CN105184361B - 电动汽车磁耦合无线充电***的最大效率跟踪方法 - Google Patents

Abstract

本发明公开了一种电动汽车磁耦合无线充电***的最大效率跟踪方法，首先通过初始电源激励频率推导出发射和接收线圈之间的互感，将适应度函数变为只与频率有关的函数；将一般粒子群算法中的粒子群规模分开设定，分别为最大粒子群规模Nmax=30和最小粒子群规模Nmin=2，粒子群规模随着迭代次数增加而逐渐减小。本粒子群算法减去冗余粒子，改变粒子群规模，精简算法，加快了算法收敛速度。本发明粒子群算法不但使得粒子规模选取有据可依，且算法在搜索前期具有较大自我学习能力和社会学习能力，在搜索后期，加快收敛速度，算法搜索时间减小。

Description

电动汽车磁耦合无线充电***的最大效率跟踪方法

技术领域

本发明涉及电动汽车磁耦合无线充电***最大效率寻找方法技术领域，特别是磁耦合共振无线电能传输***中***传输效率的搜索技术领域，具体涉及一种电动汽车磁耦合无线充电***的最大效率跟踪方法。

背景技术

电动汽车的充电一直是研究的热点，随着电动汽车的发展，便捷多样的充电方式越来越受欢迎。而无线充电技术使用方便、安全，设备积尘较少，且无接触损耗等问题，因此在无线充电技术在电动汽车领域受到越来越多的关注。无线电能传输方式主要有3种：第一种是电磁感应式；第二种是微波射频式；第三种磁耦合共振式。第三种其基本思想基于磁耦合共振原理实现：当电源激励频率达到一定值时，整个***处于共振状态，此时能够实现无线高效能能量传输。磁耦合共振式无线电能传输方式有传输距离远，传输功率大的优点，但该技术还在起步阶段。

找到***效率传输最优值，并找到在***最大传输效率时***的激励频率是当前研究的热点。粒子群算法在多峰函数值的寻找中具有优势，但是针对于磁耦合无线电能出输***来说，其***效率函数会出现单个或两个极值点，当出现单个极值点情况，用基本粒子群算法对其搜索时，算法搜索后期会出现短暂停滞现象；对于算法本身来说，粒子规模过大会导致算法进行多余的计算，占用计算时间，而较小的规模则导致粒子直接错过全局最优值，甚至找不到极值点。通过检索文献可知，一般粒子规模设在20-40之间，但粒子规模的精确选取一直以来都是根据个人在解决问题时不停地尝试试验出来的，非常盲目。所以针对以上情况，急需找到一种针对磁耦合无线电能传输***本身特点的算法，解决***最优的效率寻找问题。如何针对于磁耦合无线供电***中设计一种算法来迅速找到***最大效率以及相应的频率点是亟待解决的问题。

发明内容

本发明解决的技术问题是提供了一种电动汽车磁耦合无线充电***的最大效率跟踪方法，该算法采用的适应度函数随着发射和接收线圈之间互感的不同而改变的，在算法开始搜索前先确定了发射线圈和接收线圈之间的互感，使得适应度函数变为只与激励频率有关的函数，然后用粒子群算法进行寻优计算。

本发明为解决上述技术问题采用如下技术方案，1、电动汽车磁耦合无线充电***的最大效率跟踪方法，其特征在于：将一般粒子群算法中的粒子群规模分开设定，分别为最大粒子群规模Nmax＝30和最小粒子群规模Nmin＝2，粒子群规模随着迭代次数增加而逐渐减小，其具体实施步骤为：

(1)、初始化算法，包括设定粒子种群维数D，最大迭代次数MaxNum，同时限定粒子最大速度v_max，初始化惯性权重w；

(2)、直接设定粒子群最大规模Nmax为30和粒子群最小规模Nmin为2，随机初始化粒子的速度v和粒子的位置，设定初始粒子群规模为最大规模Nmax＝30，初始化迭代次数t＝1；

(3)、采用适应度函数计算当前种群每个粒子的适应度函数值f_i，f_i表示第i个粒子的适应度函数值，其中 ω＝2πf_r，f_r为当前激励频率，ω为激励电源的角频率，M为发射和接收线圈之间的互感，L₁，L₂为发射线圈和接收线圈电感，C₁，C₂为电容，R_s为电源内阻，R_L为负载电阻，R₁，R₂为回路中电阻；

(4)、用f_i-best表示第i个粒子截止到第t次迭代时搜寻到的最优适应度函数值，用f_i-gbest表示截止到第t次迭代时，全部粒子搜索到的最优适应度函数值，在粒子群算法开始迭代之前，设定f_i-best＝0，f_i-gbest＝0，将步骤(3)中得到的粒子适应度函数值f_i和个体极值f_i-best及全局极值f_i-gbest相比较，如果f_i≤f_i-best，那么f_i-best＝f_i，p_i＝x_i，p_i表示适应度函数值为f_i-best的粒子位置，x_i是所对适应度函数值为f_i粒子的位置，如果f_i≤f_i-gbest，那么f_i-gbest＝f_i，p_g＝x_i，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置；

(5)、按公式N_present＝N max-(N max-N min)*t/(MaxNum)更新粒子群规模，其中Npresent为粒子群当前规模，Nmax为最大粒子群规模，Nmin为最小粒子群规模，MaxNum为最大迭代次数，t为当前迭代次数，按公式和公式更新各个粒子的速度和位置，然后令迭代次数t＝t+1，转向步骤(6)，其中v_i ^t+1代表t+1次迭代第i个粒子的速度，v_i ^t代表当前第t次迭代第i个粒子的速度，c₁和c₂代表学习因子，rand代表[01]之间的随机数，p_i表示适应度函数值为f_i-best的粒子位置，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，x_i ^t+1代表t+1次迭代第i个粒子位置，x_i ^t代表第t次迭代第i个粒子当前位置，w代表惯性权重；

(6)、根据公式计算粒子适应度函数值的方差之和，f_avg为全部粒子适应度函数值的平均值，其中如果有(f_i-f_avg)>1，则a＝max(f_i-f_avg)，否则，a＝1，判断方差是否等于0或者粒子群算法是否达到最大迭代次数，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到的全局最优值p_g，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，即搜索到的最优值对应的频率值；

(8)、用电流传感器检测负载电流i₂的峰值，设Δ为设定的最大电流峰值波动范围，i_2max为所检测的负载电流峰值，i_2max(k)为负载的第k个电流周期电流峰值，i_2max(k+1)为负载的第k+1个电流周期的电流峰值，判断|i_2max(k+1)|-|i_2max(k)|>Δ是否成立，如果判断结果为是，则转向步骤(1)，算法重启，如果判断结果为否，算法转向步骤(7)。

本发明方法使粒子规模随迭代次数增加逐渐减小，在算法开始前期，粒子群规模设定较大值，使得算法进行全局搜索，不会漏掉全局最优值，在算法搜索后期，若是一般粒子群算法会出现短暂停滞现象，而此时，本算法因为精简了粒子群规模，除去了冗余粒子，就使得算法在后期不会出现短暂停滞现象，并且收敛速度加快，减少算法搜索时间；且通过检索文献发现，粒子群规模一般设在20-40之间，但粒子规模精确选取不确定，而是根据个人经验设定。本算法设定粒子最大规模和最小规模，使粒子规模随迭代次数的增加逐渐由最大规模Nmax＝30减小到最小规模Nmin＝2，解决了算法规模选取不精确的问题。另外，本发明算法采用的适应度函数随着发射和接收线圈之间互感的不同而改变的，在算法开始搜索前先确定了发射线圈和接收线圈之间的互感，使得适应度函数变为只与激励频率有关的函数，然后用粒子群算法进行寻优计算。另外，本算法设定负载电流是否变化作为重启条件，并且当检测电流发生变化时，算法开始重启，重新搜索***传输效率的最大值对应的频率。

附图说明

图1本发明粒子群优化算法流程图；

图2为一般粒子群算法寻优结果仿真图；

图3为本发明粒子群优化算法寻优结果仿真图；

图4为粒子群规模随迭代次数增加减小图。

具体实施方法

结合附图详细描述本实用新型的具体内容。本发明主要是针对磁耦合无线电能传输***，运用改进型粒子群算法，使粒子规模减小，算法能够快速找到效率最大点以及其相应频率。以下通过特定的具体实例说明并用Matlab仿真。粒子群算法流程请见图1，电动汽车磁耦合无线充电***的最大效率跟踪方法，其包括以下步骤：

(1)、初始化算法，包括设定粒子种群维数D＝1，最大迭代次数MaxNum＝200，同时限定粒子最大速度v_max，初始化惯性权重w；

(2)、直接设定粒子群最大规模Nmax为30和粒子群最小规模Nmin为2，随机初始化粒子的速度v和粒子的位置。设定初始粒子群规模为最大规模Nmax＝30，初始化迭代次数t＝1，目前，粒子群规模的设定没有统一的规则，通常根据寻优对象和个人经验进行设定。本算法只需直接设定粒子群最大规模为Nmax＝30，即能解决谐振式电能发送装置效率寻优的各种情况。算法中设定最小规模，使粒子群规模随迭代次数的增加逐渐由最大规模Nmax减小到最小规模Nmin即可，本算法中Nmin＝2；

(3)、采用适应度函数计算当前种群每个粒子的适应度函数值f_i，f_i表示第i个粒子的适应度函数值，其中 ω＝2πf_r，f_r当前激励频率，ω为激励电源的角频率，M为发射和接收线圈之间的互感，L₁，L₂为发射线圈和接收线圈电感，C₁，C₂为电容，R_s为电源内阻，R_L为负载电阻，R₁，R₂为回路中电阻。本算法先由当前激励频率f_r和方程组推导出发射和接收线圈之间的互感M，然后再推导出适应度函数，本算法采用的适应度函数是效率与互感M的函数。所示方程组可根据基本电路定理对整个***进行分析推导出来。其中代表线圈L₁的电压，为输入电流，负载电流，本算法采用的适应度函数是效率与互感M的函数，所以当两线圈之间的距离变化，导致M也会变化时，适应度函数也会发生变化，这时根据当前电压激励频率以及方程组可求出M,进一步确定***当前距离下的适应度函数；

(4)、用f_i-best表示第i个粒子截止到第t次迭代时搜寻到的最优适应度函数值，用f_i-gbest表示截止到第t次迭代时，全部粒子搜索到的最优适应度函数值。在算法开始迭代之前，设定f_i-best＝0，f_i-gbest＝0，将步骤(3)中得到的粒子适应度函数值f_i和个体极值f_i-best及全局极值f_i-gbest相比较，如果f_i≤f_i-best，那么f_i-best＝f_i，p_i＝x_i；p_i表示适应度函数值为f_i-best的粒子位置，x_i是所对适应度函数值为f_i粒子的位置，如果f_i≤f_i-gbest，那么f_i-gbest＝f_i，p_g＝x_i；p_g是粒子种群中全局最优值为f_i-gbest的粒子位置；

(5)、按公式N_present＝N max-(N max-N min)*t/(MaxNum)更新粒子群规模，其中Npresent为粒子群当前规模，Nmax为最大粒子群规模，MaxNum为最大迭代次数，t为当前迭代次数，按公式和公式更新各个粒子的速度和位置，然后令迭代次数t＝t+1，转向步骤(6)，其中v_i ^t+1代表t+1次迭代第i个粒子的速度，v_i ^t代表当前第t次迭代第i个粒子的速度，c₁和c₂代表学习因子，本次设c₁＝2，c₂＝2，rand代表[01]之间的随机数。p_i表示适应度函数值为f_i-best的粒子位置，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，x_i ^t+1代表t+1次迭代第i个粒子位置，x_i ^t代表第t次迭代第i个粒子当前位置，w代表惯性权重。最初设定粒子群规模为30，能够解决现有技术中粒子群规模选取不足而导致算法错过全局最优值的情况，随着算法的运行，粒子规模的设定对算法收敛的影响越来越大，采用粒子规模随着迭代次数增加而逐渐减小的方式，粒子群规模得到了精简，减去冗余粒子，使得粒子群算法在搜索后期加速收敛，提高了算法的运行速度；

(6)、根据公式计算粒子适应度函数值的方差之和，f_avg为全部粒子适应度函数值的平均值，其中如果有(f_i-f_avg)>1，则a＝max(f_i-f_avg)，否则，a＝1。判断方差是否等于0或者算法是否达到最大迭代次数，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到的全局最优值p_g，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，即搜索到的最优值对应的频率值；

(8)、用电流传感器检测负载电流i₂的峰值，设Δ为设定的最大电流峰值波动范围，i_2max为所检测的负载电流峰值，i_2max(k)为负载的第k个电流周期电流峰值，i_2max(k+1)为负载的第k+1个电流周期的电流峰值，判断|i_2max(k+1)|-|i_2max(k)|>Δ是否成立，如果判断结果为是，则转向步骤(1)，算法重启；如果判断结果为否，算法转向步骤(7)。

为了能够很清楚的了解本算法的优势，分别在图2和图3中给出了一般粒子群算法和本发明粒子群优化算法寻优结果仿真图，图4为粒子群规模随迭代次数增加减小图。

图2一般粒子群算法寻优结果图，图中曲线是磁耦合无线电能传输***效率与频率的函数图像，图中五角星为所搜寻到的最优值。其中算法用时10.265秒，所搜索效率最大值为0.70011，效率最大值所对应的频率点为13544961.6816Hz。

图3为本发明粒子群优化算法寻优结果图，其参数设置和一般粒子群算法相同，由结果可以看出，在寻优精度相同的情况下，本粒子群优化算法所耗时间比一般算法减少了40％，具有一定的优势。

图4表示本算法粒子群规模随着迭代次数增加逐渐减小的过程。

以上实施例描述了本发明的基本原理、主要特征及优点，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说明本发明的原理，在不脱离本发明原理的范围下，本发明还会有各种变化和改进，这些变化和改进均落入本发明保护的范围内。

Claims (1)

1.电动汽车磁耦合无线充电***的最大效率跟踪方法，其特征在于：将一般粒子群算法中的粒子群规模分开设定，分别为最大粒子群规模Nmax＝30和最小粒子群规模Nmin＝2，粒子群规模随着迭代次数增加而逐渐减小，其具体实施步骤为：

(1)、初始化算法，包括设定粒子种群维数D，最大迭代次数MaxNum，同时限定粒子最大速度v_max，初始化惯性权重w；

(2)、直接设定粒子群最大规模Nmax为30和粒子群最小规模Nmin为2，随机初始化粒子的速度v和粒子的位置，设定初始粒子群规模为最大规模Nmax＝30，初始化迭代次数t＝1；

(3)、采用适应度函数计算当前种群每个粒子的适应度函数值f_i，f_i表示第i个粒子的适应度函数值，其中 ω＝2πf_r，f_r为当前激励频率，ω为激励电源的角频率，M为发射和接收线圈之间的互感，L₁，L₂为发射线圈和接收线圈电感，C₁，C₂为电容，R_s为电源内阻，R_L为负载电阻，R₁，R₂为回路中电阻；

(4)、用f_i-best表示第i个粒子截止到第t次迭代时搜寻到的最优适应度函数值，用f_i-gbest表示截止到第t次迭代时，全部粒子搜索到的最优适应度函数值，在粒子群算法开始迭代之前，设定f_i-best＝0，f_i-gbest＝0，将步骤(3)中得到的粒子适应度函数值f_i和个体极值f_i-best及全局极值f_i-gbest相比较，如果f_i≤f_i-best，那么f_i-best＝f_i，p_i＝x_i，p_i表示适应度函数值为f_i-best的粒子位置，x_i是所对适应度函数值为f_i粒子的位置，如果f_i≤f_i-gbest，那么f_i-gbest＝f_i，p_g＝x_i，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置；

(5)、按公式N_present＝Nmax-(Nmax-Nmin)*t/(MaxNum)更新粒子群规模，其中Npresent为粒子群当前规模，Nmax为最大粒子群规模，Nmin为最小粒子群规模，MaxNum为最大迭代次数，t为当前迭代次数，按公式 和公式更新各个粒子的速度和位置，然后令迭代次数t＝t+1，转向步骤(6)，其中代表t+1次迭代第i个粒子的速度，代表当前第t次迭代第i个粒子的速度，c₁和c₂代表学习因子，rand代表[0，1]之间的随机数，p_i表示适应度函数值为f_i-best的粒子位置，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，代表t+1次迭代第i个粒子位置，代表第t次迭代第i个粒子当前位置， w代表惯性权重；

(6)、根据公式计算粒子适应度函数值的方差之和，f_avg为全部粒子适应度函数值的平均值，其中如果有(f_i-f_avg)>1，则a＝max(f_i-f_avg)，否则，a＝1，判断方差是否等于0或者粒子群算法是否达到最大迭代次数，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到的全局最优值p_g，p_g是粒子种群中全局最优值为f_i-gbest的粒子位置，即搜索到的最优值对应的频率值；

(8)、用电流传感器检测负载电流i₂的峰值，设Δ为设定的最大电流峰值波动范围，i_2max为所检测的负载电流峰值，i_2max(k)为负载的第k个电流周期电流峰值，i_2max(k+1)为负载的第k+1个电流周期的电流峰值，判断|i_2max(k+1)|-|i_2max(k)|>Δ是否成立，如果判断结果为是，则转向步骤(1)，算法重启，如果判断结果为否，算法转向步骤(7)。