1.基于模糊RBF神经网络的WPT系统，其特征在于，该系统包括MCR‑WPT系统主电路和频率跟踪控制电路，其中所述频率跟踪控制电路包括电压电流采集电路、过零检测电路、数字鉴相器、模糊控制器、PWM发生器、PID控制器和H桥逆变驱动电路；

其中，电压电流采集电路完成对MCR‑WPT系统主电路发射端电压u1和谐振电流i1的检测；

过零检测电路将MCR‑WPT系统主电路发射端的谐振电压u1和谐振电流i1转换为与其同频同相的方波信号uu(θ)和ui(θ)；

数字鉴相器将信号uu(θ)和ui(θ)进行相位比较，产生相位差Δθ和相位差变化率模糊控制器基于模糊RBF神经网络对PID控制器的参数进行调整，当PID控制器工作时，模糊RBF神经网络根据Δθ和 的变化率，实时调整PID参数，将相位差维持在0度；

PWM发生器根据PID参数进行频率调整，生成与ui(θ)同频同相H桥驱动逻辑信号，经H桥逆变驱动电路，实现对MCR‑WPT系统主电路中的H桥逆变器中MOSFET管的开关控制。

2.基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，包括如下步骤：S1：构建基于RBF神经网络的无线电能传输系统模型，形成谐振网络，通过模糊RBF神经网络对发射端谐振工作频率进行实时的自适应跟踪；

S2：初始化模糊RBF神经网络，在训练集中随机获取一个样本，在RBF神经网络的模糊化层内选定隶属度函数的中心 宽度 并计算出模糊化层内的规则适用度wj和模糊隶属度初始值；

1 2 T

其中，样本X＝[x，x]，T表示对X的转置；

其中，模糊化层包含h个类，形成h个节点，每个节点对应一个模糊规则，j＝1，2，…h；

表示样本中第i个特征对于第i个特征中第j个模糊子集的模糊隶属度；

S3：通过采样获得系统发射端的谐振电流值ui(k)和发射端的谐振电压值uu(k)，计算系统相位差Δθ(k)＝ui(k)‑uu(k)和相位差变化率 其中，

S4：确定模糊RBF神经网络的性能指标函数S5：将样本中模糊规则适用度wj与一个预设的阀值δ比较，若argmax(wj)＞δ，j＝1，

2，...h，则在RBF神经网络的模糊化层中添加一个对应的第h+1条模糊规则的节点，将该样本相应维度的特征分量作为隶属度函数的中心 宽度 为预先设定的正数，相应模糊规则中的权值均初始化为0；

若不满足则进入下一步；

S6：若存在规则j和规则k满足公式(20)，则对两条模糊规则进行合并，否则进入下一步的参数学习；

其中，中ψ，σ为预先给定值；

S7：RBF神经网络进行参数学习，推算出RBF神经网络中的隶属度函数的中心 宽度和网络权值系数

S8：依照公式(15)，推算出RBF神经网络输出层输出的PID控制器的三个参数Kp，Ki和Kd；

式中：yn1为RBF神经网络输出层的输入，σ(l，j)为yn1与输出层的连接权矩阵，l＝1，2，3分别对应3个参数Kp，Ki和Kd；

则模糊RBF神经网络PID控制器计算出频率调制信号增量ΔZ(k)为：S9：根据S8获得能够保持谐振网络中谐振工作频率与系统固有谐振频率一致的控制信号Z(k)，其中：

Z(k)＝Z(k‑1)+ΔZ(k)    (23)；

将Z(k)加入构建系统模型形成的谐振网络中，以确保MCR‑WPT系统主电路中的H桥逆变器工作在谐振点，时刻将相位差Δθ(k)维持为零；

S10：令k＝k+1，然后返回步骤S2进行下一个周期的Δθ(k+1)检测和频率控制信号Z(k+

1)调整，形成实时的检测和调整。

3.如权利要求2所述的基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，在步骤S2中，采用k‑means聚类算法将模糊化层分别离散化成[‑5，5]之间的h个类，这h类形成h个节点，每个节点具有两个高斯隶属度函数。

4.如权利要求2所述的基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，在步骤S6中，两条规则的合并方式按照下述公式进行：其中，i＝1，2。

5.如权利要求2所述的基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，在步骤S7中，RBF神经网络中的隶属度函数参数和网络权值系数按如下公式进行学习：其中，k为网络迭代步数；α为学习速率，β为学习动量因子，且α，β∈[0，1]，i＝1，2。

6.如权利要求2所述的基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，在步骤S8中，输出层的输入yn1为yj与归一化适用度 的线性组合：其中， 位于RBF神经网络的归一化层，归一化后的 将充当RBF神经网络的模糊化层与其输出层输入的连接权值。

7.如权利要求6所述的基于模糊RBF神经网络的WPT系统的频率跟踪方法，其特征在于，通过重心法去模糊化的方式来对RBF神经网络进行归一化处理：其中，i＝1，2。