CN105184077B - 过近距离下共振电能传输系统效率寻优粒子群指数方法 - Google Patents

Abstract

本发明公开了一种过近距离下共振电能传输系统效率寻优粒子群指数方法，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，其中粒子群规模总体的减小方式类似于指数型变化的曲线，本发明算法能够使搜索时间减小。

Description

过近距离下共振电能传输系统效率寻优粒子群指数方法

技术领域

本发明涉及磁耦合无线电能传输技术领域，特别是涉及耦合谐振式电能传输系统在近场区域效率的寻找方法领域，具体为一种过近距离下共振电能传输系统效率寻优离子群指数方法。

背景技术

非接触电能传输技术作为新的电能储存和传输技术越来越受到国内外研究人员的关注，在工业领域具有广泛的应用前景，电磁耦合共振实现了电能传输方式的突破。该技术激发了业界极大地兴趣，成为国内外研究的热点。对于一个系统，当收发线圈过近距离下传输电能，磁耦合无线电能传输系统传输效率会出现频率分裂现象，这就使得一般算法(爬山算法，模拟退火算法等)无法应用到磁耦合共振式无线电能传输系统。怎样找到系统效率传输最优值，并找到在系统最大传输效率时系统激励频率是当前迫切需要解决的问题。粒子群算法多应用于多峰值函数中最优值的寻找，它能够快速找到最优值，但是针对于磁耦合无线电能出输系统来说，由于磁耦合无线电能传输系统本身特点，使一般粒子群算法运行时间耗时较长；而对于算法本身来说，粒子规模设置的过大会导致算法进行多余的计算，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，一般粒子群规模设在20-40之间，但其粒子规模的精确选取却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。针对以上情况，急需找到一种针对过近距离下磁耦合无线电能传输系统效率的寻优算法。因此，如何设计一种算法使算法迅速找到过近距离下共振电能传输系统的最大效率以及相应的频率点是必须的。本发明旨在提供一种可以快速精确的找到系统传输效率最优值以及其对应的频率的算法。

发明内容

本发明解决的技术问题是提供了一种过近距离下共振电能传输系统效率寻优离子群指数方法，该方法先根据发射和接收线圈之间的互感，确定适应度函数，然后令粒子规模设定为最大规模和最小规模，使粒子规模从最大规模减到最小规模，解决了粒子群选取过程中，粒子规模选取不精确的问题。

本发明为解决上述技术问题采用如下技术方案，过近距离下共振电能传输系统效率寻优粒子群指数方法，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沿着指数曲线的方式逐渐减小，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，随机初始化粒子的速度v和粒子的位置；

(2)、初始化粒子群规模Nmax为30，并设定最小粒子群规模Nmin＝2，初始化迭代次数t＝1；

(4)、设定算法初始化个体极值f_i-best＝0和全局极值f_i-gbest＝0，个体极值用f_i-best表示，所代表的含义是第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，全局极值用f_i-gbest表示，所代表的含义是截止到第t次迭代时，全部粒子搜索到的最优适应度函数值，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；

(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，判断方差是否小于某一精度值ε或者粒子群算法是否达到最大迭代次数，ε根据寻优对象确定，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到最优频率值，即粒子适应度值为全局最优值f_i-gbest的粒子位置p_g；

(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)。

本发明算法先根据发射和接收线圈之间的互感，确定适应度函数，然后令粒子规模设定为最大规模和最小规模，使粒子规模从最大规模减到最小规模，解决了粒子群选取过程中，粒子规模选取不精确的问题；且本算法中粒子群规模总体趋势随迭代次数增加按类似于指数型曲线方式减小，整个过程为在搜索前期，粒子群规模减小速度较慢，有利于全局搜索，在搜索中期，粒子群规模变化程度加快，精简算法，在搜索后期，粒子群规模变为最小，算法能够快速收敛，解决了磁耦合无线电能传输系统中传统粒子群算法在寻优过程耗时太长的问题。在系统传输距离改变的情况下，算法会进行重启，使系统传输效率能够时刻保持在最大点处。

附图说明

图1为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发明的具体内容。本发明主要是针对过近距离下共振电能传输系统，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。粒子群优化算法流程见图1，过近距离下共振电能传输系统效率寻优粒子群指数方法，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，随机初始化粒子的速度v和粒子的位置；

(2)、初始化粒子群规模Nmax为30，并设定最小粒子群规模Nmin＝2，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；

(4)、设定算法初始化个体极值f_i-best＝0和全局极值f_i-gbest＝0，个体极值用f_i-best表示，所代表的含义是第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，全局极值用f_i-gbest表示，所代表的含义是截止到第t次迭代时，全部粒子搜索到的最优适应度函数值，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；

(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。判断方差是否小于某一精度值ε或者算法是否达到最大迭代次数，ε根据寻优对象确定，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到最优频率值，即粒子适应度值为全局最优值f_i-gbest的粒子位置p_g；

(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算法寻优结果的仿真图，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，其中算法用时9.964000秒，所搜索效率最大值为0.93778，效率最大值所对应的频率为13872937.4085Hz。

图3为本发明算法所寻优结果图，本算法用时为4.300000秒，比普通算法节约5.5664秒。

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.过近距离下共振电能传输系统效率寻优粒子群指数方法，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沿着指数曲线的方式逐渐减小，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，随机初始化粒子的速度v和粒子的位置；

(2)、初始化粒子群规模Nmax为30，并设定最小粒子群规模Nmin＝2，初始化迭代次数t＝1；

(3)、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，其中适应度函数值f_i根据适应度函数计算得到，式中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)、设定算法初始化个体极值f_i-best＝0和全局极值f_i-gbest＝0，个体极值用f_i-best表示，所代表的含义是第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，全局极值用f_i-gbest表示，所代表的含义是截止到第t次迭代时，全部粒子搜索到的最优适应度函数值，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)、用公式生成下一代粒子种群，其中Npresent为粒子群当前规模，Nmax为最大粒子群规模，t为当前迭代次数，n为控制粒子群规模变化规律的幂指数，通过参数n可调节粒子群规模变化的快慢程度，按公式和公式更新下一代粒子种群每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[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，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，判断方差是否小于某一精度值ε或者粒子群算法是否达到最大迭代次数，ε根据寻优对象确定，如果否，则转向步骤(3)，如果是则转向步骤(7)；

(7)、输出搜索到最优频率值，即粒子适应度值为全局最优值f_i-gbest的粒子位置p_g；

(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)。