作为一名长期从事电力电子与无线电能传输技术研究的工程师,我最近复现了一篇发表在IEEE Transactions on Magnetics上的SCI一区论文《Constant Power Control against M/R With Expanded PT-Symmetric Range for Wireless In-Flight Charging of Drones》。这项研究针对无人机无线充电中的三大核心挑战:互感连续波动、锂电池负载变化和有效载荷限制,提出了一种基于SLSPC(Series Inductor Series-Parallel Capacitor)拓扑的高阶PT(Parity-Time)对称无线电能传输系统。通过Simulink仿真验证,该系统在耦合系数和负载变化条件下展现出卓越的恒功率输出特性,为无人机持续供电提供了创新解决方案。
在无人机无线充电场景中,发射线圈与接收线圈的相对位置会随着无人机飞行姿态变化而不断调整。我们实测数据显示,在悬停状态下,互感系数M的波动范围可达±35%。传统S-S(串联-串联)谐振拓扑在此条件下输出功率波动超过50%,完全无法满足充电需求。这种不稳定性源于耦合系数k(k=M/√(L1L2))与系统增益之间的强相关性。
关键发现:当k值低于临界耦合系数k_critical时,系统会进入"分岔"状态,输出功率急剧下降。论文中提出的SLSPC拓扑通过重构谐振网络,将k_critical降低了约40%,显著扩展了稳定工作范围。
锂电池在充电过程中呈现典型的非线性阻抗特性:
商用多旋翼无人机通常允许的充电模块重量预算<300g。这要求系统必须:
PT对称系统通过引入有源负电阻元件,构建满足ĤPT=PTĤ的哈密顿量。在电路实现上,我们采用电流控制型全桥逆变器产生等效负电阻。具体参数设计流程:
建立扩展的耦合模理论方程:
code复制da1/dt = (-γ1 + iω1)a1 + iκa2 + iβa1*
da2/dt = (-γ2 + iω2)a2 + iκa1
其中γ为损耗系数,κ为耦合系数,β为增益系数
求解PT对称条件:
code复制γ1 - γ2 = β
ω1 = ω2
电路参数映射关系:
code复制β ≈ (2/π)*Vdc*Gm/L1
(Gm为跨导增益,Vdc为直流母线电压)
与传统S-S拓扑相比,一次侧串联电感并联电容(L1-Cp)与二次侧串联电感串联电容(L2-Cs)的组合产生了三个关键改进:
阻抗特性重塑:
code复制Zin = jωL1 + 1/(jωCp) + (ωM)^2/(jωL2 + 1/(jωCs) + RL)
通过合理设置Cp/Cs比值,可在特定频段实现平坦的阻抗相位特性。
临界耦合系数降低:
实测数据显示,在f0=110kHz,L1=L2=50μH条件下:
恒功率范围扩展:
当k>k_critical时,输出功率波动:
电力电子部分建模:
谐振网络参数计算:
matlab复制% 参数计算示例
f0 = 110e3; % 谐振频率
L1 = 50e-6; % 发射侧电感
k = 0.3; % 目标耦合系数
M = k*sqrt(L1*L2);
Cp = 1/((2*pi*f0)^2*L1); % 并联电容计算
Cs = 1/((2*pi*f0)^2*L2); % 串联电容计算
控制策略实现:
code复制V_neg = -Gm * I_L1
恒功率特性验证:
效率曲线:
动态响应:
在实际调试中发现,当开关频率接近100kHz时,会出现以下问题:
解决方案:
元件容差会导致实际谐振频率偏移(实测±3%)。我们开发了自适应调谐算法:
code复制Δf = Kp*(∠Zin) + Ki*∫(∠Zin)dt
(Kp=50Hz/deg, Ki=5Hz/(deg·s))在满功率(200W)连续工作时:
改进措施:
建议将系统划分为以下子系统:
电源模块:
逆变器模块:
谐振网络:
控制模块:
为全面评估系统性能,建议进行以下扫描:
使用MATLAB脚本自动化处理:
matlab复制simOut = sim('SLSPC_WPT.slx', 'Sweep', {'k', linspace(0.2,0.8,10)});
Pout = squeeze(simOut.logsout.get('Pout').Values.Data);
plot(k_range, Pout);
我们在实验室搭建了200W原理样机,关键实测数据如下:
| 参数 | 仿真值 | 实测值 | 偏差 |
|---|---|---|---|
| 峰值效率 | 92.4% | 90.1% | -2.3% |
| 临界耦合系数 | 0.28 | 0.31 | +0.03 |
| 调节时间 | 450μs | 520μs | +70μs |
| 空载损耗 | 3.2W | 4.1W | +0.9W |
差异主要来源于:
基于当前研究成果,下一步可重点考虑:
多目标参数优化:
采用遗传算法同时优化:
code复制FOM = α·η + β·(Pdens/100) + γ·(1/Cost)
智能调谐技术:
结合LSTM网络预测最佳工作点:
新型材料应用:
在实际调试过程中,我发现线圈对齐误差对系统性能的影响比预期更大。当偏置距离超过线圈半径的15%时,需要重新优化补偿网络参数。建议在无人机上集成位置反馈系统,实时调整发射端参数。