CN111181215A - 基于粒子群优化算法的电能调控充电系统及其操作方法 - Google Patents

基于粒子群优化算法的电能调控充电系统及其操作方法 Download PDF

Info

Publication number
CN111181215A
CN111181215A CN202010063451.5A CN202010063451A CN111181215A CN 111181215 A CN111181215 A CN 111181215A CN 202010063451 A CN202010063451 A CN 202010063451A CN 111181215 A CN111181215 A CN 111181215A
Authority
CN
China
Prior art keywords
module
electric energy
particle swarm
power
particle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010063451.5A
Other languages
English (en)
Other versions
CN111181215B (zh
Inventor
朱爽鑫
田恩刚
魏斌
汤振辉
颜文彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010063451.5A priority Critical patent/CN111181215B/zh
Publication of CN111181215A publication Critical patent/CN111181215A/zh
Application granted granted Critical
Publication of CN111181215B publication Critical patent/CN111181215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/10—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling
    • H02J50/12—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling of the resonant type
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于粒子群优化算法的电能调控充电系统及其操作方法，该系统包括：分布式电源模块、电能变换器模块、常规负荷模块、蓄电池阵列模块、无线充电模块、电压电流检测模块、定位模块、无线通信模块、数据处理器模块、控制器模块。本发明所提出的操作方法不仅能够根据电力系统的电能变化情况实现电力系统能源侧与负荷侧之间的电能互补，还能保证分拣机器人在不影响电力系统功率平衡的情况下实现自主充电，从而减少电力系统的功率损耗。

Description

基于粒子群优化算法的电能调控充电系统及其操作方法
技术领域
本发明涉及充电技术领域，尤其涉及一种基于粒子群优化算法的电能调控充电系统及其操作方法。
背景技术
随着人们对生活需求的逐步提高和科学技术的不断更迭，电子商务因其便利的消费方式和个性化的消费体验而备受消费者的青睐，并促进快递行业的快速发展。随着快递业务量的急剧增长，需采用分拣机器人代替人工并对大量快递件进行高效、准确地分拣和运输来满足人们对快递行业的服务质量需求，无人分拣中心便由此应运而生。
为提高快递的分拣效率，需保证无人分拣中心的分拣机器人长期处于工作状态，因此需通过无线充电系统来随时补充机器人的动力能源。考虑到无线充电系统在电能传输过程中极易受参数摄动和外部扰动等不确定性因素的影响，因此分拣机器人的充电负荷很难确定。由于分拣机器人充电负荷的不确定性极易引发电网的功率失衡，因此，无人分拣中心急需一种基于粒子群优化算法的电能调控充电系统来降低充电负荷对电网功率平衡的影响。
发明内容
本发明主要是解决现有充电领域中所存在的技术问题，从而提供一种基于粒子群优化算法的电能调控充电系统及其操作方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
本发明提供的基于粒子群优化算法的电能调控充电系统，其包括：分布式电源模块、电能变换器模块、常规负荷模块、蓄电池阵列模块、无线充电模块、电压电流检测模块、定位模块、无线通信模块、数据处理器模块、控制器模块；
所述分布式电源模块与电能变换器模块相连接；所述电能变换器模块分别与常规负荷模块和蓄电池阵列模块相连接；蓄电池阵列模块与无线充电模块相连接；
所述电压电流检测模块分别与分布式电源模块、常规负荷模块、蓄电池阵列模块和无线充电模块相连接；
所述定位模块与无线充电模块相连接；
所述控制器模块分别与电能变换器模块和无线充电模块相连接；
所述无线通信模块分别与电压电流检测模块、定位模块、数据处理器模块和控制器模块相连接。
进一步地，所述电能变换器模块包括单向电能变换器和双向电能变换器，其中，单向电能变换器与常规负荷模块相连接，所述双向电能变换器与所述蓄电池阵列模块相连接。
进一步地，所述无线充电模块包括无线发射装置和无线接收装置，所述无线发射装置和无线接收装置通过电磁感应原理实现电能的无线传输，其中，无线接收装置位于待充电设备的底部。
进一步地，所述无线发射装置包括依次连接的高频逆变电路、谐振补偿拓扑和原边耦合线圈；其中，所述高频逆变电路与蓄电池阵列模块相连接，所述原边耦合线圈与定位模块相连接。
进一步地，所述无线接收装置包括依次连接的副边耦合线圈、整流电路和直流电源，其中，所述副边耦合线圈与定位模块相连接，所述直流电源与所述电压电流检测模块相连接。
进一步地，所述控制器模块包括相互连接的电能调控控制模块和充电配置控制模块，其中，电能调控控制模块与所述双向电能变换器和无线通信模块相连接，所述充电配置控制模块与无线接收装置和无线通信模块相连接。
本发明提供的操作上述基于粒子群优化算法的电能调控充电系统的方法，其包括以下步骤：
S1、通过电压电流检测模块和定位模块分别对第一采样单元和第二采样单元进行电压电流数据采样和位置数据采样，然后，将所述电压电流数据和位置数据通过无线通信模块传输到数据处理器模块；
S2、数据处理器模块对电压电流数据和位置数据进行处理，并计算出所述第一采样单元的瞬时功率和第二采样单元的中心位置坐标；
S3、通过电能调控控制模块对蓄电池阵列模块的最优瞬时功率进行预测；
S4、通过电能调控控制模块控制双向电能变换器，并使蓄电池阵列模块的瞬时功率达到最优瞬时功率；
S5、确定蓄电池阵列模块的瞬时功率与最优瞬时功率是否一致；若否，则返回步骤S4，若是，则确定待充电设备的充电顺序；
S6、按照待充电设备的充电顺序实现电能的无线传输。
进一步地，所述步骤S1中，所述第一采样单元为分布式电源模块、常规负荷模块、蓄电池阵列模块以及无线接收装置中直流电源；所述第二采样单元为无线充电模块中的原边耦合线圈和副边耦合线圈。
进一步地，所述步骤S2包括：
S21、计算出分布式电源模块、常规负荷模块、蓄电池阵列模块以及直流电源的瞬时功率，并分别记为Ps、Pl、Pc和Po，同时，将原边耦合线圈和副边耦合线圈的中心位置坐标记为(xp,yp)和(xs,ys)，
S22、将第一采样单元的瞬时功率和第二采样单元的中心位置坐标以数组的形式进行存储。
进一步地，所述步骤S3包括：通过无线通信模块将分布式电源模块、常规负荷模块、蓄电池阵列模块的瞬时功率传输到电能调控控制模块，同时，根据电能调控控制模块上安装的粒子群优化算法程序，以电力系统功耗最小为约束条件来预测蓄电池阵列模块的最优瞬时功率。
进一步地，所述粒子群优化算法包括以下步骤：
S31、设置粒子群优化算法的初始化参数；
S32、初始化粒子群的位置和速度；
S33、设置粒子群优化算法的目标函数；
S34、初始化个体及全局最优粒子的位置和目标函数值；
S35、更新粒子群的位置和速度；
S36、对更新后的粒子群位置与速度进行边界处理，使超过边界值的元素取位置与速度的边界值；
S37、根据更新后的粒子群位置与速度来更新个体、集体最优粒子位置以及个体、集体最优粒子目标函数值，经过多次迭代后得到的集体最优粒子位置gbest(n,d)即为蓄电池阵列模块的最优瞬时功率Pcz。
进一步地，所述步骤S31中的初始化参数包括：
通过读取蓄电池阵列模块的瞬时功率数组的长度得到粒子维度D；
种群规模N、迭代次数T的初始值设为100；
蓄电池阵列模块的瞬时功率P，其中，Pmin＝-(Ps-Pl)/2D，Pmax＝(Ps-Pl)/2D；
迭代变化速度V，Vmin＝-(Ps-Pl)/D；Vmax＝(Ps-Pl)/D；
个体学习因子c1，集体学习因子c2的初始值均为2；
惯性权重ω＝1；
其中，Ps为分布式电源模块的瞬时功率；Pl为常规负荷模块的瞬时功率。
进一步地，所述步骤S32包括：
S321、根据公式(1)确定粒子群中每一个粒子的初始位置，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popx(n,d)＝rand(N,D)×(Pmax-Pmin)+Pmin (1)
S322、根据公式(2)确定粒子群中每一个粒子的初始速度，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popv(n,d)＝rand(N,D)×(Vmax-Vmin)+Vmin (2)
进一步地，所述步骤S33中：粒子群优化算法的目标函数的表达式见公式(3)：
Figure BDA0002375227400000041
式中，Ps为分布式电源模块的瞬时功率；Pl为常规负荷模块的瞬时功率；popx(n,d)为粒子群中每一个粒子的初始位置。
进一步地，所述步骤S34中：
个体最优粒子位置的初始值即为粒子群的初始位置，并记为pbest(n,d)；
个体最优粒子目标函数值可通过公式(3)所示的目标函数得到,并记为pbestvalue；
全局最优粒子目标函数值即为个体最优粒子目标函数值的最小值,并记为gbestvalue；
全局最优粒子位置即为全局最优粒子目标函数值对应的初始位置，并记为gbest(n,d)。
进一步地，所述步骤S35包括：
S351、根据公式(4)更新粒子群中每一个粒子的速度：
popv(n，d)＝ω·popv(n，d)+c1·rand·(pbest(n，d)-popx(n，d)) (4)
+c2·rand·(gbest(n，d)-popx(n，d))
式中，ω为惯性权重；popv(n,d)为粒子群中每一个粒子的初始速度；c1为个体学习因子，c2为集体学习因子。
S352、根据公式(4)和公式(5)更新粒子群中每一个粒子的位置：
popx(n,d)＝popx(n,d)+popv(n,d) (5)
进一步地，所述步骤S4包括：
S41、电能调控控制模块通过比较蓄电池阵列模块的瞬时功率Pci与最优瞬时功率Pczi两者的瞬时情况产生触发信号；若Pci＜Pczi时，则执行步骤S42；若Pci＞Pczi时，则执行步骤S43；
S42、电能调控控制模块产生高电平触发信号，此时电能将通过双向电能变换器从分布式电源模块传输到蓄电池阵列模块；
S43、电能调控控制模块产生低电平触发信号，此时电能将通过双向电能变换器从蓄电池阵列模块传输到分布式电源模块；
S44、通过Pci与Pczi的差值决定触发信号的持续时间，保证Pci＝Pczi。
进一步地，所述步骤S5中，确定待充电设备的充电顺序包括：首先将直流电源的瞬时功率Po、原边耦合线圈和副边耦合线圈的中心位置坐标(xp,yp)和(xs,ys)，通过无线通信模块传输到充电配置控制模块，然后，采用冒泡排序算法将Po按从小到大的次序排列并以此为依据来确定待充电设备的充电次序，同时，将Po中的Poj值和对应的坐标(xsj,ysj)按次序传输到充电配置控制模块。
进一步地，所述冒泡排序算法包括：
a、根据公式(6)计算待充电第j个待充电设备中的副边耦合线圈中心位置坐标(xsj,ysj)与原边耦合线圈中心位置坐标(xpk,ypk)之间的距离dk：
Figure BDA0002375227400000051
b、根据蓄电池阵列模块的瞬时功率Pck、第j个待充电设备中直流电源的瞬时功率Poj、无线发射装置与无线接收装置中心位置的距离dk以及待充电设备单位距离的功耗Ploss来设置最佳充电配置的目标函数，其表达式见公式(7)
F2(k)＝Pck-Poj-Ploss·dkk＝1,2,3Lm (7)
c、由公式(7)计算得到的最大值即为最优目标函数值F2max，其对应的蓄电池阵列模块及与其连接的无线发射装置即为用于第j个待充电设备充电的最佳选择。
进一步地，所述步骤S6包括：首先数据处理器模块筛选出瞬时功率大于0的蓄电池阵列模块中蓄电池个数m，同时，将蓄电池对应的瞬时功率Pck和与其连接的原边耦合线圈中心位置坐标(xpk,ypk)通过无线通信模块传输到充电配置控制模块，然后，确定最优充电配置的目标函数并以此为依据选择最佳的无线发射装置，使其与位于待充电设备底部的无线接收装置共同构成无线充电模块，实现电能的无线传输。
本发明的有益效果在于：
1)、本发明采用的粒子群优化算法能够根据蓄电池阵列模块中蓄电池个数自动调整该算法的维度，并且，根据该算法得到的蓄电池最优瞬时功率能够根据电力系统的电能变化情况自动平衡能源侧与需求侧的瞬时功率。
2)、本发明通过电能调控控制模块对双向电能变换器的负反馈控制来实现电能的双向传输，这种控制方式不仅为蓄电池阵列模块达到最优瞬时功率提供保障，还能实现电力系统能源侧与负荷侧之间的电能互补，从而减少电力系统的功率损耗。
3)、本发明通过充电配置控制模块实现无线充电模块中无线发射装置与无线接收装置的最优配置，这种控制方式不仅能根据电能的实时变化情况确定分拣机器人的充电次序，而且还能在不影响电力系统功率平衡的情况下实现分拣机器人的自主充电。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于粒子群优化算法的电能调控充电系统的结构框图；
图2是本发明的基于粒子群优化算法的电能调控充电系统的结构示意图；
图3是本发明的基于粒子群优化算法的电能调控充电系统的操作方法的方法流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
参阅图1-2所示，本发明的基于粒子群优化算法的电能调控充电系统，其包括：分布式电源模块1、电能变换器模块2、常规负荷模块3、蓄电池阵列模块4、无线充电模块5、电压电流检测模块6、定位模块7、无线通信模块8、数据处理器模块9、控制器模块10；
分布式电源模块1与电能变换器模块2相连接；电能变换器模块2分别与常规负荷模块3和蓄电池阵列模块4相连接；蓄电池阵列模块4与无线充电模块5相连接；
电压电流检测模块6分别与分布式电源模块1、常规负荷模块3、蓄电池阵列模块4和无线充电模块5相连接；
定位模块7与无线充电模块5相连接；
控制器模块10分别与电能变换器模块2和无线充电模块5相连接；
无线通信模块8分别与电压电流检测模块6、定位模块7、数据处理器模块9和控制器模块10相连接。
本发明中，电能变换器模块2包括单向电能变换器201和双向电能变换器202，其中，单向电能变换器201与常规负荷模块3相连接，双向电能变换器202与蓄电池阵列模块4相连接。
本发明中，无线充电模块5包括无线发射装置501和无线接收装置502，无线发射装置501和无线接收装置502通过电磁感应原理实现电能的无线传输，其中，无线接收装置502位于待充电设备的底部。本发明实施例中，待充电设备为分拣机器人。
具体地，无线发射装置501包括依次连接的高频逆变电路5011、谐振补偿拓扑5012和原边耦合线圈5013；其中，高频逆变电路5011与蓄电池阵列模块4相连接，原边耦合线圈5013与定位模块7相连接。
本发明的无线接收装置502包括依次连接的副边耦合线圈5021、整流电路5022和直流电源5023，其中，副边耦合线圈5021与定位模块7相连接，直流电源5023与电压电流检测模块6相连接。
本发明的控制器模块10包括相互连接的电能调控控制模块1001和充电配置控制模块1002，其中，电能调控控制模块1001与双向电能变换器202和无线通信模块8相连接，充电配置控制模块1002与无线接收装置502和无线通信模块8相连接。
本发明的操作上述基于粒子群优化算法的电能调控充电系统的方法，其包括以下步骤：
S1、通过电压电流检测模块6和定位模块7分别对第一采样单元和第二采样单元进行电压电流数据采样和位置数据采样，然后，将电压电流数据和位置数据通过无线通信模块8传输到数据处理器模块9；具体地，第一采样单元为分布式电源模块1、常规负荷模块3、蓄电池阵列模块4以及无线接收装置502中直流电源5023；第二采样单元为无线充电模块5中的原边耦合线圈5013和副边耦合线圈5021。
S2、数据处理器模块9对电压电流数据和位置数据进行处理，并计算出第一采样单元的瞬时功率和第二采样单元的中心位置坐标；
S3、通过电能调控控制模块1001对蓄电池阵列模块4的最优瞬时功率进行预测；
S4、通过电能调控控制模块1001控制双向电能变换器202，并使蓄电池阵列模块4的瞬时功率达到最优瞬时功率；
S5、确定蓄电池阵列模块4的瞬时功率与最优瞬时功率是否一致；若否，则返回步骤S4，若是，则确定待充电设备的充电顺序；
S6、按照待充电设备的充电顺序实现电能的无线传输。
具体地，本发明的步骤S2包括：
S21、计算出分布式电源模块1、常规负荷模块3、蓄电池阵列模块4以及直流电源5023的瞬时功率，并分别记为Ps、Pl、Pc和Po，同时，将原边耦合线圈5013和副边耦合线圈5021的中心位置坐标记为(xp,yp)和(xs,ys)，
S22、将第一采样单元的瞬时功率和第二采样单元的中心位置坐标以数组的形式进行存储。
本发明的步骤S3包括：通过无线通信模块8将分布式电源模块1、常规负荷模块3、蓄电池阵列模块4的瞬时功率传输到电能调控控制模块1001，同时，根据电能调控控制模块1001上安装的粒子群优化算法程序，以电力系统功耗最小为约束条件来预测蓄电池阵列模块4的最优瞬时功率Pcz。
具体地，粒子群优化算法包括以下步骤：
S31、设置粒子群优化算法的初始化参数；
S32、初始化粒子群的位置和速度；
S33、设置粒子群优化算法的目标函数；
S34、初始化个体及全局最优粒子的位置和目标函数值；
S35、更新粒子群的位置和速度；
S36、对更新后的粒子群位置与速度进行边界处理，使超过边界值的元素取位置与速度的边界值；
S37、根据更新后的粒子群位置与速度来更新个体、集体最优粒子位置以及个体、集体最优粒子目标函数值，经过多次迭代后得到的集体最优粒子位置gbest(n,d)即为蓄电池阵列模块4的最优瞬时功率Pcz。
具体地，步骤S31中的初始化参数包括：
通过读取蓄电池阵列模块4的瞬时功率数组的长度得到粒子维度D；
种群规模N、迭代次数T的初始值设为100；
蓄电池阵列模块4的瞬时功率P，其中，Pmin＝-(Ps-Pl)/2D，Pmax＝(Ps-Pl)/2D；
迭代变化速度V，Vmin＝-(Ps-Pl)/D；Vmax＝(Ps-Pl)/D；
个体学习因子c1，集体学习因子c2的初始值均为2；
惯性权重ω＝1；
其中，Ps为分布式电源模块1的瞬时功率；Pl为常规负荷模块3的瞬时功率。
具体地，步骤S32包括：
S321、根据公式(1)确定粒子群中每一个粒子的初始位置，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popx(n,d)＝rand(N,D)×(Pmax-Pmin)+Pmin (1)
S322、根据公式(2)确定粒子群中每一个粒子的初始速度，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popv(n,d)＝rand(N,D)×(Vmax-Vmin)+Vmin (2)
具体地，步骤S33中：粒子群优化算法的目标函数的表达式见公式(3)：
Figure BDA0002375227400000101
式中，Ps为分布式电源模块1的瞬时功率；Pl为常规负荷模块3的瞬时功率；popx(n,d)为粒子群中每一个粒子的初始位置。
具体地，步骤S34中：
个体最优粒子位置的初始值即为粒子群的初始位置，并记为pbest(n,d)；
个体最优粒子目标函数值可通过公式(3)所示的目标函数得到,并记为pbestvalue；
全局最优粒子目标函数值即为个体最优粒子目标函数值的最小值,并记为gbestvalue；
全局最优粒子位置即为全局最优粒子目标函数值对应的初始位置，并记为gbest(n,d)。
本发明的步骤S35包括：
S351、根据公式(4)更新粒子群中每一个粒子的速度：
popv(n，d)＝ω·popv(n，d)+c1·rand·(pbest(n，d)-popx(n，d)) (4)
+c2·rand·(gbest(n，d)-popx(n，d))
式中，ω为惯性权重；popv(n,d)为粒子群中每一个粒子的初始速度；c1为个体学习因子，c2为集体学习因子。
S352、根据公式(4)和公式(5)更新粒子群中每一个粒子的位置：
popx(n,d)＝popx(n,d)+popv(n,d) (5)
本发明的步骤S4包括：
S41、电能调控控制模块1001通过比较蓄电池阵列模块4的瞬时功率Pci与最优瞬时功率Pczi两者的瞬时情况产生触发信号；若Pci＜Pczi时，则执行步骤S42；若Pci＞Pczi时，则执行步骤S43；
S42、电能调控控制模块1001产生高电平触发信号，此时电能将通过双向电能变换器202从分布式电源模块1传输到蓄电池阵列模块4；
S43、电能调控控制模块1001产生低电平触发信号，此时电能将通过双向电能变换器202从蓄电池阵列模块4传输到分布式电源模块1；
S44、通过Pci与Pczi的差值决定触发信号的持续时间，保证Pci＝Pczi。
本发明的步骤S5中，确定待充电设备的充电顺序包括：首先将直流电源5023的瞬时功率Po、原边耦合线圈5013和副边耦合线圈5021的中心位置坐标(xp,yp)和(xs,ys)，通过无线通信模块8传输到充电配置控制模块1002，然后，采用冒泡排序算法将Po按从小到大的次序排列并以此为依据来确定待充电设备的充电次序，同时，将Po中的Poj值和对应的坐标(xsj,ysj)按次序传输到充电配置控制模块1002。
本发明的冒泡排序算法包括：
a、根据公式(6)计算待充电第j个待充电设备中的副边耦合线圈5021中心位置坐标(xsj,ysj)与原边耦合线圈5013中心位置坐标(xpk,ypk)之间的距离dk：
Figure BDA0002375227400000111
b、根据蓄电池阵列模块4的瞬时功率Pck、第j个待充电设备中直流电源5023的瞬时功率Poj、无线发射装置501与无线接收装置502中心位置的距离dk以及待充电设备单位距离的功耗Ploss来设置最佳充电配置的目标函数，其表达式见公式(7)
F2(k)＝Pck-Poj-Ploss·dkk＝1,2,3Lm (7)
c、由公式(7)计算得到的最大值即为最优目标函数值，其对应的蓄电池阵列模块4及与其连接的无线发射装置501即为用于第j个待充电设备充电的最佳选择。
本发明的步骤S6包括：首先数据处理器模块9筛选出瞬时功率大于0的蓄电池阵列模块4中蓄电池个数m，同时，将蓄电池对应的瞬时功率Pck和与其连接的原边耦合线圈5013中心位置坐标(xpk,ypk)通过无线通信模块8传输到充电配置控制模块1002，然后，确定最优充电配置的目标函数并以此为依据选择最佳的无线发射装置501，使其与位于待充电设备底部的无线接收装置502共同构成无线充电模块5，实现电能的无线传输。
综上所述，本发明的优点在于：
1)、本发明采用的粒子群优化算法能够根据蓄电池阵列模块中蓄电池个数自动调整该算法的维度，并且，通过该算法得到的蓄电池最优瞬时功率能够根据电力系统的电能变化情况自动平衡能源侧与需求侧的瞬时功率。
2)、本发明通过电能调控控制模块对双向电能变换器的负反馈控制来实现电能的双向传输，这种控制方式不仅为蓄电池阵列模块达到最优瞬时功率提供保障，还能实现电力系统能源侧与负荷侧之间的电能互补，从而减少电力系统的功率损耗。
3)、本发明通过充电配置控制模块实现无线充电模块中无线发射装置与无线接收装置的最优配置，这种控制方式不仅能根据电能的实时变化情况确定分拣机器人的充电次序，而且还能在不影响电力系统功率平衡的情况下实现分拣机器人的自主充电。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (20)

1.一种基于粒子群优化算法的电能调控充电系统，其特征在于，包括：分布式电源模块(1)、电能变换器模块(2)、常规负荷模块(3)、蓄电池阵列模块(4)、无线充电模块(5)、电压电流检测模块(6)、定位模块(7)、无线通信模块(8)、数据处理器模块(9)、控制器模块(10)；
所述分布式电源模块(1)与电能变换器模块(2)相连接；所述电能变换器模块(2)分别与常规负荷模块(3)和蓄电池阵列模块(4)相连接；蓄电池阵列模块(4)与无线充电模块(5)相连接；
所述电压电流检测模块(6)分别与分布式电源模块(1)、常规负荷模块(3)、蓄电池阵列模块(4)和无线充电模块(5)相连接；
所述定位模块(7)与无线充电模块(5)相连接；
所述控制器模块(10)分别与电能变换器模块(2)和无线充电模块(5)相连接；
所述无线通信模块(8)分别与电压电流检测模块(6)、定位模块(7)、数据处理器模块(9)和控制器模块(10)相连接。
2.如权利要求1所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述电能变换器模块(2)包括单向电能变换器(201)和双向电能变换器(202)，其中，单向电能变换器(201)与常规负荷模块(3)相连接，所述双向电能变换器(202)与所述蓄电池阵列模块(4)相连接。
3.如权利要求1所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述无线充电模块(5)包括无线发射装置(501)和无线接收装置(502)，所述无线发射装置(501)和无线接收装置(502)通过电磁感应原理实现电能的无线传输，其中，无线接收装置(502)位于待充电设备的底部。
4.如权利要求3所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述无线发射装置(501)包括依次连接的高频逆变电路(5011)、谐振补偿拓扑(5012)和原边耦合线圈(5013)；其中，所述高频逆变电路(5011)与蓄电池阵列模块(4)相连接，所述原边耦合线圈(5013)与定位模块(7)相连接。
5.如权利要求4所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述无线接收装置(502)包括依次连接的副边耦合线圈(5021)、整流电路(5022)和直流电源(5023)，其中，所述副边耦合线圈(5021)与定位模块(7)相连接，所述直流电源(5023)与所述电压电流检测模块(6)相连接。
6.如权利要求5所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述控制器模块(10)包括相互连接的电能调控控制模块(1001)和充电配置控制模块(1002)，其中，电能调控控制模块(1001)与所述双向电能变换器(202)和无线通信模块(8)相连接，所述充电配置控制模块(1002)与无线接收装置(502)和无线通信模块(8)相连接。
7.一种操作如权利要求1-6任一项所述的基于粒子群优化算法的电能调控充电系统的方法，其特征在于，包括以下步骤：
S1、通过电压电流检测模块(6)和定位模块(7)分别对第一采样单元和第二采样单元进行电压电流数据采样和位置数据采样，然后，将所述电压电流数据和位置数据通过无线通信模块(8)传输到数据处理器模块(9)；
S2、数据处理器模块(9)对电压电流数据和位置数据进行处理，并计算出所述第一采样单元的瞬时功率和第二采样单元的中心位置坐标；
S3、通过电能调控控制模块(1001)对蓄电池阵列模块(4)的最优瞬时功率进行预测；
S4、通过电能调控控制模块(1001)控制双向电能变换器(202)，并使蓄电池阵列模块(4)的瞬时功率达到最优瞬时功率；
S5、确定蓄电池阵列模块(4)的瞬时功率与最优瞬时功率是否一致；若否，则返回步骤S4，若是，则确定待充电设备的充电顺序；
S6、按照待充电设备的充电顺序实现电能的无线传输。
8.如权利要求7所述的基于粒子群优化算法的电能调控充电系统，其特征在于，所述步骤S1中，所述第一采样单元为分布式电源模块(1)、常规负荷模块(3)、蓄电池阵列模块(4)以及无线接收装置(502)中直流电源(5023)；所述第二采样单元为无线充电模块(5)中的原边耦合线圈(5013)和副边耦合线圈(5021)。
9.如权利要求7所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S2包括：
S21、计算出分布式电源模块(1)、常规负荷模块(3)、蓄电池阵列模块(4)以及直流电源(5023)的瞬时功率，并分别记为Ps、Pl、Pc和Po，同时，将原边耦合线圈(5013)和副边耦合线圈(5021)的中心位置坐标记为(xp,yp)和(xs,ys)，
S22、将第一采样单元的瞬时功率和第二采样单元的中心位置坐标以数组的形式进行存储。
10.如权利要求7所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S3包括：通过无线通信模块(8)将分布式电源模块(1)、常规负荷模块(3)、蓄电池阵列模块(4)的瞬时功率传输到电能调控控制模块(1001)，同时，根据电能调控控制模块(1001)上安装的粒子群优化算法程序，以电力系统功耗最小为约束条件来预测蓄电池阵列模块(4)的最优瞬时功率。
11.如权利要求10所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述粒子群优化算法包括以下步骤：
S31、设置粒子群优化算法的初始化参数；
S32、初始化粒子群的位置和速度；
S33、设置粒子群优化算法的目标函数；
S34、初始化个体及全局最优粒子的位置和目标函数值；
S35、更新粒子群的位置和速度；
S36、对更新后的粒子群位置与速度进行边界处理，使超过边界值的元素取位置与速度的边界值；
S37、根据更新后的粒子群位置与速度来更新个体、集体最优粒子位置以及个体、集体最优粒子目标函数值，经过多次迭代后得到的集体最优粒子位置gbest(n,d)即为蓄电池阵列模块(4)的最优瞬时功率Pcz。
12.如权利要求11所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S31中的初始化参数包括：
通过读取蓄电池阵列模块(4)的瞬时功率数组的长度得到粒子维度D；
种群规模N、迭代次数T的初始值设为100；
蓄电池阵列模块(4)的瞬时功率P，其中，Pmin＝-(Ps-Pl)/2D，Pmax＝(Ps-Pl)/2D；
迭代变化速度V，Vmin＝-(Ps-Pl)/D；Vmax＝(Ps-Pl)/D；
个体学习因子c1，集体学习因子c2的初始值均为2；
惯性权重ω＝1；
其中，Ps为分布式电源模块(1)的瞬时功率；Pl为常规负荷模块(3)的瞬时功率。
13.如权利要求12所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S32包括：
S321、根据公式(1)确定粒子群中每一个粒子的初始位置，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popx(n,d)＝rand(N,D)×(Pmax-Pmin)+Pmin (1)
S322、根据公式(2)确定粒子群中每一个粒子的初始速度，其中，rand(N,D)为N行D列的随机矩阵，矩阵元素在-1-1之间变化；
popv(n,d)＝rand(N,D)×(Vmax-Vmin)+Vmin (2)
14.如权利要求13所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S33中：粒子群优化算法的目标函数的表达式见公式(3)：
Figure FDA0002375227390000041
式中，Ps为分布式电源模块(1)的瞬时功率；Pl为常规负荷模块(3)的瞬时功率；popx(n,d)为粒子群中每一个粒子的初始位置。
15.如权利要求14所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S34中：
个体最优粒子位置的初始值即为粒子群的初始位置，并记为pbest(n,d)；
个体最优粒子目标函数值可通过公式(3)所示的目标函数得到,并记为pbestvalue；
全局最优粒子目标函数值即为个体最优粒子目标函数值的最小值,并记为gbestvalue；
全局最优粒子位置即为全局最优粒子目标函数值对应的初始位置，并记为gbest(n,d)。
16.如权利要求15所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S35包括：
S351、根据公式(4)更新粒子群中每一个粒子的速度：
Figure FDA0002375227390000051
式中，ω为惯性权重；popv(n,d)为粒子群中每一个粒子的初始速度；c1为个体学习因子，c2为集体学习因子。
S352、根据公式(4)和公式(5)更新粒子群中每一个粒子的位置：
popx(n,d)＝popx(n,d)+popv(n,d) (5)
17.如权利要求7所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S4包括：
S41、电能调控控制模块(1001)通过比较蓄电池阵列模块(4)的瞬时功率Pci与最优瞬时功率Pczi两者的瞬时情况产生触发信号；若Pci＜Pczi时，则执行步骤S42；若Pci＞Pczi时，则执行步骤S43；
S42、电能调控控制模块(1001)产生高电平触发信号，此时电能将通过双向电能变换器(202)从分布式电源模块(1)传输到蓄电池阵列模块(4)；
S43、电能调控控制模块(1001)产生低电平触发信号，此时电能将通过双向电能变换器(202)从蓄电池阵列模块(4)传输到分布式电源模块(1)；
S44、通过Pci与Pczi的差值决定触发信号的持续时间，保证Pci＝Pczi。
18.如权利要求7所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S5中，确定待充电设备的充电顺序包括：首先将直流电源(5023)的瞬时功率Po、原边耦合线圈(5013)和副边耦合线圈(5021)的中心位置坐标(xp,yp)和(xs,ys)，通过无线通信模块(8)传输到充电配置控制模块(1002)，然后，采用冒泡排序算法将Po按从小到大的次序排列并以此为依据来确定待充电设备的充电次序，同时，将Po中的Poj值和对应的坐标(xsj,ysj)按次序传输到充电配置控制模块(1002)。
19.如权利要求18所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述冒泡排序算法包括：
a、根据公式(6)计算待充电第j个待充电设备中的副边耦合线圈(5021)中心位置坐标(xsj,ysj)与原边耦合线圈(5013)中心位置坐标(xpk,ypk)之间的距离dk：
Figure FDA0002375227390000061
b、根据蓄电池阵列模块(4)的瞬时功率Pck、第j个待充电设备中直流电源(5023)的瞬时功率Poj、无线发射装置(501)与无线接收装置(502)中心位置的距离dk以及待充电设备单位距离的功耗Ploss来设置最佳充电配置的目标函数，其表达式见公式(7)
F2(k)＝Pck-Poj-Ploss·dk k＝1,2,3L m (7)
c、由公式(7)计算得到的最大值即为最优目标函数值F2max，其对应的蓄电池阵列模块(4)及与其连接的无线发射装置(501)即为用于第j个待充电设备充电的最佳选择。
20.如权利要求7所述的基于粒子群优化算法的电能调控充电系统的操作方法，其特征在于，所述步骤S6包括：首先数据处理器模块(9)筛选出瞬时功率大于0的蓄电池阵列模块(4)中蓄电池个数m，同时，将蓄电池对应的瞬时功率Pck和与其连接的原边耦合线圈(5013)中心位置坐标(xpk,ypk)通过无线通信模块(8)传输到充电配置控制模块(1002)，然后，确定最优充电配置的目标函数并以此为依据选择最佳的无线发射装置(501)，使其与位于待充电设备底部的无线接收装置(502)共同构成无线充电模块(5)，实现电能的无线传输。
CN202010063451.5A 2020-01-20 2020-01-20 基于粒子群优化算法的电能调控充电系统及其操作方法 Active CN111181215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010063451.5A CN111181215B (zh) 2020-01-20 2020-01-20 基于粒子群优化算法的电能调控充电系统及其操作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010063451.5A CN111181215B (zh) 2020-01-20 2020-01-20 基于粒子群优化算法的电能调控充电系统及其操作方法

Publications (2)

Publication Number Publication Date
CN111181215A true CN111181215A (zh) 2020-05-19
CN111181215B CN111181215B (zh) 2023-09-01

Family

ID=70621724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010063451.5A Active CN111181215B (zh) 2020-01-20 2020-01-20 基于粒子群优化算法的电能调控充电系统及其操作方法

Country Status (1)

Country Link
CN (1) CN111181215B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215327A (zh) * 2020-10-12 2021-01-12 泉州装备制造研究所 一种基于粒子群算法的无线充电系统参数辨识方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204669058U (zh) * 2015-06-12 2015-09-23 张洪亮 一种基于风光储离/并网发电的电动汽车无线充电系统
CN106476649A (zh) * 2016-12-13 2017-03-08 北京理工大学 一种基于无线电能充电位置区域的选择方法
CN206086430U (zh) * 2016-10-21 2017-04-12 成都经纬智联科技有限公司 一种基于分布式能源的车辆无线充电系统
CN106740225A (zh) * 2017-01-11 2017-05-31 云南联方电气有限公司 一种新型智能化汽车充电桩
CN106725119A (zh) * 2016-12-02 2017-05-31 西安丰登农业科技有限公司 一种基于三维模型定位的扫地机器人导航系统
CN107528391A (zh) * 2017-05-15 2017-12-29 惠州市华阳多媒体电子有限公司 一种Qi无线充电器的线圈位置检测装置
CN108054784A (zh) * 2018-01-09 2018-05-18 河海大学常州校区 一种海岛微电网多源协调优化控制方法
CN110086180A (zh) * 2019-04-30 2019-08-02 北京华电天仁电力控制技术有限公司 一种基于深充浅放原则的储能调频均衡控制方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204669058U (zh) * 2015-06-12 2015-09-23 张洪亮 一种基于风光储离/并网发电的电动汽车无线充电系统
CN206086430U (zh) * 2016-10-21 2017-04-12 成都经纬智联科技有限公司 一种基于分布式能源的车辆无线充电系统
CN106725119A (zh) * 2016-12-02 2017-05-31 西安丰登农业科技有限公司 一种基于三维模型定位的扫地机器人导航系统
CN106476649A (zh) * 2016-12-13 2017-03-08 北京理工大学 一种基于无线电能充电位置区域的选择方法
CN106740225A (zh) * 2017-01-11 2017-05-31 云南联方电气有限公司 一种新型智能化汽车充电桩
CN107528391A (zh) * 2017-05-15 2017-12-29 惠州市华阳多媒体电子有限公司 一种Qi无线充电器的线圈位置检测装置
CN108054784A (zh) * 2018-01-09 2018-05-18 河海大学常州校区 一种海岛微电网多源协调优化控制方法
CN110086180A (zh) * 2019-04-30 2019-08-02 北京华电天仁电力控制技术有限公司 一种基于深充浅放原则的储能调频均衡控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢美玲;张庚;刘松;吕磊;: "面向能源互联网的家庭光伏发电系统经济效益优化调度模型" *
李世泽 等: "混合储能多目标容量优化配置" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215327A (zh) * 2020-10-12 2021-01-12 泉州装备制造研究所 一种基于粒子群算法的无线充电系统参数辨识方法
CN112215327B (zh) * 2020-10-12 2024-02-20 泉州装备制造研究所 一种基于粒子群算法的无线充电系统参数辨识方法

Also Published As

Publication number Publication date
CN111181215B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
WO2017186178A1 (zh) 储能电站自适应动态规划的控制方法、系统和存储介质
CN105207289B9 (zh) 一种充电模组、电子设备和充电方法
CN104995813B (zh) 在风力发电系统中确定用于储能系统的输出功率参考值的方法和设备
CN103441538B (zh) 一种新能源汽车锂电池管理系统
KR102387780B1 (ko) 신경망 기반의 배터리 용량 추정 방법 및 장치
CN113991751B (zh) 一种基于混合算法的自动发电控制调度方法
CN105896575B (zh) 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN108364084A (zh) 一种基于信息融合理论的bp神经网络光伏功率预测方法
CN112072735A (zh) 一种基于卷积神经网络的液态金属电池组的均衡管理系统
CN107196333A (zh) 基于模块化指数的分布式光伏集群划分方法
CN111181215A (zh) 基于粒子群优化算法的电能调控充电系统及其操作方法
CN108667018A (zh) 一种计及电动汽车和热泵的配电网节点电价计算方法
CN114865747A (zh) 一种储能电池簇荷电状态功率调度在线均衡方法
CN109995076B (zh) 一种基于储能的光伏汇集系统功率稳定输出协同控制方法
CN105515032A (zh) 智能微网储能控制方法
CN111509750B (zh) 电网侧储能系统容量配置优化方法
Yamashita et al. Real-time parameters identification of lithium-ion batteries model to improve the hierarchical model predictive control of building microgrids
Zhang et al. Power allocation method of battery energy storage system considering state balance in smoothing photovoltaic power fluctuations
Yin et al. Power distribution of a multiple-receiver wireless power transfer system: A game theoretic approach
CN114938013A (zh) 一种电动汽车集群参与配电网协调控制的方法及装置
CN111983494B (zh) 一种提高电池系统使用寿命的方法及系统
CN114971250A (zh) 基于深度q学习的综合能源经济调度系统
US20160092776A1 (en) Optimizing sizing of grid-scale batteries for frequency regulation services
US20240119281A1 (en) Ai based techniques for photovoltaic interruption control in microgrids with energy storage systems
CN104810821B (zh) 一种直流微网高精度均流控制与优化系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant