CN114792066B - 一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 - Google Patents
一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 Download PDFInfo
- Publication number
- CN114792066B CN114792066B CN202210250814.5A CN202210250814A CN114792066B CN 114792066 B CN114792066 B CN 114792066B CN 202210250814 A CN202210250814 A CN 202210250814A CN 114792066 B CN114792066 B CN 114792066B
- Authority
- CN
- China
- Prior art keywords
- sparrow
- sparrows
- inductance
- algorithm
- population
- 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
Links
- 241000287127 Passeridae Species 0.000 title claims abstract description 111
- 238000010845 search algorithm Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 241000254173 Coleoptera Species 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 3
- 230000005540 biological transmission Effects 0.000 claims description 20
- 230000002431 foraging effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 244000062645 predators Species 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 241001481710 Cerambycidae Species 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提出了一种改进麻雀搜索算法的无线充电系统补偿网络优化方法。本发明首先构建具有LCC‑LCC补偿网络的无线充电系统效率模型,进一步构建约束条件;结合无线充电系统效率模型构建谐振参数优化目标模型,根据约束条件,将发射线圈补偿电感、接收线圈补偿电感作为待优化求解变量,通过改进的麻雀搜索算法进行优化得到优化后的求解变量并确定补偿网络参数;通过补偿网络参数优化设计提高无线充电系统效率。本发明在麻雀搜索算法的基础上添加了天牛须算法的算法更新机制,在麻雀搜索算法计算的最优位置两侧邻域进行更优位置的寻找,可以有效的避免麻雀搜索算法陷入局部最优解,更好的计算目标效率最优值,保证电动汽车无线充电系统高效率运行。
Description
技术领域
本发明属于无线充电技术领域,尤其是涉及一种改进麻雀搜索算法的无线充电系统补偿网络优化方法。
背景技术
无线电能传输技术(Wireless Power Transfer WPT)是一种新型的电能传输技术。由于新能源技术的发展,电动汽车开始广泛流行起来。但是由于电动汽车易受到电池容量的限制,故须对电动汽车进行充电操作。传统充电方式多采用有线传输,但传统充电方式面临充电接口部分易磨损,接电时容易出现电火花而导致安全事故等问题,无线充电技术相比之下拥有更多优点。无线充电技术解决了大部分的安全问题,并能够应用于许多环境较为恶劣的场地,因此具有丰富的研究价值与广阔的应用场景。电动汽车的无线充电系统为改善系统特性,常需要加入补偿网络。基本的补偿网络有串联补偿、并联补偿与串并联补偿。除了四种基本的补偿结构(SS、SP、PS、PP)以外,复合型高阶补偿网络LCC、LCL等也被广泛应用。
相比较于S-S型拓扑结构。LCC-LCC的传输效率更高且传输更稳定,LCC-LCC 具有恒流源输出特性适用于电池负载;其输出电流不随输出电压变化而变化,系统鲁棒性较好;补偿网络中增加隔直电容,减小了直流分量造成的直流偏置;与原副边线圈串联的电感可以防止原副边线圈的直流磁化,具有良好的应用前景。
电动汽车无线充电技术的一个主要性能指标是效率问题,然而现有的无线充电系统补偿网络拓扑结构设计过程中,补偿结构的参数设计仍存在可优化之处。补偿结构的参数设计关系到整个无线电能传输系统的系统性能,但常见的无线电能传输系统在参数选取时,常通过多次实验来确定无线充电系统的最优的拓扑结构。多次实验不仅造成了人力物力的损耗,而且最终也可能无法确定效率最优解。
针对以上的问题,本发明提出了一种利用改进的麻雀算法对补偿网络拓扑结构参数进行寻优的方法。该方法可以更快捷的对拓扑结构的参数进行寻优,同时保证整个无线充电系统维持在较高的效率运行。
发明内容
本发明所要解决的技术问题是:提出一种改进的麻雀搜索算法对无线充电系统中的LCC-LCC补偿网络拓扑结构进行参数优化。该方法的主要目的是通过群智能优化算法对特定的补偿网络进行参数优化,从而保证整个系统的传输效率维持在一个较高的水平,同时利用群智能优化算法可以更快捷的对系统的设计进行更好的参数选型,避免了多次实验择优带来的不便之处。
本发明解决其技术问题的技术方案是:首先建立无线充电系统的电路模型,通过基尔霍夫电压定律等公式推导整个谐振网络的阻抗、电流、功率等公式,最后推导出整个无线充电系统的效率表达式,对效率表达式中出现的变量进行确定。利用新改进的麻雀搜索算法对已设变量进行寻优,最后确定最优的参数变量来使整个无线充电系统的效率最优。
本发明的技术方案为一种改进麻雀搜索算法的无线充电系统补偿网络优化方法,其特征在于,包括以下步骤:
步骤1:根据发射线圈补偿电感、接收线圈补偿电感、谐振频率、互感、负载电阻、电源内阻、发射线圈的等效自阻、接收线圈的等效自阻构建无线电能传输效率模型,进一步构建约束条件;
步骤2:结合步骤1所述的无线电能传输效率模型构建谐振参数优化目标模型,根据步骤1所述的约束条件,将步骤1所述的发射线圈补偿电感、接收线圈补偿电感作为待优化求解变量,通过改进的麻雀搜索算法进行优化得到优化后发射线圈补偿电感、优化后接收线圈补偿电感;
步骤3:根据优化后发射线圈补偿电感、优化后接收线圈补偿电感确定无线充电式电动汽车的补偿网络参数,通过补偿网络的参数优化设计降低系统的无功功率,提高无线充电系统效率,使得电动汽车能保持较高效率运行。
作为优选,步骤1所述无线电能传输效率模型为:
其中,L1为发射线圈补偿电感,L2为接收线圈补偿电感,ω是谐振频率,M 为互感,R0为负载电阻,Rs为电源内阻,Rt为发射线圈的等效自阻,Rr为接收线圈的等效自阻;
步骤1所述的发射线圈补偿电感L1、接收线圈补偿电感L2均为待优化求解的变量;
步骤1所述约束条件为:
其中,Lt为发射线圈电感,Lr为接收线圈电感,C1为与发射线圈并联的补偿电容值,C2为与接受线圈并联的补偿电容值,Ct为与发射线圈串联的补偿电容值,Cr为与接收线圈串联的补偿电容值;
作为优选,步骤2所述构建谐振参数优化目标模型为:
其中,η表示无线电能传输效率模型;
步骤2所述通过改进的麻雀搜索算法进行优化得到优化后发射线圈补偿电感、优化后接收线圈补偿电感,具体过程为:
步骤2.1:初始化种群,迭代次数M,种群下界lb,上界ub,维度d,设定种群n中生产者占种群的比例p并四舍五入后取整,此为发现者的数量。
步骤2.2:设定100只麻雀组成的种群可表示为如下形式:
其中,d为待优化变量的维数,n为设定麻雀种群的数量,则所有麻雀的适应度值可以表示为如下形式:
其中,f表示适应度值。通过计算适应度值对麻雀种群进行适应度值的排序。
步骤2.3:由开始设置的发现者个数占整个种群的比例,选取排序后相应数目的最优适应度值作为发现者,其余作为加入者,并选取一定数目的麻雀作为警戒者。在麻雀搜索算法中,适应度值较高的命名为发现者,发现者发现食物的能力更强,觅食范围更大,因此可以引导其它麻雀觅食。在每次迭代的过程中,发现者的位置更新描述如下:
其中,t表示当前迭代次数;j=1,2,3...d;itermax是一个常数,表示最大迭代次数。Xi,j表示第i个麻雀在第j维中的位置信息;α∈(0,1)是一个均匀随机数;Q为服从标准正态分布的随机数;L表示大小为1×d的矩阵,且矩阵内元素均为1;R2∈[0,1]和ST∈[0.5,1]分别代表预警值和安全值。当R2<ST时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。如果R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
在觅食过程中,一些加入者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物,它们会立即离开现在的位置去争夺食物。加入者的位置更新描述如下:
其中XP是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。 A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
麻雀搜索算法中存在一部分麻雀可以意识到危险的发生,命名为警戒者;
警戒者的数学表达式为:
其中Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数。K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值。fg和fw分别是当前全局最佳和最差的适应度值。ε为最小常数,防止分母出现0的情况。当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。Xbest表示这个位置的麻雀是种群中最好的位置也是十分安全的。fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。K表示麻雀移动的方向同时也是步长控制参数。
步骤2.3:将整个种群中所有麻雀个体划分完毕后,发现者、加入者、警戒者分别按照各自的位置更新公式进行位置更新,并得到麻雀的最优位置和所要优化目标模型的最小值fmin。
步骤2.4:在发现者最优位置的两次侧邻域搜索是否有更优解,加入天牛须算法,利用其位置更新机制计算其对应的最佳位置其具体公式如下:
其中,为第t+1次迭代时天牛须算法计算的最优麻雀位置,/>为第t次迭代时麻雀搜索算法计算的最优麻雀位置,/>为第t次迭代时天牛须算法的搜索步长,为第t次迭代的随机方向,sign为符号函数,d为维度,/>为第t次迭代时天牛左右须之间的距离,/>表示第t次迭代时右侧搜索位置的适应度值,/>为第t次迭代时左侧搜索位置的适应度值,/>为第t次迭代时右侧搜索位置的适应度值,/>为第次迭代时左侧搜索位置的适应度值。
步骤2.5:将两次计算出的最优位置和/>进行比较,二者较小的一个记作整个求解过程的最优解/>
步骤2.6:更新天牛须算法的步长δ与天牛须的搜索间距d。
步骤2.7:是否满足麻雀搜索算法的终止条件,若满足,则输出最优解若不满足,则再次进行步骤2.2进行适应度值的排序。
本发明与现有技术相比,具有以下优点:
本发明对无线电能传输系统中补偿网络LCC-LCC的电路模型进行效率公式的推导,对影响整个系统效率的变量进行分析。
本发明改进了麻雀搜索算法,在麻雀搜索算法的基础上添加了天牛须算法的算法更新机制,在麻雀搜索算法计算的最优位置两侧邻域进行更优位置的寻找,可以有效的避免麻雀搜索算法陷入局部最优解,以便对两个变量进行优化,来更好的计算最终的效率最优值,保证电动汽车无线充电系统效率维持在较高状态下。
附图说明
图1:本发明所述的改进麻雀搜索算法的无线充电系统补偿网络参数优化方法的流程图。
图2:本发明所述的补偿网络为LCC-LCC的无线充电系统电路原理图。
图3:本发明所述的改进麻雀搜索算法的算法流程图。
图4:本发明所述的改进麻雀搜索算法优化目标模型的结果图。
具体实施方式
为了方便本领域普通技术人员理解和实施该发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
一种改进麻雀搜索算法的无线充电系统补偿网络参数优化方法,如图1所示,具体包括以下步骤:
步骤1:根据发射线圈补偿电感、接收线圈补偿电感、谐振频率、互感、负载电阻、电源内阻、发射线圈的等效自阻、接收线圈的等效自阻构建无线电能传输效率模型,进一步构建约束条件;
步骤1最终得到的效率模型的公式表达为:
其中,ω是谐振频率,L1为发射线圈补偿电感,L2为接收线圈补偿电感,M 为互感,R0为负载电阻,Rs为电源内阻,Rt为发射线圈的等效自阻,Rr为接收线圈的等效自阻。
步骤1中的约束条件定义为:
其中Lt为发射线圈电感,Lr为接收线圈电感,C1为与发射线圈并联的补偿电容值,C2为与接受线圈并联的补偿电容值,Ct为与发射线圈串联的补偿电容值,Cr为与接收线圈串联的补偿电容值。
步骤1.1,建立整个无线充电系统的等效电路模型,推导所需要优化的效率表达式。
等效电路模型如图2所示,主要包括提供一定频率和幅值的高频交流电源,双边谐振补偿网络LCC-LCC,发射线圈与接收线圈,发射线圈与接收线圈的自阻,以及负载。Us为高频交流电源,L1为发射线圈补偿电感,L2为接收线圈补偿电感,的等效自阻。C1为与发射线圈并联的补偿电容值,C2为与接受线圈并联的补偿电容值,Ct为与发射线圈串联的补偿电容值,Cr为与接收线圈串联的补偿电容值。Lt为发射线圈电感,Lr为接收线圈电感,M为互感,R0为负载电阻,Rs为电源内阻,Rt为发射线圈的等效自阻,Rr为接收线圈等效自阻。
关于LCC-LCC补偿网络电路模型,根据基尔霍夫电压定律得到:
得到各电流的表达式为:
当满足谐振条件时:
可以得到简化后输入输出功率的表达式为:
得到效率的解析表达式为:
步骤1.2,对效率表达式的参数变量进行分析后可知此无线充电系统的效率受到发射线圈补偿电感L1和接收线圈补偿电感L2的影响,对发射线圈补偿电感与接收线圈补偿电感进行分析,其串联的补偿电感可以防止发射线圈与接收线圈的直流磁化。但串联的补偿电感并不能通过谐振关系来确定补偿器件的值,但需满足:
Lt和Lr在设定范围内可以进行更加灵活的进行参数设计,不同的取值使补偿拓扑的输出特性不同。
为了方便简易分析,此处忽略电源内阻Rs、发射线圈的等效自阻Rt,接收线圈等效自阻Rr,求解谐振后原电路模型发射线圈线圈电流值It,经过诺顿等效定理其公式为:
由此公式可知,发射线圈电流值与发射线圈补偿电感L1有关,发射线圈补偿电感L1的取值可以改变发射线圈线圈电流,决定发射侧的发射功率增益,从而接收侧回路与发射侧实现一定的解耦。同理接收侧回路中负载电压与输出功率的表达式为:
由此可知,发射侧与接收侧两个补偿电感的参数选择决定了负载电压与输出功率的值,较小的补偿电感值可以更大的放大输出功率,同时也影响着整个无线充电系统的效率。
确定补偿电感对整个系统的影响后,再设f=85×103为系统谐振频率,ω=170π×103为系统角频率,M=8×10-6为发射线圈与接收线圈的互感, R0=100为负载电阻,Rs=1为电源内阻,Rt=Rr=0.5为发射线圈与接收线圈的自阻。
步骤2:结合步骤1所述的无线电能传输效率模型构建谐振参数优化目标模型,根据步骤1所述的约束条件,将步骤1所述的发射线圈补偿电感、接收线圈补偿电感作为待优化求解变量,通过改进的麻雀搜索算法进行优化得到优化后的发射线圈补偿电感、优化后的接收线圈补偿电感。
步骤2所述构建谐振参数优化目标模型为:
其中,η表示无线电能传输效率模型;
步骤2中所述通过改进的麻雀搜索算法进行优化得到优化后发射线圈补偿电感、优化后接收线圈补偿电感,具体过程为:
步骤2.1:初始化种群,迭代次数M=100,种群下界lb,上界ub,维度d=2,设定种群n=100中生产者占种群的比例p=0.2并四舍五入后取整,本实施例设定发现者的数量为20。
步骤2.2:设定n=100只麻雀组成的种群可表示为如下形式:
其中d为待优化变量的维数,n为麻雀的数量,则所有麻雀的适应度值可以表示为如下形式:
其中f表示适应度值。通过计算适应度值对麻雀种群进行适应度值的排序。步骤2.3:由开始设置的发现者个数占整个种群的比例,选取排序后相应数目的最优适应度值作为发现者,其余作为加入者,并选取一定数目的麻雀作为警戒者。在麻雀搜索算法中,适应度值较高的命名为发现者,发现者发现食物的能力更强,觅食范围更大,因此可以引导其它麻雀觅食。在每次迭代的过程中,发现者的位置更新描述如下:
其中,t表示当前迭代次数;j=1,2;itermax是一个常数,表示最大迭代次数。Xi,j表示第i个麻雀在第j维中的位置信息;α∈(0,1)是一个均匀随机数,本实施例中α=0.5;Q为服从标准正态分布的随机数;L表示大小为1×2的矩阵,且矩阵内元素均为1;R2∈[0,1]和ST∈[0.5,1]分别代表预警值和安全值。当R2<ST 时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。如果R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。本实施例中设置ST=0.8。
在觅食过程中,一些加入者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物,它们会立即离开现在的位置去争夺食物。加入者的位置更新描述如下:
其中XP是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。 A表示一个1×2的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
麻雀搜索算法中存在一部分麻雀可以意识到危险的发生,命名为警戒者。假设这些意识到危险的麻雀占总数量的10%到20%。这些麻雀的初始位置是在种群中随机产生的。本实施例中,麻雀中警戒者的个数为10-20只,警戒者位置的数学表达式可以表示为如下形式:
其中Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数。K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值。fg和fw分别是当前全局最佳和最差的适应度值。ε为最小常数,防止分母出现0的情况。当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。Xbest表示这个位置的麻雀是种群中最好的位置也是十分安全的。fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。K表示麻雀移动的方向同时也是步长控制参数。
步骤2.3:将整个种群中所有麻雀个体划分完毕后,发现者、加入者、警戒者分别按照各自的位置更新公式进行位置更新,并得到麻雀的最优位置和所要优化目标模型的最小值fmin。
步骤2.4:在发现者最优位置的两次侧邻域搜索是否有更优解,加入天牛须算法,利用其位置更新机制计算其对应的最佳位置天牛须算法的初始化步长为δ=0.8,天牛左右须的间距为d=0.01,其具体公式如下:
其中,为第t+1次迭代时天牛须算法计算的最优麻雀位置,/>为第t次迭代时麻雀搜索算法计算的最优麻雀位置,/>为第t次迭代时天牛须算法的搜索步长,为第t次迭代的随机方向,sign为符号函数,d为维度,/>为第t次迭代时天牛左右须之间的距离,/>表示第t次迭代时右侧搜索位置的适应度值,/>为第t次迭代时左侧搜索位置的适应度值,/>为第t次迭代时右侧搜索位置的适应度值,/>为第次迭代时左侧搜索位置的适应度值。
步骤2.5:将两次计算出的最优位置和/>进行比较,二者较小的一个记作整个求解过程的最优解/>
步骤2.6:更新天牛须算法的步长δ与天牛须的搜索间距d。
步骤2.7:是否满足麻雀搜索算法的终止条件,若满足,则输出最优解;若不满足,则再次进行步骤2.2进行适应度值的排序。
综上所述,改进麻雀算法流程如图3所示。
步骤3:在整个无线充电系统设计时,涉及到补偿网络拓扑结构LCC-LCC的参数选取时,通过改进的麻雀搜索算法对LCC-LCC拓扑结构的发射线圈补偿电感 L1和接收线圈补偿电感L2进行寻优,根据优化后发射线圈补偿电感L1、优化后接收线圈补偿电感L2确定无线充电式电动汽车的补偿网络参数,通过补偿网络的参数优化设计降低系统的无功功率,提高无线充电系统效率,使得电动汽车能保持较高效率运行。
图4为改进后的麻雀搜索算法以系统传输效率为目标函数的收敛曲线图。通过改进后的麻雀搜索算法总能快速寻找到系统最优传输效率下对应的发射线圈补偿电感值和接收线圈补偿电感值,使得系统能保持较高效率运行。
应当理解,上述实施例仅用于对本发明进行描述,并非对本发明专利保护范围的限制,本领域的普通技术人员在本发明启示下,在不脱离本发明专利要求保护的范围情况下,可以对所述实施例进行替换或变性,均落入本发明的保护范围之内。
Claims (2)
1.一种改进麻雀搜索算法的无线充电系统补偿网络优化方法,其特征在于,包括以下步骤:
步骤1:根据发射线圈补偿电感、接收线圈补偿电感、谐振频率、互感、负载电阻、电源内阻、发射线圈的等效自阻、接收线圈的等效自阻构建无线电能传输效率模型,进一步构建约束条件;
步骤2:结合步骤1所述的无线电能传输效率模型构建谐振参数优化目标模型,根据步骤1所述的约束条件,将步骤1所述的发射线圈补偿电感、接收线圈补偿电感作为待优化求解变量,通过改进的麻雀搜索算法进行优化得到优化后发射线圈补偿电感、优化后接收线圈补偿电感;
步骤3:根据优化后发射线圈补偿电感、优化后接收线圈补偿电感确定无线充电式电动汽车的补偿网络参数,通过补偿网络的参数优化设计降低系统的无功功率,提高无线充电系统效率,使得电动汽车能保持较高效率运行;
步骤1所述无线电能传输效率模型为:
其中,L1为发射线圈补偿电感,L2为接收线圈补偿电感,ω是谐振频率,M为互感,R0为负载电阻,Rs为电源内阻,Rt为发射线圈的等效自阻,Rr为接收线圈的等效自阻;
步骤1所述的发射线圈补偿电感L1、接收线圈补偿电感L2均为待优化求解的变量;
步骤1所述约束条件为:
其中,Lt为发射线圈电感,Lr为接收线圈电感,C1为与发射线圈并联的补偿电容值,C2为与接受线圈并联的补偿电容值,Ct为与发射线圈串联的补偿电容值,Cr为与接收线圈串联的补偿电容值。
2.根据权利要求1所述的改进麻雀搜索算法的无线充电系统补偿网络优化方法,其特征在于,步骤2所述构建谐振参数优化目标模型为:
其中,η表示无线电能传输效率模型;
步骤2所述通过改进的麻雀搜索算法进行优化得到优化后发射线圈补偿电感、优化后接收线圈补偿电感,具体过程为:
步骤2.1:初始化种群,设定种群n中生产者占种群的比例p并四舍五入后取整,此为发现者的数量;
步骤2.2:设定100只麻雀组成的种群可表示为如下形式:
其中,d为待优化变量的维数,则所有麻雀的适应度值表示为如下形式:
其中,f表示适应度值;通过计算适应度值对麻雀种群进行适应度值的排序;
步骤2.3:由开始设置的发现者个数占整个种群的比例,选取排序后相应数目的最优适应度值作为发现者,其余作为加入者,并选取一定数目的麻雀作为警戒者;在麻雀搜索算法中,适应度值较高的命名为发现者,发现者发现食物的能力更强,觅食范围更大,因此可以引导其它麻雀觅食;在每次迭代的过程中,发现者的位置更新描述如下:
其中,t表示当前迭代次数;j=1,2,3...d;itermax是一个常数,表示最大迭代次数;Xi,j表示第i个麻雀在第j维中的位置信息;α∈(0,1)是一个均匀随机数;Q为服从标准正态分布的随机数;L表示大小为1×d的矩阵,且矩阵内元素均为1;R2∈[0,1]和ST∈[0.5,1]分别代表预警值和安全值;当R2<ST时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作;如果R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食;
在觅食过程中,一些加入者会时刻监视着发现者;一旦它们察觉到发现者已经找到了更好的食物,它们会立即离开现在的位置去争夺食物;加入者的位置更新描述如下:
其中,XP是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置;A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1;当i>50时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量;
麻雀搜索算法中存在一部分麻雀可以意识到危险的发生,命名为警戒者;
警戒者的数学表达式为:
其中Xbest是当前的全局最优位置;β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值;fg和fw分别是当前全局最佳和最差的适应度值;ε为最小常数,防止分母出现0的情况;当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击;Xbest表示这个位置的麻雀是种群中最好的位置也是十分安全的;fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险;K表示麻雀移动的方向同时也是步长控制参数;
步骤2.4:将整个种群中所有麻雀个体划分完毕后,发现者、加入者、警戒者分别按照各自的位置更新公式进行位置更新,并得到麻雀的最优位置和所要优化目标模型的最小值fmin;
步骤2.5:在发现者最优位置的两次侧邻域搜索是否有更优解,加入天牛须算法,利用其位置更新机制计算其对应的最佳位置其具体公式如下:
其中,为第t+1次迭代时天牛须算法计算的最优麻雀位置,/>为第t次迭代时麻雀搜索算法计算的最优麻雀位置,/>为第t次迭代时天牛须算法的搜索步长,/>为第t次迭代的随机方向,sign为符号函数,d为维度,/>为第t次迭代时天牛左右须之间的距离,/>表示第t次迭代时右侧搜索位置,/>为第t次迭代时左侧搜索位置,/>为第t次迭代时右侧搜索位置的适应度值,/>为第次迭代时左侧搜索位置的适应度值;
步骤2.6:将两次计算出的最优位置和/>进行比较,二者较小的一个记作整个求解过程的最优解/>
步骤2.7:更新天牛须算法的步长δ与天牛须的搜索间距;
步骤2.8:是否满足麻雀搜索算法的终止条件,若满足,则输出最优解若不满足,则再次进行步骤2.2进行适应度值的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250814.5A CN114792066B (zh) | 2022-03-15 | 2022-03-15 | 一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210250814.5A CN114792066B (zh) | 2022-03-15 | 2022-03-15 | 一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114792066A CN114792066A (zh) | 2022-07-26 |
CN114792066B true CN114792066B (zh) | 2024-06-14 |
Family
ID=82460384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210250814.5A Active CN114792066B (zh) | 2022-03-15 | 2022-03-15 | 一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792066B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776749B (zh) * | 2023-08-22 | 2023-11-17 | 吉林大学 | 一种考虑不确定性的电动汽车无线充电装置优化方法 |
CN117896219A (zh) * | 2024-03-18 | 2024-04-16 | 中国民航大学 | 一种基于ssa寻优的lms均衡优化方法、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109004755A (zh) * | 2018-07-18 | 2018-12-14 | 重庆大学 | 互补对称式lcc谐振网络的ec-wpt系统参数优化方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106549394B (zh) * | 2016-12-07 | 2018-11-27 | 东北大学 | 基于双鱼群算法的电力无功优化系统及方法 |
CN109327065B (zh) * | 2018-12-06 | 2020-02-21 | 华为技术有限公司 | 无线充电系统的接收端、方法、用电终端、发射端及系统 |
CN111625981B (zh) * | 2020-05-29 | 2022-12-13 | 福州大学 | 基于ssp补偿的无线电能传输磁耦合系统结构参数优化方法 |
CN113363963B (zh) * | 2021-05-20 | 2022-05-20 | 南昌大学 | 一种改进麻雀搜索算法优化三相sapf直流侧控制方法 |
CN113691027B (zh) * | 2021-06-23 | 2023-12-05 | 北京交通大学 | 一种lcc-s型无线电能传输系统及参数设计方法 |
CN113794286A (zh) * | 2021-09-06 | 2021-12-14 | 湖北工业大学 | 一种无线电能传输系统参数优化方法及装置 |
-
2022
- 2022-03-15 CN CN202210250814.5A patent/CN114792066B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109004755A (zh) * | 2018-07-18 | 2018-12-14 | 重庆大学 | 互补对称式lcc谐振网络的ec-wpt系统参数优化方法 |
Non-Patent Citations (1)
Title |
---|
多方位无线电能传输耦合机构设计与分析;常雨芳等;电源学报;20220226;第1-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114792066A (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792066B (zh) | 一种改进麻雀搜索算法的无线充电系统补偿网络优化方法 | |
Parsopoulos et al. | Particle swarm optimization method for constrained optimization problems | |
CN112231988B (zh) | Ipt系统抗偏移参数优化方法、系统及计算机设备 | |
Xue et al. | Path planning of mobile robot based on improved ant colony algorithm for logistics | |
CN111371196A (zh) | 浮频实本征态磁耦合无线电能传输系统及其设计方法 | |
Yan et al. | A performance enhanced niching multi-objective bat algorithm for multimodal multi-objective problems | |
Iordache et al. | On exact circuit analysis of frequency splitting and bifurcation phenomena in wireless power transfer systems | |
Chen et al. | Solving multi-objective optimization problem using cuckoo search algorithm based on decomposition | |
Yu et al. | Dynamic density clustering ant colony algorithm with filtering recommendation backtracking mechanism | |
CN111725900A (zh) | 定频实本征态磁耦合无线电能传输系统及其设计方法 | |
Achankunju et al. | Particle swarm optimization based secure QoS clustering for mobile ad hoc network | |
Deb et al. | A hybrid evolutionary multi-objective and SQP based procedure for constrained optimization | |
Abugri et al. | Particle swarm optimization for the minimization of power losses in distribution networks | |
PADMA et al. | Application of fuzzy and ABC algorithm for DG placement for minimum loss in radial distribution system | |
CN114595565B (zh) | 一种改进鲸鱼算法求解无线电能传输系统参数优化方法 | |
Bertoluzzo et al. | Multiobjective optimization of compensation networks for wireless power transfer systems | |
CN114745288B (zh) | 基于区块链和动态赋权的复杂网络抗毁性模型量化方法 | |
CN109066913A (zh) | 基于遗传算法的无线充电磁耦合装置优化方法及系统 | |
Mitra et al. | Comparative study of population based techniques for power system stabilizer design | |
Garcia-Garcia et al. | CMOGA/D: A novel cellular ga based on decomposition to tackle constrained multiobjetive problems | |
CN114444354B (zh) | 一种改进多目标灰狼算法的无线充电系统参数优化方法 | |
CN112311104B (zh) | 一种类eit多中继无线电能传输系统及其设计方法 | |
Thanoon et al. | Modified grey wolf optimization algorithm by using classical optimization methods | |
CN111931361A (zh) | 一种馈电电参量可调的多发射单接收wpt优化方法 | |
Neeli et al. | Spotted Hyena Optimized PI-PD Controller for Frequency control of Standalone μ-Grid Incorporating Electric Vehicles |
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 |