanzahl und a eine kleine ganze Zahl ist), testete das Team Konfigurationen mit 5, 10 und 15 verdeckten Neuronen. Überraschenderweise lieferte die einfachste Konfiguration – mit nur fünf Neuronen – die beste Leistung und erreichte in Simulationen einen durchschnittlichen Positionsfehler von nur 0,907 cm. Eine Erhöhung der Neuronenzahl verbesserte die Genauigkeit nicht, was darauf hindeutet, dass die Komplexität des Problems effizient ohne übermäßige Berechnung erfasst werden konnte.
Ermutigt durch diese Ergebnisse ging das Team zur physikalischen Experimentierung über. Ein tatsächlicher Testaufbau wurde konstruiert, featuring den gleichen LCC-S-Schaltkreis, angetrieben von einer 390V AC-Quelle, die mit Resonanzfrequenz arbeitet. Vier Erfassungsspulen wurden unter dem Sender montiert, jede verbunden mit einer Signalconditioning-Schaltung, bestehend aus Dioden für Gleichrichtung, RC-Filtern für Peak-Holding und Widerstandsteilern zur Skalierung der Spannungen für die Mikrocontroller-Analog-Digital-Wandlung. Die Datenerfassung wurde über einen Ein-Chip-Prozessor abgewickelt, der Rohspannungswerte in das vortrainierte BP-Netz einspeiste, das auf einem Host-Computer lief.
Das experimentelle Protokoll spiegelte den Simulationsaufbau wider: Die gleichen 25 Kalibrierungspunkte wurden manuell gemessen und dann zum Training des Netzes verwendet. Fünf neue Testpositionen wurden evaluiert, einschließlich außermittiger Positionen wie (-2,5 cm, -7,5 cm) und (7,0 cm, 3,5 cm). Das System sagte alle Positionen erfolgreich mit Zentimeter-Genauigkeit vorher, obwohl leichte Abweichungen im Vergleich zu den Simulationsergebnissen beobachtet wurden. Beispielsweise schätzte das Netz am Punkt (-2,5, -7,5) (-4,14, -8,4), was einem Fehler von etwa 1,8 cm entspricht. Ähnliche Diskrepanzen traten anderswo auf, hauptsächlich zurückzuführen auf Messrauschen, geringfügige Fehlplatzierung während der manuellen Positionierung und Nicht-Idealitäten in der Analogschaltung.
Trotz dieser Abweichungen bestätigte die overall Konsistenz zwischen simulierten und realen Ergebnissen die Robustheit der Methode. Wie in vergleichenden Fehlerverteilungsdiagrammen gezeigt, blieben experimentelle Fehler innerhalb akzeptabler Grenzen, was die Machbarkeit des Einsatzes eines solchen Systems in kommerziellen Anwendungen untermauerte. Bemerkenswerterweise erfolgte der gesamte Prozess – von der Spannungsabtastung bis zur Koordinatenschätzung – schnell, was eine nahezu Echtzeit-Rückmeldung ermöglicht, ideal für die Integration in automatische Parksysteme.
Was diesen Ansatz auszeichnet, ist seine Balance aus Einfachheit, Kosteneffektivität und Leistung. Im Gegensatz zu sensorlastigen Alternativen, die Arrays von Halleffektgeräten oder externe RFID-Infrastruktur erfordern, verwendet diese Lösung nur passive induktive Elemente, die bereits mit der vorhandenen Ladehardware kompatibel sind. Es besteht keine Notwendigkeit für zusätzliche Sender, Kameras oder Ultraschallmodule. Die Intelligenz liegt vollständig in der Software, was Upgrades und Rekalibrierungen durch Firmware-Updates unkompliziert macht.
Darüber hinaus bringt die Abhängigkeit von BP-Neuronalen Netzen inherente Anpassungsfähigkeit mit sich. Sollten sich Umweltbedingungen ändern – wie Temperaturschwankungen, die den Spulenwiderstand beeinflussen, oder nahe metallische Gegenstände, die das Magnetfeld verzerren – kann das Netz mit aktualisierten Daten neu trainiert werden, um die Genauigkeit aufrechtzuerhalten. Dies steht in scharfem Kontrast zu Festparametermodellen, die sich ohne manuelle Neukalibrierung mit der Zeit verschlechtern.
Aus praktischer Sicht würde die Integration dieser Technologie in aktuelle Elektrofahrzeugarchitekturen minimale Modifikationen erfordern. Fahrzeughersteller köndern das trainierte Neuronale Netz in der onboard-Ladesteuerungseinheit einbetten, während Betreiber von Ladestationen die Erfassungsschaltung während der Pad-Installation implementieren könnten. Rückmeldungen könnten dann visuell durch das Armaturenbrettdisplay, akustisch via Warnungen oder automatisch durch Fahrzeug-Infrastruktur-Kommunikationsprotokolle übermittelt werden, die automatische Parkmanöver ermöglichen.
Die Implikationen gehen über Verbraucherkomfort hinaus. Flottenbetreiber, die Elektrobusse oder Lieferwagen verwalten, können erheblich profitieren, da konsistente und schnelle Ausrichtung Ausfallzeiten reduziert und die operationelle Effizienz maximiert. Öffentliche Ladepunkte könnten höheren Durchsatz verzeichnen, was Staus reduziert und die Nutzerzufriedenheit verbessert. Zusätzlich gewährleistet präzise Ausrichtung maximale Energieübertragung, minimiert Abwärme und verlängert die Komponentenlebensdauer – Schlüsselfaktoren für langfristige Nachhaltigkeit.
Sicherheit ist eine weitere Dimension, die durch genaue Positionierung verbessert wird. Wenn Spulen fehlausgerichtet sind, können streuende elektromagnetische Felder zunehmen, was potenziell Herzschrittmacher oder andere sensible Elektronik stören könnte. Regulatorische Standards, wie those der International Electrotechnical Commission (IEC), legen strikte Grenzwerte für elektromagnetische Emissionen fest. Durch die Gewährleistung optimaler Kopplung hilft diese KI-gesteuerte Methode, Emissionen innerhalb sicherer Schwellenwerte zu halten, und trägt so zur breiteren Akzeptanz des drahtlosen Ladens in urbanen Umgebungen bei.
Während die aktuelle Implementierung auf planare Verschiebung fokussiert, könnte zukünftige Arbeit die vertikale Distanz (Z-Achse) und Winkelorientierung (Neigung und Gier) einschließen, um vollständige Sechs-Freiheitsgrade-Tracking zu ermöglichen. Dies wäre besonders nützlich für unebene Oberflächen oder geneigte Auffahrten. Die Einbeziehung dynamischer Lernfähigkeiten – bei der das Netz sich kontinuierlich basierend auf Live-Daten verfeinert – könnte die Widerstandsfähigkeit gegen Verschleiß und Umweltdrift weiter verbessern.
Ein weiterer Ansatz betrifft Multi-Spulen-Sender-Arrays, bei denen mehrere überlappende Spulen größere räumliche Flexibilität ermöglichen. In solchen Aufbauten ermöglicht die Kenntnis der exakten Empfängerposition die selektive Aktivierung der nächstgelegenen Teilspule, was die Effizienz steigert und Bereitschaftsverluste reduziert. Der hier beschriebene BP-Neuronale Netz-Rahmen bietet eine solide Grundlage für solche intelligenten Schaltstrategien.
Die Industriereaktion auf die Studie war positiv. Experten merken an, dass drahtloses Laden lange als Premium-Funktion angesehen wurde, aber Fortschritte wie dieser es näher an die Mainstream-Tauglichkeit bringen. Standardisierungsgremien, including SAE International und das Wireless Power Consortium, entwickeln aktiv Interoperabilitätsrichtlinien, und die Einbeziehung KI-basierter Positionierung könnte Teil zukünftiger Spezifikationen werden.
Zusammenfassend repräsentiert die von Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang und Li Chengyun durchgeführte Forschung einen signifikanten Sprung nach vorn in der Drahtlosen Ladetechnologie für Elektrofahrzeuge. Durch die Kombination fundamentaler elektromagnetischer Prinzipien mit modernem maschinellem Lernen haben sie eine skalierbare, genaue und wirtschaftlich tragbare Lösung für eine der beständigsten Herausforderungen des Feldes geschaffen. Ihre Arbeit demonstriert, wie interdisziplinäre Zusammenarbeit – spanning über Leistungselektronik, Signalverarbeitung und künstliche Intelligenz – praktische Innovationen mit weitreichender Wirkung hervorbringen kann.
Da Städte weltweit ihren Übergang zur elektrifizierten Mobilität beschleunigen, werden Technologien, die das Laden vereinfachen und optimieren, entscheidend sein. Dieses BP-Neuronale Netz-basierte Positionierungssystem verbessert nicht nur die technische Leistung, sondern steigert auch das Nutzervertrauen und Engagement, indem es eine große psychologische Barriere für die Adoption entfernt. Mit fortgesetzter Verfeinerung und Einsatz könnte es bald ein Standardmerkmal in Drahtlosen Ladesystemen der nächsten Generation werden.
Research on coil positioning technology based on BP neural network – Pan Zhixin, Yang Xiaomei, Wang Chengliang, Fei Yijun, Xu Qingqiang, Li Chengyun; Electrical Measurement & Instrumentation; DOI: 10.19753/j.issn1001-1390.2024.02.029