CN112215327B - 一种基于粒子群算法的无线充电系统参数辨识方法 - Google Patents

一种基于粒子群算法的无线充电系统参数辨识方法 Download PDF

Info

Publication number
CN112215327B
CN112215327B CN202011084205.4A CN202011084205A CN112215327B CN 112215327 B CN112215327 B CN 112215327B CN 202011084205 A CN202011084205 A CN 202011084205A CN 112215327 B CN112215327 B CN 112215327B
Authority
CN
China
Prior art keywords
representing
fitness
wireless charging
iteration
voltage value
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.)
Active
Application number
CN202011084205.4A
Other languages
English (en)
Other versions
CN112215327A (zh
Inventor
黄东晓
仇逸
于新红
侯隽
刘辉
柯栋梁
汪凤翔
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.)
Quanzhou Institute of Equipment Manufacturing
Original Assignee
Quanzhou Institute of Equipment Manufacturing
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 Quanzhou Institute of Equipment Manufacturing filed Critical Quanzhou Institute of Equipment Manufacturing
Priority to CN202011084205.4A priority Critical patent/CN112215327B/zh
Publication of CN112215327A publication Critical patent/CN112215327A/zh
Application granted granted Critical
Publication of CN112215327B publication Critical patent/CN112215327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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

Landscapes

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

Abstract

本发明提供了无线充电技术领域的一种基于粒子群算法的无线充电系统参数辨识方法，包括如下步骤：步骤S10、对无线充电系统的电源母线电压以及直流输出电压进行实时采样，得到系统输入电压、实际电压值以及采样时间；步骤S20、获取无线充电系统的充电参数，基于所述系统输入电压、实际电压值、采样时间以及充电参数得到计算电压值；步骤S30、基于所述实际电压值以及计算电压值创建目标函数；步骤S40、利用粒子群算法对所述目标函数进行优化，进而对充电参数进行实时辨识。本发明的优点在于：实现对无线充电系统参数的大小进行实时辨识，进而极大的扩展了无线充电系统的工作范围。

Description

一种基于粒子群算法的无线充电系统参数辨识方法
技术领域
本发明涉及无线充电技术领域，特别指一种基于粒子群算法的无线充电系统参数辨识方法。
背景技术
近几年，无线电能传输(wireless power transfer，WPT)逐渐在中低功率电子设备中运用，而磁耦合谐振式无线电能传输(MCR-WPT)由于传输距离较长，传输功率较高，安全性高等优点成为无线输电的主要发展方向之一。由于WPT技术在使用过程中，负载阻抗和谐振器的大小和位置经常会发生变化，导致输出电压的极度不稳定。因此，需要辨识无线充电系统参数的大小，在负载阻抗和谐振器发生变化时保证输出电压的稳定性，进而提升传输效率。
传统上存在一种基于遗传算法的MCR-WPT互感与负载的识别方法，该方法基于能量守恒原理和等效负载理论，需要对高频交流电压和电流进行采样，而一般设备很难做到这一点，导致存在实时识别困难、信号采样困难的缺点。
传统上也存在提升传输效率的方法，例如通过T型电桥补偿来控制恒定输出电流的电路，或者通过使用BOOST-BUCK电路来控制系统的输出电压以达到恒定输出的目的。但是，这些方法只能在固定参数下运行，实用程度较低。
传统上还存在一种基于MCR-WPTS稳态模型的模型预测电压控制方法，即模型预测控制法(Model predictive control，MPC)。该方法必须在参数模型固定且已知的情况下才能够使用，实验结果与参数有很大的关系，如果参数在试验中发生变化，实验结果就会有很大偏差。
因此，如何提供一种基于粒子群算法的无线充电系统参数辨识方法，实现对无线充电系统参数的大小进行实时辨识，进而扩展无线充电系统的工作范围，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种基于粒子群算法的无线充电系统参数辨识方法，实现对无线充电系统参数的大小进行实时辨识，进而扩展无线充电系统的工作范围。
本发明是这样实现的：一种基于粒子群算法的无线充电系统参数辨识方法，包括如下步骤：
步骤S10、对无线充电系统的电源母线电压以及直流输出电压进行实时采样，得到系统输入电压、实际电压值以及采样时间；
步骤S20、获取无线充电系统的充电参数，基于所述系统输入电压、实际电压值、采样时间以及充电参数得到计算电压值；
步骤S30、基于所述实际电压值以及计算电压值创建目标函数；
步骤S40、利用粒子群算法对所述目标函数进行优化，进而对充电参数进行实时辨识。
进一步地，所述步骤S20中，所述充电参数包括滤波电容Cf、一次侧线圈与二次侧线圈的互感M、一次侧电阻RP、二次侧电阻RS以及谐振频率ω。
进一步地，所述步骤S20中，计算电压值的计算公式如下：
其中V0(K+1)mea表示第(K+1)次的计算电压值；Cf表示滤波电容；P0(K)表示第K次的输出功率；T表示采样时间；V0(K)表示第K次的实际电压值，即负载输出电压；RL表示负载等效电阻；RP表示一次侧电阻；RS表示二次侧电阻；ω表示谐振频率；M表示一次侧线圈与二次侧线圈的互感；Vin表示第K次的系统输入电压；K为正整数，表示采样次数。
进一步地，所述步骤S30中，所述目标函数的公式如下：
fitness＝|V0(K+1)-V0(K+1)mea|；
其中fitness表示适应度，即目标函数的计算结果；V0(K+1)表示第(K+1)次的实际电压值；V0(K+1)mea表示第(K+1)次的计算电压值。
进一步地，所述步骤S40具体包括：
步骤S41、设定一迭代阈值，并将一次侧线圈与二次侧线圈的互感M作为粒子输入粒子群算法；
步骤S42、对各粒子的速度和位置进行初始化；
步骤S43、计算各粒子的惯性权重因子；
步骤S44、基于所述惯性权重因子更新各粒子的速度和位置；
步骤S45、基于所述目标函数计算各粒子的适应度，基于所述适应度确定粒子的个体极值与全局极值；
步骤S46、基于所述迭代阈值以及适应度输出全局极值。
进一步地，所述步骤S43具体为：
Q(n)＝Qmax-(n-1)*(Qmax-Qmin)/(nmin-1)；
其中Q(n)表示惯性权重因子；Qmax表示最大惯性权重；Qmin表示最小惯性权重；n表示迭代次数；nmin表示总迭代次数。
进一步地，所述步骤S44具体为：
v(n)＝Q(n-1)*v(n-1)+c1*random*(gbest(n-1)-x(n-1))+c2*random*(zbest(n-1)-x(n-1))；
x(n)＝x(n-1)+v(n)；
其中v(n)表示第n次迭代的粒子的速度，v(n-1)表示第(n-1)次迭代的粒子的速度；x(n)表示第n次迭代的粒子的位置，x(n-1)表示第(n-1)次迭代的粒子的位置；Q(n-1)表示第(n-1)次迭代的惯性权重因子；c1表示个体学习因子；c2表示社会学习因子；random表示0至1之间的随机数；gbest(n-1)表示第(n-1)次迭代的个体极值；zbest(n-1)表示第(n-1)次迭代的全局极值。
进一步地，所述步骤S45包括：
步骤S451、基于所述目标函数计算各粒子第n次迭代的适应度fitness(n)；
步骤S452、判断fitness(n)是否小于fitness(n-1)，若是，令gbest(n)＝fitness(n)，并进入步骤S453；若否，则进入步骤S453；
步骤S453、判断fitness(n)是否小于zbest(n)，若是，令zbest(n)＝fitness(n)，并进入步骤S454；若否，则进入步骤S454；
步骤S454、迭代次数n加1后，进入步骤S46。
进一步地，所述步骤S46包括：
步骤S461、判断zbest(n)是否小于适应度的最小值fitness(min)，若是，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值；若否，则进入步骤S462；
步骤S462、判断当前的迭代次数n是否小于所述迭代阈值，若是，则进入步骤S43；若否，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值。
本发明的优点在于：
1、通过对无线充电系统的电源母线电压以及直流输出电压进行实时采样，再利用采样的数据计算得到计算电压值，利用粒子群算法对基于实际电压值以及计算电压值创建的目标函数进行优化，最终实现对无线充电系统动态参数的大小进行实时辨识，即对一次侧线圈与二次侧线圈的互感M的大小进行实时辨识，即使负载阻抗和谐振器的大小和位置发生变化，也能稳定的输出电压，进而极大的扩展了无线充电系统的工作范围。
2、通过对无线充电系统的电源母线电压以及直流输出电压进行实时采样，无需直接测量耦合机构中器件两端的高频大电压，更加安全，且算法复杂度低、运算时间短、误差较小。
3、当互感M发生扰动而偏离设定值时，可以有效地辨识出互感M的大小并校正其在预测模型中的数值；通过MPC算法(模型预测控制算法)和PSO算法(粒子群算法)共同工作，可以确保无线充电系统的动态稳定性和快速响应能力；即通过将PSO算法与MPC算法结合使得本发明无论在动态还是静态情况下都能够使用，使无线充电更加可靠；不仅能够实现离线状态下的副边虚部估计，还能够实现动态无线充电系统的副边虚部估计，极大的提高本发明的实用性。
4、本发明相对于传统上通过使用BOOST-BUCK电路来控制系统的输出电压等方法，无论处于动态或是静态都有很好的适应性，而且可以根据环境的改变对算法模型进行自整定，可以很好地运行在实际应用中，且本发明的系统在硬件上更容易实现。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于粒子群算法的无线充电系统参数辨识方法的流程图。
图2是本发明无线充电系统的电路图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：通过对电源母线电压以及直流输出电压进行实时采样，通过采样的数据以及获取的充电参数计算得到计算电压值，再基于实际电压值以及计算电压值创建目标函数，最终利用粒子群算法对所述目标函数进行优化，进而对充电参数的大小进行实时辨识，扩展无线充电系统的工作范围。
本发明需使用如图2所示的一种S-S型谐振电路的无线充电系统，包括直流电源、谐振机构、控制器、逆变器、整流滤波模块以及负载；控制器使用TI的DSP28379D，逆变器由GaN-MOSFET组成，谐振器由利兹线缠绕的相等对称圆形线圈组成；
即由控制器和开关驱动器组成，初级侧使用一个全桥逆变器来转换直流电源，以产生高频交流电压；次级侧使用不可控的桥式整流器，以简化控制难度；谐振电路由串联的电感器和电容器组成，谐振频率
请参照图1至图2所示，本发明一种基于粒子群算法的无线充电系统参数辨识方法的较佳实施例，包括如下步骤：
步骤S10、对无线充电系统的电源母线电压以及直流输出电压进行实时采样，得到系统输入电压、实际电压值以及采样时间；
步骤S20、获取无线充电系统的充电参数，基于所述系统输入电压、实际电压值、采样时间以及充电参数得到计算电压值；
步骤S30、基于所述实际电压值以及计算电压值创建目标函数；
步骤S40、利用粒子群算法对所述目标函数进行优化，进而对充电参数进行实时辨识。
所述步骤S20中，所述充电参数包括滤波电容Cf、一次侧线圈与二次侧线圈的互感M、一次侧电阻RP、二次侧电阻RS以及谐振频率ω。
所述步骤S20中，计算电压值通过基尔霍夫电压定律进行计算，计算电压值的计算公式如下：
其中V0(K+1)mea表示第(K+1)次的计算电压值；Cf表示滤波电容；P0(K)表示第K次的输出功率；T表示采样时间；V0(K)表示第K次的实际电压值，即负载输出电压；RL表示负载等效电阻；RP表示一次侧电阻；RS表示二次侧电阻；ω表示谐振频率；M表示一次侧线圈与二次侧线圈的互感；Vin表示第K次的系统输入电压；K为正整数，表示采样次数。
所述步骤S30中，所述目标函数的公式如下：
fitness＝|V0(K+1)-V0(K+1)mea|；
其中fitness表示适应度，即目标函数的计算结果；V0(K+1)表示第(K+1)次的实际电压值；V0(K+1)mea表示第(K+1)次的计算电压值。
所述步骤S40具体包括：
步骤S41、设定一迭代阈值，并将一次侧线圈与二次侧线圈的互感M作为粒子输入粒子群算法；
步骤S42、对各粒子的速度和位置进行初始化；即随机生成各粒子的速度和位置；
步骤S43、计算各粒子的惯性权重因子；
步骤S44、基于所述惯性权重因子更新各粒子的速度和位置；
步骤S45、基于所述目标函数计算各粒子的适应度，基于所述适应度确定粒子的个体极值与全局极值；
步骤S46、基于所述迭代阈值以及适应度输出全局极值。
所述步骤S43具体为：
Q(n)＝Qmax-(n-1)*(Qmax-Qmin)/(nmin-1)；
其中Q(n)表示惯性权重因子；Qmax表示最大惯性权重；Qmin表示最小惯性权重；n表示迭代次数；nmin表示总迭代次数。
所述步骤S44具体为：
v(n)＝Q(n-1)*v(n-1)+c1*random*(gbest(n-1)-x(n-1))+c2*random*(zbest(n-1)-x(n-1))；
x(n)＝x(n-1)+v(n)；
其中v(n)表示第n次迭代的粒子的速度，v(n-1)表示第(n-1)次迭代的粒子的速度；x(n)表示第n次迭代的粒子的位置，x(n-1)表示第(n-1)次迭代的粒子的位置；Q(n-1)表示第(n-1)次迭代的惯性权重因子；c1表示个体学习因子；c2表示社会学习因子；random表示0至1之间的随机数；gbest(n-1)表示第(n-1)次迭代的个体极值；zbest(n-1)表示第(n-1)次迭代的全局极值。
所述步骤S45包括：
步骤S451、基于所述目标函数计算各粒子第n次迭代的适应度fitness(n)；
步骤S452、判断fitness(n)是否小于fitness(n-1)，若是，令gbest(n)＝fitness(n)，并进入步骤S453；若否，则进入步骤S453；
步骤S453、判断fitness(n)是否小于zbest(n)，若是，令zbest(n)＝fitness(n)，并进入步骤S454；若否，则进入步骤S454；
步骤S454、迭代次数n加1后，进入步骤S46。
所述步骤S46包括：
步骤S461、判断zbest(n)是否小于适应度的最小值fitness(min)，若是，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值；若否，则进入步骤S462；
步骤S462、判断当前的迭代次数n是否小于所述迭代阈值，若是，则进入步骤S43；若否，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值。再将互感M带入MPC算法进行预测模型的更新。
通过Matlab/Simulink仿真软件，对本发明充电参数辨识的准确性以及控制器在低功率MCR-WPT系统上的可靠性进行验证，证明本发明在互感阶跃情况能够快速准确的识别。
综上所述，本发明的优点在于：
1、通过对无线充电系统的电源母线电压以及直流输出电压进行实时采样，再利用采样的数据计算得到计算电压值，利用粒子群算法对基于实际电压值以及计算电压值创建的目标函数进行优化，最终实现对无线充电系统动态参数的大小进行实时辨识，即对一次侧线圈与二次侧线圈的互感M的大小进行实时辨识，即使负载阻抗和谐振器的大小和位置发生变化，也能稳定的输出电压，进而极大的扩展了无线充电系统的工作范围。
2、通过对无线充电系统的电源母线电压以及直流输出电压进行实时采样，无需直接测量耦合机构中器件两端的高频大电压，更加安全，且算法复杂度低、运算时间短、误差较小。
3、当互感M发生扰动而偏离设定值时，可以有效地辨识出互感M的大小并校正其在预测模型中的数值；通过MPC算法(模型预测控制算法)和PSO算法(粒子群算法)共同工作，可以确保无线充电系统的动态稳定性和快速响应能力；即通过将PSO算法与MPC算法结合使得本发明无论在动态还是静态情况下都能够使用，使无线充电更加可靠；不仅能够实现离线状态下的副边虚部估计，还能够实现动态无线充电系统的副边虚部估计，极大的提高本发明的实用性。
4、本发明相对于传统上通过使用BOOST-BUCK电路来控制系统的输出电压等方法，无论处于动态或是静态都有很好的适应性，而且可以根据环境的改变对算法模型进行自整定，可以很好地运行在实际应用中，且本发明的系统在硬件上更容易实现。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (6)

1.一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：包括如下步骤：
步骤S10、对无线充电系统的电源母线电压以及直流输出电压进行实时采样，得到系统输入电压、实际电压值以及采样时间；
步骤S20、获取无线充电系统的充电参数，基于所述系统输入电压、实际电压值、采样时间以及充电参数得到计算电压值；
步骤S30、基于所述实际电压值以及计算电压值创建目标函数；
步骤S40、利用粒子群算法对所述目标函数进行优化，进而对充电参数进行实时辨识；
所述步骤S20中，所述充电参数包括滤波电容Cf、一次侧线圈与二次侧线圈的互感M、一次侧电阻RP、二次侧电阻RS以及谐振频率ω；
所述步骤S20中，计算电压值的计算公式如下：
其中V0(K+1)mea表示第(K+1)次的计算电压值；Cf表示滤波电容；P0(K)表示第K次的输出功率；T表示采样时间；V0(K)表示第K次的实际电压值，即负载输出电压；RL表示负载等效电阻；RP表示一次侧电阻；RS表示二次侧电阻；ω表示谐振频率；M表示一次侧线圈与二次侧线圈的互感；Vin表示第K次的系统输入电压；K为正整数，表示采样次数；
所述步骤S30中，所述目标函数的公式如下：
fitness＝|V0(K+1)-V0(K+1)mea|；
其中fitness表示适应度，即目标函数的计算结果；V0(K+1)表示第(K+1)次的实际电压值；V0(K+1)mea表示第(K+1)次的计算电压值。
2.如权利要求1所述的一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：所述步骤S40具体包括：
步骤S41、设定一迭代阈值，并将一次侧线圈与二次侧线圈的互感M作为粒子输入粒子群算法；
步骤S42、对各粒子的速度和位置进行初始化；
步骤S43、计算各粒子的惯性权重因子；
步骤S44、基于所述惯性权重因子更新各粒子的速度和位置；
步骤S45、基于所述目标函数计算各粒子的适应度，基于所述适应度确定粒子的个体极值与全局极值；
步骤S46、基于所述迭代阈值以及适应度输出全局极值。
3.如权利要求2所述的一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：所述步骤S43具体为：
Q(n)＝Qmax-(n-1)*(Qmax-Qmin)/(nmin-1)；
其中Q(n)表示惯性权重因子；Qmax表示最大惯性权重；Qmin表示最小惯性权重；n表示迭代次数；nmin表示总迭代次数。
4.如权利要求2所述的一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：所述步骤S44具体为：
v(n)＝Q(n-1)*v(n-1)+c1*random*(gbest(n-1)-x(n-1))+c2*random*(zbest(n-1)-x(n-1))；
x(n)＝x(n-1)+v(n)；
其中v(n)表示第n次迭代的粒子的速度，v(n-1)表示第(n-1)次迭代的粒子的速度；x(n)表示第n次迭代的粒子的位置，x(n-1)表示第(n-1)次迭代的粒子的位置；Q(n-1)表示第(n-1)次迭代的惯性权重因子；c1表示个体学习因子；c2表示社会学习因子；random表示0至1之间的随机数；gbest(n-1)表示第(n-1)次迭代的个体极值；zbest(n-1)表示第(n-1)次迭代的全局极值。
5.如权利要求2所述的一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：所述步骤S45包括：
步骤S451、基于所述目标函数计算各粒子第n次迭代的适应度fitness(n)；
步骤S452、判断fitness(n)是否小于fitness(n-1)，若是，令gbest(n)＝fitness(n)，并进入步骤S453；若否，则进入步骤S453；
步骤S453、判断fitness(n)是否小于zbest(n)，若是，令zbest(n)＝fitness(n)，并进入步骤S454；若否，则进入步骤S454；
步骤S454、迭代次数n加1后，进入步骤S46。
6.如权利要求2所述的一种基于粒子群算法的无线充电系统参数辨识方法，其特征在于：所述步骤S46包括：
步骤S461、判断zbest(n)是否小于适应度的最小值fitness(min)，若是，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值；若否，则进入步骤S462；
步骤S462、判断当前的迭代次数n是否小于所述迭代阈值，若是，则进入步骤S43；若否，则输出第n次迭代的全局极值zbest(n)，即一次侧线圈与二次侧线圈的互感M的全局极值。
CN202011084205.4A 2020-10-12 2020-10-12 一种基于粒子群算法的无线充电系统参数辨识方法 Active CN112215327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011084205.4A CN112215327B (zh) 2020-10-12 2020-10-12 一种基于粒子群算法的无线充电系统参数辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011084205.4A CN112215327B (zh) 2020-10-12 2020-10-12 一种基于粒子群算法的无线充电系统参数辨识方法

Publications (2)

Publication Number Publication Date
CN112215327A CN112215327A (zh) 2021-01-12
CN112215327B true CN112215327B (zh) 2024-02-20

Family

ID=74054442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011084205.4A Active CN112215327B (zh) 2020-10-12 2020-10-12 一种基于粒子群算法的无线充电系统参数辨识方法

Country Status (1)

Country Link
CN (1) CN112215327B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114709940A (zh) * 2022-04-03 2022-07-05 泉州装备制造研究所 一种多负载无线电能传输系统负载及互感同时辨识的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105141016A (zh) * 2015-09-06 2015-12-09 河南师范大学 频率分叉时电动汽车无线充电桩效率极值点跟踪方法
WO2016191999A1 (en) * 2015-06-01 2016-12-08 The University Of Hong Kong Fast method for identifying coil misalignment/mutualcoupling in wireless charging systems
CN109256870A (zh) * 2018-09-27 2019-01-22 哈尔滨工业大学（威海） 基于粒子群算法的无线充电磁耦合装置优化方法及系统
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN111181215A (zh) * 2020-01-20 2020-05-19 上海理工大学 基于粒子群优化算法的电能调控充电系统及其操作方法
CN111428849A (zh) * 2020-03-24 2020-07-17 国电南瑞科技股份有限公司 基于改进粒子群算法的传递函数模型参数辨识方法及装置
CN112134372A (zh) * 2020-10-12 2020-12-25 泉州装备制造研究所 一种基于龙伯格扰动观测器的无线充电系统输出控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016191999A1 (en) * 2015-06-01 2016-12-08 The University Of Hong Kong Fast method for identifying coil misalignment/mutualcoupling in wireless charging systems
CN105141016A (zh) * 2015-09-06 2015-12-09 河南师范大学 频率分叉时电动汽车无线充电桩效率极值点跟踪方法
CN109256870A (zh) * 2018-09-27 2019-01-22 哈尔滨工业大学（威海） 基于粒子群算法的无线充电磁耦合装置优化方法及系统
CN110210087A (zh) * 2019-05-20 2019-09-06 中国科学院光电技术研究所 一种基于粒子群算法的光束抖动模型参数实时辨识方法
CN111181215A (zh) * 2020-01-20 2020-05-19 上海理工大学 基于粒子群优化算法的电能调控充电系统及其操作方法
CN111428849A (zh) * 2020-03-24 2020-07-17 国电南瑞科技股份有限公司 基于改进粒子群算法的传递函数模型参数辨识方法及装置
CN112134372A (zh) * 2020-10-12 2020-12-25 泉州装备制造研究所 一种基于龙伯格扰动观测器的无线充电系统输出控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于母线电流与效率跟踪的无线电能传输控制方法";钱强等;《微机电》;第52卷(第2期);第35-41页 *

Also Published As

Publication number Publication date
CN112215327A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
Neath et al. An optimal PID controller for a bidirectional inductive power transfer system using multiobjective genetic algorithm
Li et al. /spl mu/-synthesis for frequency uncertainty of the ICPT system
CN103269176B (zh) 一种基于分数阶pi预测函数的逆变器控制方法
CN108695996A (zh) 基于Buck环节的无线电能传输系统滑模控制方法
Hsu et al. Fuzzy logic-based directional full-range tuning control of wireless power pickups
Gu et al. Mutual-inductance-dynamic-predicted constant current control of LCC-P compensation network for drone wireless in-flight charging
Dai et al. Uncertainty modeling and robust control for LCL resonant inductive power transfer system
CN112215327B (zh) 一种基于粒子群算法的无线充电系统参数辨识方法
Gao et al. Optimal filter design for power converters regulated by FCS-MPC in the MEA
Liu et al. Convolutional neural network (cnn) based planar inductor evaluation and optimization
CN110212800B (zh) 基于模型预测控制的模块化多电平换流器通用控制方法
Ahmed et al. Pspice and simulink co-simulation for high efficiency DC-DC converter using SLPS interface software
Chen et al. Event-triggered model predictive control for series–series resonant ICPT systems in electric vehicles: A data-driven modeling method
Zhang et al. Small-signal modeling of CLLC bidirectional resonant converters
Ji et al. Modelling a FPGA-based LLC converter for real-time hardware-in-the-loop (HIL) simulation
CN110112838B (zh) 具有负载自适应特性的ecpt系统的混杂建模方法
CN116522773A (zh) 一种基于数据驱动的wpt系统建模方法
CN116566061A (zh) 一种并网逆变器系统稳定性在线监测方法及系统
CN106374452A (zh) 一种直流微电网变流器的反馈无源化控制方法
Li et al. Receding Horizon D-Optimal Input Design for Identification of Wireless Power Transfer Systems
Na et al. Machine learning-based power control technique for wireless power transfer
CN105005669B (zh) 基于频率分岔特性的ipt系统参数优化方法
CN112260415A (zh) 一种无线输电系统及控制方法
CN113507173B (zh) 耦合参数识别方法、装置及无线电能传输系统
Mallik et al. Accurate small–signal discrete–time model of dual active bridge using saltation matrices

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