5 Minuten
New machine-learning design stabilizes wireless power transfer
Wissenschaftler in Japan haben eine auf maschinellem Lernen basierende Methode zur Auslegung von Systemen zur kabellosen Energieübertragung (WPT) vorgestellt, die die Ausgangsspannung stabil hält, selbst wenn sich die elektrische Last ändert. In der Juni 2025 in IEEE Transactions on Circuits and Systems veröffentlichten Studie wird ein Designprozess beschrieben, der ladeunabhängige (LI) WPT-Systeme erzeugt — Hardware, die eine hohe Übertragungseffizienz und minimale Spannungsabweichungen unabhängig vom betriebenen Gerät aufrechterhält. Dieser Fortschritt behebt eine zentrale Einschränkung aktueller kabelloser Lade- und Resonanzstromsysteme und könnte die breitere Einführung in Unterhaltungselektronik, medizinische Sensoren, Elektrofahrzeuge und industrielle Anwendungen beschleunigen.
Scientific background: resonance, loads, and why stability matters
How resonant wireless power transfer works
WPT-Systeme nutzen typischerweise resonante induktive Kopplung: Ein Sender tauscht abwechselnd Energie zwischen einem Kondensator und einer Spule aus, um bei einer Ziel-Frequenz eine elektromagnetische Schwingung zu erzeugen. Ein Empfänger, der auf dieselbe Frequenz abgestimmt ist, resoniert mit dieser Schwingung und ermöglicht eine effiziente Energieaufnahme. Das Prinzip ähnelt dem, wie ein Radio oder Fernseher eine bestimmte Sendefrequenz auswählt und verstärkt.
The problem of load dependence
Die meisten praktischen WPT-Systeme sind lastabhängig: Ihre Leistung — abgegebene Spannung und Übertragungseffizienz — verändert sich, wenn sich die elektrischen Eigenschaften des Empfängers ändern. Das Laden einer Batterie ist ein deutliches Beispiel: Der Innenwiderstand einer Batterie variiert während des Ladevorgangs, was in einem lastabhängigen WPT-System Spannungsschwankungen verursachen kann. Große Batterien für Elektrofahrzeuge oder variable biomedizinische Implantate können noch größere Laständerungen hervorrufen. Spannungsschwankungen bergen das Risiko von Geräteschäden, langsamerem Laden und ineffizienter Energienutzung.
Machine learning applied to circuit and system design
Die neue Technik erstellt ein virtuelles Modell eines WPT-Systems und nutzt künstliche Intelligenz, um wiederholt Simulationen durchzuführen. Die KI bewertet Leistungskennzahlen wie in Wärme verlorene Energie, Stabilität der Ausgangswellenform und die Gesamteffizienz der Übertragung. Durch iterative Trial‑and‑Error‑Optimierung identifiziert der Algorithmus Bauteilwerte, Steuerungsparameter und Betriebsbedingungen, die Spannungsvariation und Energieverluste minimieren und gleichzeitig die Effizienz maximieren.
Laut der Veröffentlichung reduzierte das ML-optimierte LI-System die Spannungsschwankungen auf etwa 5 % gegenüber 18 % bei vergleichbaren lastabhängigen Entwürfen. Die Übertragungseffizienz stieg in der optimierten Konfiguration auf 86,7 %, verglichen mit Systemen, deren Effizienz bei variabler Last auf etwa 65 % fallen kann.
Key discoveries and practical implications
Die zentrale Entdeckung ist, dass automatisierte, datengesteuerte Optimierung WPT‑Hardware und Steuerungsstrategien hervorbringen kann, die von Natur aus weniger empfindlich gegenüber Laständerungen sind. Der Erstautor Hiroo Sekiya von der Graduate School of Advanced Integration Science der Chiba University betonte die praktischen Ziele: 'Wir sind zuversichtlich, dass die Ergebnisse dieser Forschung einen wichtigen Schritt hin zu einer vollständig drahtlosen Gesellschaft darstellen. Zudem kann das WPT‑System aufgrund des LI‑Betriebs einfach aufgebaut werden, wodurch Kosten und Größe reduziert werden. Unser Ziel ist es, WPT innerhalb der nächsten 5 bis 10 Jahre alltäglich zu machen.'
Ladeunabhängige WPT könnte die Systemauslegung für kabellose Ladestationen vereinfachen, den Bedarf an komplexer aktiver Regelung in Empfängern verringern und die Zuverlässigkeit der drahtlosen Energieübertragung für kritische Anwendungen wie implantierbare medizinische Geräte und das Laden von Elektrofahrzeugen verbessern, bei denen die Last stark variieren kann.
Related technologies and the role of AI in power electronics
Diese Arbeit verdeutlicht einen größeren Trend: die Anwendung von maschinellem Lernen zur Optimierung von Schaltungen und leistungselektronischen Systemen. KI‑getriebene Schaltungssynthese und Parametertuning können die Entwicklungszeit verkürzen, nicht intuitive Lösungen aufdecken und das Feld in Richtung automatisierter Schaltungsentwürfe bewegen. Die Integration mit adaptiver Regelung, digitalen Zwillingen und Echtzeit‑Sensorik könnte die Leistung und Sicherheit in eingesetzten WPT‑Netzwerken weiter verbessern.
Expert Insight
Dr. Maya Patel, eine fiktive Entwicklungsingenieurin für leistungselektronische Systeme, die an Stromversorgungsteilen für Raumfahrzeuge gearbeitet hat, kommentiert: 'Das Erreichen von Ladeunabhängigkeit in resonanter kabelloser Energieübertragung ist ein bedeutender Meilenstein. Für Raumfahrt‑ und terrestrische Anwendungen gilt: Je weniger Annahmen Designer über die Last machen müssen, desto robuster und flexibler wird das System. Die Optimierung durch maschinelles Lernen kann Betriebspunkte und Steuerungsgesetze aufdecken, die menschliche Entwickler leicht übersehen — das ist entscheidend, wenn sowohl Effizienz als auch Zuverlässigkeit gefordert sind.'
Future prospects and challenges
Bevor LI‑WPT weit verbreitet wird, bleiben mehrere technische und regulatorische Fragen offen. Die Skalierung des Ansatzes auf größere Reichweiten und höhere Leistungsniveaus — wie sie für das Laden von Fahrzeugen oder Drohnen erforderlich sind — wirft Herausforderungen bei Wärmemanagement und elektromagnetischer Verträglichkeit auf. Sicherheitsgrenzen für die menschliche Exposition gegenüber elektromagnetischen Feldern, Standards für Interoperabilität zwischen Sendern und Empfängern sowie Kostensenkungen in der Fertigung werden ebenfalls die Einführung beeinflussen. Nichtsdestotrotz deuten die berichteten Effizienzsteigerungen und die reduzierte Spannungsvariabilität darauf hin, dass ML‑gestützte Auslegung kabelloses Laden sicherer, kompakter und kostengünstiger machen kann.
Conclusion
Die von japanischen Forschenden entwickelte Methode des maschinellen Lernens erzeugt ladeunabhängige Systeme zur kabellosen Energieübertragung, die Spannungsschwankungen deutlich verringern und die Übertragungseffizienz erhöhen. Durch die Kombination resonanter Übertragungsprinzipien mit KI‑gestützter Optimierung weist die Arbeit den Weg zu robusteren, kompakteren und erschwinglicheren Lösungen für kabelloses Laden in Unterhaltungselektronik, Elektrofahrzeugen und medizinischen Geräten. Mit der Reife KI‑gestützter Schaltungsentwurfswerkzeuge könnten automatisierte Tools den Übergang zu einem stärker drahtlosen und effizienteren Energiesystem beschleunigen.
Quelle: livescience
Kommentare