一种用于EVs无线充电的基于两层粒子群算法的优化方法

本发明涉及电动汽车(evs)无线充电，尤其涉及一种用于evs无线充电的基于两层粒子群算法的优化方法。

背景技术：

1、随着科技的发展，电动汽车越来越多地出现在人们的视野中，给人们的生活带来了极大的便利。然而，通过电线或插座的传统输电方式已经无法适应电动汽车的快速发展。无线电力传输作为一种新型的电力传输技术，具有很强的环境适应能力，展现出传统供电方式所不具备的独特优势，为设备供电提供了便利，极大地降低了传输过程中可能存在的安全风险。无线电力传输技术已经被广泛应用于水下应用、电动汽车、医疗等领域。但是，在无线电力传输领域仍存在挑战。

2、在以往的研究中，不能很好地平衡最大功率传输效率和最优控制性能。传输效率低下会导致充电慢、充电设备过热甚至是损坏设备，控制性能差会导致无线电力传输系统抗干扰能力差，输出功率不稳定等，同样会对充电过程和设备产生不良影响。

3、鉴于此，有必要设计一种兼顾效率与控制性能的优化方法，提高无线充电系统的效率，改善控制性能，进而改善电动汽车的充电性能。

技术实现思路

1、发明目的：为了克服现有技术中存在的不足，本发明提供一种兼顾效率与控制性能的优化方法，提高无线充电系统的效率，改善控制性能，进而改善电动汽车的充电性能的基于两层粒子群算法的优化方法；

2、为实现上述目的，本发明采用的技术方案为：一种用于evs无线充电的基于两层粒子群算法的优化方法，其特征在于，包括如下步骤：

3、步骤1：设置第一层粒子群算法的参数，并在解空间中随机生成粒子；

4、步骤2、根据，，得到互感和电感、的值，利用互感和电感、设置仿真环境并运行仿真；

5、步骤3、仿真结束后输出无线电力传输系统的输出电压、电流，输入电压、电流，利用输出电压、电流计算得到系统的输出功率，利用输入电压、电流得到系统的输入功率，根据输出功率和输入功率得到效率，根据效率计算得到适应度值；

6、步骤4、判断是否满足第一层粒子群算法的终止条件；

7、步骤5、若满足第一层粒子群算法的终止条件，则输出最优解即使系统效率最大化的耦合系数，若不满足算法终止条件则：①更新个体极值和全局极值，②更新粒子的速度属性和位置属性，③当前迭代次数加一，④返回步骤2，继续迭代；

8、步骤6、根据计算得到、和，并利用、和设置仿真环境；

9、步骤7、设置第二层粒子群算法的参数并在解空间中随机生成粒子<msub><mi>y</mi><mi>i</mi></msub><mi>=[</mi><msub><mi>α</mi><mi>i</mi></msub><mi>,</mi><msub><mi>h</mi><mi>i</mi></msub><mi>]</mi>，其中为滑模系数，为滞环带宽度；

10、步骤8、使用粒子设置基于算子的控制系统并运行仿真,仿真结束后记录输出电压、buck电路的电感电流和开关状态，并利用记录的数据计算评价控制性能的指标：建立时间（st）、稳态误差（sse）、过冲（ov）和开关波动（sw），然后根据各项指标计算得到适应度值；

11、步骤9、判断是否满足第二层粒子群算法的终止条件；

12、步骤10、若满足第二层粒子群算法的终止条件，则输出最优解即使控制性能最优的控制器参数<mi>[</mi><msub><mi>α</mi><mi>best</mi></msub><mi>,</mi><msub><mi>h</mi><mi>best</mi></msub><mi>]</mi>，若不满足算法终止条件则：①更新个体极值和全局极值，②更新粒子的速度属性和位置属性，③当前迭代次数加一，④返回步骤8，继续迭代。

13、作为本发明的一种优选实施方式：所述步骤1中，粒子群算法的参数包括最大迭代次数，种群大小，加速度系数，惯性因子如公式(1)所示，耦合系数的优化范围分别为<mi>[</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>-</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆-</mi><mrow><msub><mi>k</mi><mi>cal</mi></msub><mi>-</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆</mi></mrow></mfenced><mi>×30%,</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>-</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆+</mi><mrow><msub><mi>k</mi><mi>cal</mi></msub><mi>-</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆</mi></mrow></mfenced><mi>×30%]</mi>，<mi>[</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>+</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆-</mi><mrow><msub><mi>k</mi><mi>cal</mi></msub><mi>+</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆</mi></mrow></mfenced><mi>×30%,</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>+</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆+</mi><mrow><msub><mi>k</mi><mi>cal</mi></msub><mi>+</mi><msub><mi>k</mi><mi>cal</mi></msub><mi>×∆</mi></mrow></mfenced><mi>×30%]</mi>，第一组范围模拟不确定性出现在计算值负方向，第二组范围模拟不确定性出现在计算值正方向，其中，，；

14、(1)；

15、其中，公式(1)中是当前迭代次数，，，。

16、作为本发明的一种优选实施方式：所述步骤2中，互感电感和如下：

17、 (2)；

18、    (3)；

19、其中，发射线圈，接收线圈。

20、作为本发明的一种优选实施方式：所述步骤3中，输入功率、输出功率、效率以及适应度函数如下：

21、 (4)；

22、    (5)；

23、其中，公式(4)中和是系统输入端的电压和电流，和是系统输出端的电压和电流。

24、作为本发明的一种优选实施方式：所述步骤4中，两层粒子群算法的终止条件为：

25、（1）相邻两次迭代粒子的平均适应度值小于0.005，公式如下；

26、 (6)；

27、（2）当前迭代适应度值的标准差小于0.01，公式如下；

28、       (7)；

29、其中，公式(6)中是个粒子适应度的平均值，公式(7)中，是种群大小，是第个粒子的适应度值，是个粒子的平均适应度。

30、作为本发明的一种优选实施方式：所述步骤5中，个体极值、全局极值的更新方式如公式(8)、(9)所示，速度和位置的更新公式如公式(10)、(11)所示：

31、             (8)；

32、    (9)；

33、(10)；

34、 (11)；

35、其中，是第个粒子的个体极值，是全局极值，是第个粒子速度属性的第维，、是0到1范围内生成的随机数。

36、作为本发明的一种优选实施方式：所述步骤7中，滑模面和控制率的设计如下：

37、 (12)；

38、           (13)；

39、其中，为输出电压的参考值，和的优化范围分别为<mi>[30 130]</mi>和<mi>[0.02 1.02]</mi>。

40、作为本发明的一种优选实施方式：所述步骤8中，指标st、sse、sw的计算如下：

41、                    (14)；

42、          (15)；

43、                       (16)；

44、其中，是输出电压建立时刻，=0是仿真开始时刻，为测量指标的起始时刻，为测量指标的结束时刻（仿真结束时刻），为开关波动次数；

45、适应度函数如下：

46、  (17)；

47、-表示指标-的惩罚因子。

48、本发明相比现有技术，具有以下有益效果：

49、其一：本发明考虑系统的不确定性，通过设定偏差的方式模拟实际环境中的不确定因素。然后，通过提出的两层粒子群算法中的第一层找到系统的最大效率点，提高了无线电力传输系统的整体效率（减少了电动汽车的充电时间，减少了转换的热量，提高了充电安全性）。

50、其二：本发明综合考虑多个控制性能，通过适应度函数将其联系在一起，并通过给适应度函数中的每一项指标附加惩罚因子的方式确定其对适应度值的影响。通过使用所提出的两层粒子群算法中的第二层找到多个控制性能的平衡点，提高基于算子的控制系统的控制性能，从而改善充电性能。

51、其三：本发明同时考虑了最大效率与最优控制性能，所提出的两层粒子群算法中的第一层保证了系统效率的最大化（即使存在不确定项），第二层保证了基于算子的控制系统的控制性能，使电动汽车获得最优的充电性能。