CN118381151B - 基于深度学习的无线充电系统配置方法及系统 - Google Patents

Abstract

本发明公开了基于深度学习的无线充电系统配置方法及系统，涉及无线充电领域，包括：建立线圈半径关于充电距离的充电效率模型；建立充电频率关于充电距离的充电效率模型；计算得出目标线圈半径；计算得出目标充电频率；形成大电流区域和小电流区域；形成高干扰区和低干扰区；对高电流元器件和强磁场元器件形成至少一个散热区域；得到高电流元器件的第一识别区域；得到强磁场元器件的第二识别区域；得到目标电路排布图；设置无线充电系统的初次级变换电路。通过设置距离加权模块、模型建立模块、元件分类模块和区域处理模块，使得汽车的总体充电效率得到最大化，避免温度过高损坏元器件，从而能保证充电的效果。

Description

基于深度学习的无线充电系统配置方法及系统

技术领域

本发明涉及无线充电领域，具体是涉及基于深度学习的无线充电系统配置方法及系统。

背景技术

随着无线充电技术的发展，越来越多的设备支持无线充电，小到手机、手表，大到轿车、卡车。汽车型号不同，充电的距离也会发生变化，现有技术未对该情况进行考虑，导致充电的线圈和频率未作适应性调整，充电效率有待提升，此外，充电时，内部元器件会存在电流或磁场的干扰，影响充电的效果，并且，内部元器件的温度也会对充电产生影响。但现有的无线充电系统在配置时均未根据上述情况进行调整，导致充电效果有待提升。

发明内容

为解决上述技术问题，提供基于深度学习的无线充电系统配置方法及系统，本技术方案解决了上述背景技术中提出的汽车型号不同，充电的距离也会发生变化，现有技术未对该情况进行考虑，导致充电的线圈和频率未作适应性调整，充电效率有待提升，此外，充电时，内部元器件会存在电流或磁场的干扰，影响充电的效果，并且，内部元器件的温度也会对充电产生影响。但现有的无线充电系统在配置时均未根据上述情况进行调整，导致充电效果有待提升的问题。

为达到以上目的，本发明采用的技术方案为：

基于深度学习的无线充电系统配置方法，包括：

获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

建立线圈半径关于充电距离的充电效率模型；

建立充电频率关于充电距离的充电效率模型；

根据线圈尺寸关于充电距离的充电效率模型，计算得出目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率；

使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

获取构成无线电力传输的初次级变换电路的至少一个元器件，获取至少一个元器件的连接拓扑关系；

获取产生高频交流电的至少一个元器件，作为高电流元器件；

获取产生强电磁场的至少一个元器件，作为强磁场元器件；

根据高电流元器件，形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布；

根据强磁场元器件，形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布；

对高电流元器件和强磁场元器件形成至少一个散热区域；

对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域；

对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域；

根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图；

根据目标电路排布图，设置无线充电系统的初次级变换电路。

优选的，所述根据汽车种类，得到无线充电的平均距离包括以下步骤：

获取汽车样本集；

对汽车样本集中的汽车按照其电池到无线充电系统的距离进行分类，得到至少一个汽车分类集；

计算汽车分类集的汽车数量在汽车样本集中的占比，得到分类占比；

将至少一个汽车分类集中汽车到无线充电系统的距离加权累加，得到无线充电的平均距离，其中，加权使用的比例为汽车样本集对应的分类占比。

优选的，所述建立线圈半径关于充电距离的充电效率模型包括以下步骤：

获取线圈半径的取值范围；

等间距分割线圈半径的取值范围，得到至少一个分割点；

在每个分割点对应的线圈半径和充电距离为无线充电的平均距离的条件下，获取充电效率；

将分割点对应的线圈半径与充电效率配对为第一坐标；

对至少一个第一坐标拟合，得到第一拟合函数。

优选的，所述建立充电频率关于充电距离的充电效率模型包括以下步骤：

获取充电频率的取值范围；

等间距分割充电频率的取值范围，得到至少一个识别点；

在每个识别点对应的充电频率和充电距离为无线充电的平均距离的条件下，获取充电效率；

将识别点对应的充电频率与充电效率配对为第二坐标；

对至少一个第二坐标拟合，得到第二拟合函数。

优选的，所述根据线圈尺寸关于充电距离的充电效率模型，计算得出目标线圈半径包括以下步骤：

求出第一拟合函数的最大值所对应的线圈半径，作为目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率包括以下步骤：

求出第二拟合函数的最大值所对应的充电频率，作为目标充电频率。

优选的，所述形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布包括以下步骤：

在高电流元器件周围设置至少一个第一采样点，在第一采样点处获取电流干扰测量值；

当电流干扰测量值大于第一预设值时，则将第一采样点作为大电流点；

将每个所述高电流元器件的至少一个大电流点汇总得到高电流元器件的大电流区域；

将高电流元器件之外的元器件的占用区域，作为小电流区域；

排布时，大电流区域与小电流区域间隔大于预设距离；

所述形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布包括以下步骤：

在强磁场元器件周围设置至少一个第二采样点，在第二采样点处获取磁场干扰测量值；

当磁场干扰测量值大于第二预设值时，则将第二采样点作为大磁场点；

将每个所述强磁场元器件的至少一个大磁场点汇总得到强磁场元器件的高干扰区；

将强磁场元器件之外的元器件的占用区域，作为低干扰区；

排布时，高干扰区和低干扰区间隔大于预设距离。

优选的，所述对高电流元器件和强磁场元器件形成至少一个散热区域包括以下步骤：

在高电流元器件和强磁场元器件进行温度测试，将每个所述高电流元器件和每个所述强磁场元器件周围温度高于预设温度的区域，作为散热区域。

优选的，所述对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域包括以下步骤：

判断高电流元器件的散热区域是否在高电流元器件的大电流区域内，若是，则不作任何处理；

若否，则将高电流元器件的散热区域超出高电流元器件的大电流区域的部分补充融合进入大电流区域，得到高电流元器件的第一识别区域；

所述对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域包括以下步骤：

判断强磁场元器件的散热区域是否在强磁场元器件的高干扰区内，若是，则不作任何处理；

若否，则将强磁场元器件的散热区域超出强磁场元器件的高干扰区的部分补充融合进入高干扰区，得到强磁场元器件的第二识别区域。

优选的，所述根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图包括以下步骤：

判断第一识别区域和第二识别区域是否有重合部分，若是，则调整第一识别区域和第二识别区域位置至第一识别区域和第二识别区域没有重合部分为止；

若否，则不作任何处理；

调整小电流区域和低干扰区的元器件至第一识别区域、第二识别区域之外；

根据连接拓扑关系，对小电流区域、低干扰区、第一识别区域和第二识别区域中的元器件进行布线连接，得到目标电路排布图。

基于深度学习的无线充电系统配置系统，用于实现上述的基于深度学习的无线充电系统配置方法，包括：

距离加权模块，所述距离加权模块获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

模型建立模块，所述模型建立模块建立线圈半径关于充电距离的充电效率模型，建立充电频率关于充电距离的充电效率模型；

数据计算模块，所述数据计算模块计算得出目标线圈半径，计算得出目标充电频率；

参数配置模块，所述参数配置模块使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

拓扑关系获取模块，所述拓扑关系获取模块获取至少一个元器件的连接拓扑关系；

元件分类模块，所述元件分类模块获取产生高频交流电的至少一个元器件，作为高电流元器件，获取产生强电磁场的至少一个元器件，作为强磁场元器件；

区域处理模块，所述区域处理模块形成大电流区域和小电流区域，形成高干扰区和低干扰区，对高电流元器件和强磁场元器件形成至少一个散热区域，得到高电流元器件的第一识别区域，得到强磁场元器件的第二识别区域；

电路排布模块，所述电路排布模块得到目标电路排布图，设置无线充电系统的初次级变换电路。

与现有技术相比，本发明的有益效果在于：

通过设置距离加权模块、模型建立模块、元件分类模块和区域处理模块，对汽车的充电距离进行加权，得到平均距离，进而根据平均距离，对充电的线圈和频率进行调整，从而使得汽车的总体充电效率得到最大化，此外，根据内部元器件产生的高频交流电和强电磁场情况划定大电流区域和高干扰区，保证其余的元器件在大电流区域和高干扰区之外，防止其受到电流干扰和磁场干扰，同时，对高电流元器件和强磁场元器件的发热情况进行估计，使得其余元器件在高电流元器件和强磁场元器件的温度影响区域外，避免温度过高损坏元器件，从而能保证充电的效果。

附图说明

图1为本发明的基于深度学习的无线充电系统配置方法流程示意图；

图2为本发明的根据汽车种类，得到无线充电的平均距离流程示意图；

图3为本发明的建立线圈半径关于充电距离的充电效率模型流程示意图；

图4为本发明的建立充电频率关于充电距离的充电效率模型流程示意图；

图5为本发明的形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布流程示意图；

图6为本发明的形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布流程示意图；

图7为本发明的对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域流程示意图；

图8为本发明的对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域流程示意图；

图9为本发明的根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图流程示意图。

具体实施方式

以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。

参照图1所示，基于深度学习的无线充电系统配置方法，包括：

获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

建立线圈半径关于充电距离的充电效率模型；

建立充电频率关于充电距离的充电效率模型；

根据线圈尺寸关于充电距离的充电效率模型，计算得出目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率；

使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

获取构成无线电力传输的初次级变换电路的至少一个元器件，获取至少一个元器件的连接拓扑关系；

获取产生高频交流电的至少一个元器件，作为高电流元器件；

获取产生强电磁场的至少一个元器件，作为强磁场元器件；

根据高电流元器件，形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布；

根据强磁场元器件，形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布；

对高电流元器件和强磁场元器件形成至少一个散热区域；

对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域；

对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域；

根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图；

根据目标电路排布图，设置无线充电系统的初次级变换电路。

参照图2所示，根据汽车种类，得到无线充电的平均距离包括以下步骤：

获取汽车样本集；

对汽车样本集中的汽车按照其电池到无线充电系统的距离进行分类，得到至少一个汽车分类集；

计算汽车分类集的汽车数量在汽车样本集中的占比，得到分类占比；

将至少一个汽车分类集中汽车到无线充电系统的距离加权累加，得到无线充电的平均距离，其中，加权使用的比例为汽车样本集对应的分类占比；

汽车存在不同的种类，现有的无线充电系统通常设置在路面上，汽车型号不同，则充电的距离不同，由此，需要估计出汽车充电的加权距离，其计算方法是通过对各类汽车的电池到无线充电系统的距离的占比计算得出的。

参照图3所示，建立线圈半径关于充电距离的充电效率模型包括以下步骤：

获取线圈半径的取值范围；

等间距分割线圈半径的取值范围，得到至少一个分割点；

在每个分割点对应的线圈半径和充电距离为无线充电的平均距离的条件下，获取充电效率；

将分割点对应的线圈半径与充电效率配对为第一坐标；

对至少一个第一坐标拟合，得到第一拟合函数；

线圈半径的大小会导致不同的充电效率，为了获取最佳的线圈半径，需要对线圈半径与充电效率建立函数关系，通过高等数学的求导知识，求解得出充电效率最大时作对应的线圈半径，作为目标线圈半径。

参照图4所示，建立充电频率关于充电距离的充电效率模型包括以下步骤：

获取充电频率的取值范围；

等间距分割充电频率的取值范围，得到至少一个识别点；

在每个识别点对应的充电频率和充电距离为无线充电的平均距离的条件下，获取充电效率；

将识别点对应的充电频率与充电效率配对为第二坐标；

对至少一个第二坐标拟合，得到第二拟合函数；

充电频率的大小会导致不同的充电效率，为了获取最佳的充电频率，需要对充电频率与充电效率建立函数关系，通过高等数学的求导知识，求解得出充电效率最大时作对应的充电频率，作为目标充电频率。

根据线圈尺寸关于充电距离的充电效率模型，计算得出目标线圈半径包括以下步骤：

求出第一拟合函数的最大值所对应的线圈半径，作为目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率包括以下步骤：

求出第二拟合函数的最大值所对应的充电频率，作为目标充电频率。

参照图5所示，形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布包括以下步骤：

在高电流元器件周围设置至少一个第一采样点，在第一采样点处获取电流干扰测量值；

当电流干扰测量值大于第一预设值时，则将第一采样点作为大电流点；

将每个所述高电流元器件的至少一个大电流点汇总得到高电流元器件的大电流区域；

将高电流元器件之外的元器件的占用区域，作为小电流区域；

排布时，大电流区域与小电流区域间隔大于预设距离；

高电流元器件在大电流区域内产生较强的电流干扰，会对电流小的元器件的运作产生影响，进而影响充电，因此，需要划定区域，将大电流区域与小电流区域分开，使得大电流区域不会对小电流区域产生太大影响；

参照图6所示，形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布包括以下步骤：

在强磁场元器件周围设置至少一个第二采样点，在第二采样点处获取磁场干扰测量值；

当磁场干扰测量值大于第二预设值时，则将第二采样点作为大磁场点；

将每个所述强磁场元器件的至少一个大磁场点汇总得到强磁场元器件的高干扰区；

将强磁场元器件之外的元器件的占用区域，作为低干扰区；

排布时，高干扰区和低干扰区间隔大于预设距离；

强磁场元器件在高干扰区内产生较强的磁场干扰，会对磁场小的元器件的运作产生影响，进而影响充电，因此，需要划定区域，将高干扰区和低干扰区分开，使得高干扰区不会对低干扰区产生太大影响。

对高电流元器件和强磁场元器件形成至少一个散热区域包括以下步骤：

在高电流元器件和强磁场元器件进行温度测试，将每个所述高电流元器件和每个所述强磁场元器件周围温度高于预设温度的区域，作为散热区域；

散热仅考虑高电流元器件和强磁场元器件，因为其产生的热量最大的部分为高电流元器件和强磁场元器件，在散热区域外，其温度在预设温度以下，为其余元器件所能承受，且由于散热区域的划定，元器件分散开来，便于热量散失。

参照图7所示，对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域包括以下步骤：

判断高电流元器件的散热区域是否在高电流元器件的大电流区域内，若是，则不作任何处理；

若否，则将高电流元器件的散热区域超出高电流元器件的大电流区域的部分补充融合进入大电流区域，得到高电流元器件的第一识别区域；

大电流区域与散热区域存在差异，因此，需要对两种情况进行综合考虑，保证其余的元器件同时在高电流元器件的大电流区域和散热区域外，因此，需要对高电流元器件的大电流区域和散热区域进行融合；

参照图8所示，对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域包括以下步骤：

判断强磁场元器件的散热区域是否在强磁场元器件的高干扰区内，若是，则不作任何处理；

若否，则将强磁场元器件的散热区域超出强磁场元器件的高干扰区的部分补充融合进入高干扰区，得到强磁场元器件的第二识别区域；

高干扰区和散热区域存在差异，因此，需要对两种情况进行综合考虑，保证其余的元器件同时在强磁场元器件的高干扰区和散热区域外，因此，需要对强磁场元器件的高干扰区和散热区域进行融合。

参照图9所示，根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图包括以下步骤：

判断第一识别区域和第二识别区域是否有重合部分，若是，则调整第一识别区域和第二识别区域位置至第一识别区域和第二识别区域没有重合部分为止；

若否，则不作任何处理；

调整小电流区域和低干扰区的元器件至第一识别区域、第二识别区域之外；

根据连接拓扑关系，对小电流区域、低干扰区、第一识别区域和第二识别区域中的元器件进行布线连接，得到目标电路排布图；

连接拓扑关系中有预先设计的元器件之间的相互连接关系，即元器件直接是否连接线路。

基于深度学习的无线充电系统配置系统，用于实现上述的基于深度学习的无线充电系统配置方法，包括：

距离加权模块，所述距离加权模块获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

模型建立模块，所述模型建立模块建立线圈半径关于充电距离的充电效率模型，建立充电频率关于充电距离的充电效率模型；

数据计算模块，所述数据计算模块计算得出目标线圈半径，计算得出目标充电频率；

参数配置模块，所述参数配置模块使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

拓扑关系获取模块，所述拓扑关系获取模块获取至少一个元器件的连接拓扑关系；

元件分类模块，所述元件分类模块获取产生高频交流电的至少一个元器件，作为高电流元器件，获取产生强电磁场的至少一个元器件，作为强磁场元器件；

区域处理模块，所述区域处理模块形成大电流区域和小电流区域，形成高干扰区和低干扰区，对高电流元器件和强磁场元器件形成至少一个散热区域，得到高电流元器件的第一识别区域，得到强磁场元器件的第二识别区域；

电路排布模块，所述电路排布模块得到目标电路排布图，设置无线充电系统的初次级变换电路。

再进一步的，本方案还提出一种存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行上述的基于深度学习的无线充电系统配置方法。

可以理解的是，存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。

综上所述，本发明的优点在于：通过设置距离加权模块、模型建立模块、元件分类模块和区域处理模块，对汽车的充电距离进行加权，得到平均距离，进而根据平均距离，对充电的线圈和频率进行调整，从而使得汽车的总体充电效率得到最大化，此外，根据内部元器件产生的高频交流电和强电磁场情况划定大电流区域和高干扰区，保证其余的元器件在大电流区域和高干扰区之外，防止其受到电流干扰和磁场干扰，同时，对高电流元器件和强磁场元器件的发热情况进行估计，使得其余元器件在高电流元器件和强磁场元器件的温度影响区域外，避免温度过高损坏元器件，从而能保证充电的效果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.基于深度学习的无线充电系统配置方法，其特征在于，包括：

获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

建立线圈半径关于充电距离的充电效率模型；

建立充电频率关于充电距离的充电效率模型；

根据线圈半径关于充电距离的充电效率模型，计算得出目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率；

使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

获取构成无线电力传输的初次级变换电路的至少一个元器件，获取至少一个元器件的连接拓扑关系；

获取产生高频交流电的至少一个元器件，作为高电流元器件；

获取产生强电磁场的至少一个元器件，作为强磁场元器件；

根据高电流元器件，形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布；

根据强磁场元器件，形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布；

对高电流元器件和强磁场元器件形成至少一个散热区域；

对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域；

对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域；

根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图；

根据目标电路排布图，设置无线充电系统的初次级变换电路；

所述根据汽车种类，得到无线充电的平均距离包括以下步骤：

获取汽车样本集；

对汽车样本集中的汽车按照其电池到无线充电系统的距离进行分类，得到至少一个汽车分类集；

计算汽车分类集的汽车数量在汽车样本集中的占比，得到分类占比；

将至少一个汽车分类集中汽车到无线充电系统的距离加权累加，得到无线充电的平均距离，其中，加权使用的比例为汽车样本集对应的分类占比。

2.根据权利要求1所述的基于深度学习的无线充电系统配置方法，其特征在于，所述建立线圈半径关于充电距离的充电效率模型包括以下步骤：

获取线圈半径的取值范围；

等间距分割线圈半径的取值范围，得到至少一个分割点；

在每个分割点对应的线圈半径和充电距离为无线充电的平均距离的条件下，获取充电效率；

将分割点对应的线圈半径与充电效率配对为第一坐标；

对至少一个第一坐标拟合，得到第一拟合函数。

3.根据权利要求2所述的基于深度学习的无线充电系统配置方法，其特征在于，所述建立充电频率关于充电距离的充电效率模型包括以下步骤：

获取充电频率的取值范围；

等间距分割充电频率的取值范围，得到至少一个识别点；

在每个识别点对应的充电频率和充电距离为无线充电的平均距离的条件下，获取充电效率；

将识别点对应的充电频率与充电效率配对为第二坐标；

对至少一个第二坐标拟合，得到第二拟合函数。

4.根据权利要求3所述的基于深度学习的无线充电系统配置方法，其特征在于，所述根据线圈半径关于充电距离的充电效率模型，计算得出目标线圈半径包括以下步骤：

求出第一拟合函数的最大值所对应的线圈半径，作为目标线圈半径；

根据充电频率关于充电距离的充电效率模型，计算得出目标充电频率包括以下步骤：

求出第二拟合函数的最大值所对应的充电频率，作为目标充电频率。

5.根据权利要求4所述的基于深度学习的无线充电系统配置方法，其特征在于，所述形成大电流区域和小电流区域，对大电流区域和小电流区域进行位置排布包括以下步骤：

在高电流元器件周围设置至少一个第一采样点，在第一采样点处获取电流干扰测量值；

当电流干扰测量值大于第一预设值时，则将第一采样点作为大电流点；

将每个所述高电流元器件的至少一个大电流点汇总得到高电流元器件的大电流区域；

将高电流元器件之外的元器件的占用区域，作为小电流区域；

排布时，大电流区域与小电流区域间隔大于预设距离；

所述形成高干扰区和低干扰区，对高干扰区和低干扰区进行位置排布包括以下步骤：

在强磁场元器件周围设置至少一个第二采样点，在第二采样点处获取磁场干扰测量值；

当磁场干扰测量值大于第二预设值时，则将第二采样点作为大磁场点；

将每个所述强磁场元器件的至少一个大磁场点汇总得到强磁场元器件的高干扰区；

将强磁场元器件之外的元器件的占用区域，作为低干扰区；

排布时，高干扰区和低干扰区间隔大于预设距离。

6.根据权利要求5所述的基于深度学习的无线充电系统配置方法，其特征在于，所述对高电流元器件和强磁场元器件形成至少一个散热区域包括以下步骤：

在高电流元器件和强磁场元器件进行温度测试，将每个所述高电流元器件和每个所述强磁场元器件周围温度高于预设温度的区域，作为散热区域。

7.根据权利要求6所述的基于深度学习的无线充电系统配置方法，其特征在于，所述对高电流元器件的大电流区域和散热区域进行融合，得到高电流元器件的第一识别区域包括以下步骤：

判断高电流元器件的散热区域是否在高电流元器件的大电流区域内，若是，则不作任何处理；

若否，则将高电流元器件的散热区域超出高电流元器件的大电流区域的部分补充融合进入大电流区域，得到高电流元器件的第一识别区域；

所述对强磁场元器件的高干扰区和散热区域进行融合，得到强磁场元器件的第二识别区域包括以下步骤：

判断强磁场元器件的散热区域是否在强磁场元器件的高干扰区内，若是，则不作任何处理；

若否，则将强磁场元器件的散热区域超出强磁场元器件的高干扰区的部分补充融合进入高干扰区，得到强磁场元器件的第二识别区域。

8.根据权利要求7所述的基于深度学习的无线充电系统配置方法，其特征在于，所述根据第一识别区域、第二识别区域和连接拓扑关系，得到目标电路排布图包括以下步骤：

判断第一识别区域和第二识别区域是否有重合部分，若是，则调整第一识别区域和第二识别区域位置至第一识别区域和第二识别区域没有重合部分为止；

若否，则不作任何处理；

调整小电流区域和低干扰区的元器件至第一识别区域、第二识别区域之外；

根据连接拓扑关系，对小电流区域、低干扰区、第一识别区域和第二识别区域中的元器件进行布线连接，得到目标电路排布图。

9.基于深度学习的无线充电系统配置系统，用于实现如权利要求1-8任一项所述的基于深度学习的无线充电系统配置方法，其特征在于，包括：

距离加权模块，所述距离加权模块获取进行无线充电的汽车种类，根据汽车种类，得到无线充电的平均距离；

模型建立模块，所述模型建立模块建立线圈半径关于充电距离的充电效率模型，建立充电频率关于充电距离的充电效率模型；

数据计算模块，所述数据计算模块计算得出目标线圈半径，计算得出目标充电频率；

参数配置模块，所述参数配置模块使用目标线圈半径作为无线充电系统的线圈参数配置，使用目标充电频率作为无线充电系统的充电频率；

拓扑关系获取模块，所述拓扑关系获取模块获取至少一个元器件的连接拓扑关系；

元件分类模块，所述元件分类模块获取产生高频交流电的至少一个元器件，作为高电流元器件，获取产生强电磁场的至少一个元器件，作为强磁场元器件；

区域处理模块，所述区域处理模块形成大电流区域和小电流区域，形成高干扰区和低干扰区，对高电流元器件和强磁场元器件形成至少一个散热区域，得到高电流元器件的第一识别区域，得到强磁场元器件的第二识别区域；

电路排布模块，所述电路排布模块得到目标电路排布图，设置无线充电系统的初次级变换电路；

所述根据汽车种类，得到无线充电的平均距离包括以下步骤：

获取汽车样本集；

对汽车样本集中的汽车按照其电池到无线充电系统的距离进行分类，得到至少一个汽车分类集；

计算汽车分类集的汽车数量在汽车样本集中的占比，得到分类占比；

将至少一个汽车分类集中汽车到无线充电系统的距离加权累加，得到无线充电的平均距离，其中，加权使用的比例为汽车样本集对应的分类占比。