CN116542006A - 一种车载电源系统拓扑结构设计方法 - Google Patents

一种车载电源系统拓扑结构设计方法 Download PDF

Info

Publication number
CN116542006A
CN116542006A CN202310828776.1A CN202310828776A CN116542006A CN 116542006 A CN116542006 A CN 116542006A CN 202310828776 A CN202310828776 A CN 202310828776A CN 116542006 A CN116542006 A CN 116542006A
Authority
CN
China
Prior art keywords
wuyangull
optimal
vehicle
power supply
supply system
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
CN202310828776.1A
Other languages
English (en)
Other versions
CN116542006B (zh
Inventor
马晓军
刘春光
陈克伟
魏曙光
袁东
朱宁龙
杨恒程
李嘉麒
张嘉曦
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.)
Academy of Armored Forces of PLA
Original Assignee
Academy of Armored Forces of PLA
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 Academy of Armored Forces of PLA filed Critical Academy of Armored Forces of PLA
Priority to CN202310828776.1A priority Critical patent/CN116542006B/zh
Publication of CN116542006A publication Critical patent/CN116542006A/zh
Application granted granted Critical
Publication of CN116542006B publication Critical patent/CN116542006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种车载电源系统拓扑结构设计方法，涉及电源设计技术领域，包括步骤：将车载电源系统中车辆电力负载需求作为车载电源系统拓扑结构的目标函数，根据目标函数计算最优乌燕鸥位置；利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，获得改进型乌燕鸥优化算法；通过改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，获得最优乌燕鸥结果，即获得对应的车载电源系统拓扑结构的最优参数信息；根据最优参数信息构建优化后的车载电源系统拓扑结构。本发明通过提升种群位置分布的均匀性和多样性，对乌燕鸥位置搜索范围的增大，大大提高了车载电源系统拓扑结构的最优参数精度，提高供电可靠性和车辆行驶的安全性。

Description

一种车载电源系统拓扑结构设计方法
技术领域
本发明涉及电源设计技术领域，尤其涉及一种车载电源系统拓扑结构设计方法。
背景技术
随着新军事变革持续推进，新的作战方式对装备提出更高的要求，而电传动车辆采用电机驱动车辆行驶，具有低速扭矩大、动态响应快、调速范围宽、传动效率高、结构简单等优点，电传动车辆具有更优越的机动性能。为实现对车辆电力的统一管理，电传动车辆电源系统及其控制技术研究得到世界各国重视，并取得很大的进展。
车载电源系统是为装甲车辆的用电负载统一提供电力的微电网系统，其一般包含多能源装置（发动机-发电机组、储能装置等），并对其按照一定的控制策略进行有机的管控，实现大功率电能生成、变换、存储控制，能够满足用电负载的不间断供电要求。
根据负载需求功率特点构建合理的供电体系，并以此为基础设计拓扑结构，满足不同任务负载、不同工况下的电功率需求，对电传动装甲车辆的开发具有重要支撑作用。
智能优化算法作为人工智能的热点研究内容之一，在各类电气领域的拓扑结构设计中有着广泛的应用。例如，张青林等人提出一种深度优先搜索和灰狼优化算法相混合的重构方法。李锐等人发明了一种配网联式直流断路器拓扑结构及其设计参数寻优方法。苗淼等人发明了大型风电基地功率汇集系统拓扑结构分层优化设计方法。
乌燕鸥优化算法（Sooty tern optimization algorithm，STOA）是一种模拟乌燕鸥觅食行为的新型智能优化算法，同样可以应用于车载电源系统拓扑结构设计问题。但是，使用乌燕鸥优化算法在设计车载电源系统拓扑结构存在有一些缺陷，容易陷入局部最优和收敛精度不高，导致在进行车载电源系统拓扑结构设计时，获得的最终参数往往达不到理想的设计效果，不能满足车辆用电负载的不间断供电要求。
发明内容
本发明提供了一种车载电源系统拓扑结构设计方法，目的是解决现有技术拓扑结构设计过程中出现盲目性和随机性及陷入局部最优解的问题。
为了实现上述目的，本发明提供如下技术方案：一种车载电源系统拓扑结构设计方法，包括如下步骤：
根据所要设计车载电源系统的基本要素和负载参数，初始化车载电源系统的拓扑结构和参数信息；
根据车载电源系统中车辆电力负载特点，构建车载电源系统中拓扑结构的目标函数，并根据目标函数计算最优适应度值和由参数信息构成的乌燕鸥位置；
利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，获得改进型乌燕鸥优化算法；
通过所述改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，获得对应的车载电源系统拓扑结构的最优参数信息；
根据所述最优参数信息构建优化后的车载电源系统拓扑结构。
优选的，所述车载电源系统的基本要素和负载参数，包括电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数。
优选的，所述根据目标函数计算最优适应度值和由参数信息构成的最优乌燕鸥位置，包括步骤：
基于乌燕鸥算法设置相关参数；所述相关参数包括：乌燕鸥种群的大小N、迭代的最大次数Miter、乌燕鸥寻优下边界LB与乌燕鸥寻优上边界UB；
利用高斯映射初始化设置相关参数后的乌燕鸥位置；
根据目标函数计算初始化后乌燕鸥位置的适应度值，并记录最优乌燕鸥位置。
优选的，所述利用高斯映射初始化设置相关参数后的乌燕鸥种群位置，包括步骤：
通过高斯映射产生随机数：
利用产生的所述随机数初始化乌燕鸥位置：
其中，表示当前第t次迭代的乌燕鸥位置，xt为随机数，mod(·)为求余函数，xt+1为下一个随机数。
优选的，所述利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，具体包括步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
式中：表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；/>为避免碰撞的变量因素，用于计算避免碰撞后的位置，它的约束条件公式如下：
式中：为用来调整/>的控制变量；t表示当前迭代次数；/>随着迭代次数的增加，从/>逐渐减小为0；如假设/>为2，/>将从2逐渐减小为0；
聚集：为当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
式中：是第t次迭代乌燕鸥的最优位置；/>表示在不同位置/>向最优位置/>移动的过程；/>是一个使勘探更加全面的随机变量，按照以下公式变化：
式中：rand[0,1]范围内的随机数；
更新：为当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
式中：是乌燕鸥从当前位置向最优位置方向移动的距离；
优选的，所述迁移过程中，对乌燕鸥的攻击行为建立数学模型，具体为：
式中：x、y和z分别为不同平面的坐标；r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数； e是自然对数的底数；
所述改进型乌燕鸥优化算法的乌燕鸥位置更新公式如下：
其中：为更新后的第t+1次迭代的乌燕鸥位置；/>表示第t次迭代的最佳位置；/>为当前乌燕鸥的位置；/>是乌燕鸥从当前位置向最优位置方向移动的距离；/>表示莱维飞行分布函数，d表示需要产生Levy飞行数据的个数；/>为常数系数；为布朗运动的随机游走系数；/>为标准正态随机数；
其中莱维飞行分布函数的表达式为：
其中：λ取值1.5；s为常数；ω和k是[0,1]之间的随机数；σ由下式计算：
其中：表示Gamma函数。
优选的，所述根据目标函数计算初始化后乌燕鸥位置的适应度值，并记录最优乌燕鸥位置，具体包括：
计算适应度值：
记录适应度值的信息，并获取记录当次迭代中适应度值最优的最优乌燕鸥位置；
其中，fitness(·)为适应度值，为计算适应度值时的适应度函数。
优选的，所述通过所述改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，具体包括步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向；
式中，SinValue为sine混沌值；x0为迭代序列值；
对最优位置进行变异扰动；
式中：表示第t+1次迭代的最优位置/>的第j维；/>为最优位置/>的变异扰动值；
贪婪更新：
每个维度都进行变异后，停止变异；
重复获取最优乌燕鸥位置的过程，达到最大迭代次数Miter后，算法停止，输出最优乌燕鸥结果。
本发明与现有技术相比具有以下有益效果：
本发明引入海马优化算法，综合考虑了根据标准正态随机数大小来切换位置的更新模式、本次迭代乌燕鸥最优位置等因素更新由参数信息构成的乌燕鸥位置，获得对应的车载电源系统拓扑结构的最优参数信息，由最优参数信息构建优化后的车载电源系统拓扑结构，实现了对乌燕鸥位置搜索范围的增大，大大提高了车载电源系统拓扑结构的最优参数精度，提高供电可靠性和车辆行驶的安全性。
附图说明
图1为本发明提供的整体流程图；
图2为本发明提供的一种多电压等级混合供电的车载电源系统拓扑结构图；
图3为本发明提供的非隔离4相交错并联BUCK-BOOST拓扑结构图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的目的就是提出一种车载电源系统拓扑结构设计方法，它克服了乌燕鸥优化算法存在的几点不足，能够显著提升车载电源系统拓扑结构的设计效果。
如图1所示，一种车载电源系统拓扑结构设计方法，具体包括步骤：
S1：根据所要设计车载电源系统的基本要素和负载参数，初始化车载电源系统的基本拓扑结构和参数信息。
所述基本要素和负载参数为：电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数等。
S2：根据车载电源系统中车辆电力负载特点，构建车载电源系统中拓扑结构的目标函数，并根据目标函数计算最优适应度值和由参数信息构成的乌燕鸥位置。
进行参数设置，主要包括：乌燕鸥种群的大小（即乌燕鸥个体的数量）N；迭代的最大次数（即迭代停止的条件）Miter；乌燕鸥寻优下边界LB；乌燕鸥寻优上边界UB。
利用高斯映射初始化设置相关参数后的乌燕鸥代理种群位置。
高斯映射随机数产生：
(1)
利用产生的高斯随机数初始化乌燕鸥位置：
(2)
其中，xt为随机数，mod(·)为求余函数，xt+1为下一个随机数。
通过引入高斯映射进行乌燕鸥位置的初始化，可以提升种群位置分布的均匀性和多样性，进而获得最终乌燕鸥位置的稳定性得以增强。
根据目标函数计算初始化后乌燕鸥位置的适应度值，并记录最优乌燕鸥位置。
计算适应度值。
（3）
式中，fitness(·)为适应度值，为计算适应度值时的适应度函数。
记录信息。记录当次迭代中最优乌燕鸥。
S3：利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，获得改进型乌燕鸥优化算法。其中，所述改进型乌燕鸥优化算法根据标准正态随机数大小来切换乌燕鸥位置的更新模式，以及通过本次迭代乌燕鸥最优位置更新乌燕鸥位置。
乌燕鸥的迁移行为，即算法的勘探部分，主要分为三个阶段：冲突避免，聚集和更新。
a)冲突避免。
模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
(4)
式中：表示当前第t次迭代的乌燕鸥的位置；/>表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；/>代表了一个避免碰撞的变量因素，用来计算避免碰撞后的位置，它的约束条件公式如下：
(5)
式中：为用来调整/>的控制变量；t表示当前迭代次数；/>随着迭代次数的增加，从/>逐渐减小为0；如假设/>为2，/>将从2逐渐减小为0。
b）聚集。
聚集是指当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
(6)
式中：是第t次迭代乌燕鸥的最优位置；/>表示在不同位置/>向最优位置/>移动的过程；/>是一个使勘探更加全面的随机变量，按照以下公式变化：
(7)
式中：rand[0,1]范围内的随机数。
c)更新。
更新是指当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
(8)
式中：是乌燕鸥从当前位置向最优位置方向移动的距离。
攻击行为：
在迁移过程中，乌燕鸥可以通过翅膀提高飞行高度，也可以调整自身的速度和攻击角度，在攻击猎物的时候，它们在空中的盘旋行为可定义为以下数学模型：
(9)
式中：x、y和z分别为不同平面的坐标；r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数，均可设定为1；e是自然对数的底数。
原始乌燕鸥算法中，只利用最优乌燕鸥位置进行引导，来更新乌燕鸥位置，为了更加有效地提高乌燕鸥的全局搜索能力，引入海马优化算法的位置更新机制来改进乌燕鸥位置更新方式，综合考虑了根据标准正态随机数大小来切换位置的更新模式、本次迭代乌燕鸥最优位置等因素更新乌燕鸥位置，避免每次迭代中出现局部最优，进而提高乌燕鸥算法的全局搜索能力。
借鉴海马优化算法，改进后的乌燕鸥位置更新公式如下：
(10)
其中：为更新后的第t+1次迭代的乌燕鸥位置；/>表示第t次迭代的最佳位置；/>为当前乌燕鸥的位置；/>是乌燕鸥从当前位置向最优位置方向移动的距离；/>表示莱维飞行分布函数，/>表示需要产生Levy飞行数据的个数；/>为常数系数；/>为布朗运动的随机游走系数；/>为标准正态随机数。
（11）
其中：λ是[0,2]之间的随机数，一般取值1.5；s是一个固定常数；ω和k是[0,1]之间的随机数；σ由下式计算：
（12）
其中：表示Gamma函数。
（13）
S4：通过改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，获得最优乌燕鸥结果，即获得对应的车载电源系统拓扑结构的最优参数信息。
对最优乌燕鸥，进行逐维度双向sine变异。对于维度j。首先根据当前迭代次数计算sine混沌值。并等概率切换正负方向。
(14)
(15)
式中，SinValue为sine混沌值；x0为迭代序列值。
然后对最优位置进行变异扰动：
(16)
式中：表示第t+1次迭代的最优位置/>的第j维；/>为最优位置/>的变异扰动值。
贪婪更新：
(17)
每个维度都进行变异后，停止变异。
记录信息。记录当次迭代中最优乌燕鸥。
重复执行步骤，达到最大迭代次数Miter后，算法停止，输出最优乌燕鸥结果，即得到最优车载电源系统拓扑结构设计方案。
S5：根据最优参数信息构建优化后的车载电源系统拓扑结构。
实施例1：
根据电传动车辆电力负载需求特点，使用本发明提出的车载电源系统拓扑结构设计方法，设计了一种多电压等级混合供电的车载电源系统拓扑结构，如图2所示：
（1）发动机作为原动机，通过联轴器拖动交流发电机发电，输出的交流电经发电机控制器整流，输出高压900V直流电，构成主电源支路，并通过接触器K1连接900V直流母线。
（2）超级电容、高压电池、双向DC-DC及接触器K3、K4、K5、K6，构成辅助电源支路，并通过接触器K2连接900V直流母线，与主电源支路汇流后，并联为900V用电负载供电。
（3）900V直流母线通过接触器K10连接保护电阻，在母线电压超过规定阈值或超级电容放电时接通，将电能消耗在电阻上。
（4）高压电池经过接触器K7直接为800VDC用电负载供电，并为270VDC-DC变换器、28VDC-DC变换器提供高压直流输入。
（5）270VDC-DC变换器输出270V直流电，可通过电阻R、接触器K8、K9构成的充电支路为电容模组充电，二者并联为270V用电负载供电。
（6）270VDC-DC变换器输出28V直流电，可为车体电池、精电池充电，分别为28VDC粗电负载、28VDC精电负载供电；车体电池与精电池之间串接电力二极管D，防止精电池向车体电池放电。
该车载电源系统结构的主要特点是：
（1）该车载电源系统可提供900VDC（波动范围650V～1000V）、800VDC、270VDC、28VDC共四种电压等级，为电传动装甲车辆各类用电负载提供不间断的电能。
（2）通过对接触器K1~K10的控制端J1+、J1-、J2+、J2-、J3+、J3-、J4+、J4-、J5+、J5-、J6+、J6-、J7+、J7-、J8+、J8-、J9+、J9-、J10+、J10-分别施加电压，控制相应接触器的通断，可改变电源系统的拓扑结构，满足电传动装甲车辆的多种运行工况及使用要求。
（3）接触器K4、K2闭合时，超级电容直接连接900V用电负载，可利用超级电容内阻小、功率密度高、动态响应快的特性，平衡电力负载中的高频功率分量，达到稳定母线电压的目的。
（4）接触器K7闭合时，高压电池直接连接800V用电负载，如转向系统、制动系统等，简化供电链路，并与动力驱动系统900VDC用电负载进行分离供电，便于故障隔离与保护，提高供电可靠性和车辆行驶的安全性。
（5）双向DCDC采用非隔离4相交错并联BUCK-BOOST拓扑结构，实现低压侧与高压侧之间的能量双向流动，主电路拓扑结构如图3所示。根据上位机控制指令，桥臂上管Q1、Q3、Q5、Q7接通，下管Q2、Q4、Q6、Q8关断（反并联二极管续流），运行于BUCK工作模式；桥臂下管Q2、Q4、Q6、Q8接通，上管Q1、Q3、Q5、Q7关断（反并联二极管续流），运行于BOOST工作模式。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (7)

1.一种车载电源系统拓扑结构设计方法，其特征在于，包括如下步骤：
根据所要设计车载电源系统的基本要素和负载参数，初始化车载电源系统的拓扑结构和参数信息；
根据车载电源系统中车辆电力负载特点，构建车载电源系统中拓扑结构的目标函数，并根据目标函数计算最优适应度值和由参数信息构成的乌燕鸥位置；
利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，获得改进型乌燕鸥优化算法；其中，所述改进型乌燕鸥优化算法根据标准正态随机数大小来切换乌燕鸥位置的更新模式，以及通过本次迭代乌燕鸥最优位置更新乌燕鸥位置；
通过所述改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，获得对应的车载电源系统拓扑结构的最优参数信息；
根据所述最优参数信息构建优化后的车载电源系统拓扑结构。
2.如权利要求1所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述车载电源系统的基本要素和负载参数，包括电压等级参数、发动机、超级电容、高压电池、双向DC-DC变换器、各类负载参数。
3.如权利要求1所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述根据目标函数计算最优适应度值和由参数信息构成的最优乌燕鸥位置，包括步骤：
基于乌燕鸥算法设置相关参数；其中所述相关参数包括：乌燕鸥种群的大小N、迭代的最大次数Miter、乌燕鸥寻优下边界LB与乌燕鸥寻优上边界UB；
利用高斯映射初始化设置相关参数后的乌燕鸥位置；
根据目标函数计算初始化后乌燕鸥位置的适应度值，并记录最优乌燕鸥位置。
4.如权利要求3所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述利用高斯映射初始化设置相关参数后的乌燕鸥种群位置，包括步骤：
通过高斯映射产生随机数：
利用产生的所述随机数初始化乌燕鸥位置：
其中，表示当前第t次迭代的乌燕鸥位置，xt为随机数，mod(·)为求余函数，xt+1为下一个随机数。
5.如权利要求4所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述利用海马优化算法的更新机制替换原有乌燕鸥优化算法的位置更新方式，具体包括步骤：
冲突避免：模拟乌燕鸥的冲突避免行为过程，用如下公式表达：
式中：表示的是在不与其他乌燕鸥碰撞的情况下乌燕鸥的新位置；/>为避免碰撞的变量因素，用于计算避免碰撞后的位置，它的约束条件公式如下：
式中：Cf为用来调整SA的控制变量；t表示当前迭代次数；SA随着迭代次数的增加，从Cf逐渐减小为0；假设Cf为2，SA将从2逐渐减小为0；
聚集：为当前乌燕鸥在避免冲突的前提下向相邻乌燕鸥中最好的位置靠拢，也就是向最优位置靠拢，其数学表达式如下：
式中：是第t次迭代乌燕鸥的最优位置；/>表示在不同位置/>向最优位置/>移动的过程；/>是一个使勘探更加全面的随机变量，按照以下公式变化：
式中：为[0,1]范围内的随机数；
更新：为当前乌燕鸥朝着最优位置的所在方向进行移动，更新位置，其数学表达式为：
式中：是乌燕鸥从当前位置向最优位置方向移动的距离；
攻击行为：迁移过程中，对乌燕鸥的攻击行为建立数学模型，具体为：
式中：x、y和z分别为不同平面的坐标；r是每个螺旋的半径；θ是[0，2π]范围内的随机角度值；u和v是定义螺旋形状的相关常数；e是自然对数的底数；
所述改进型乌燕鸥优化算法的乌燕鸥位置更新公式如下：
其中：为更新后的第t+1次迭代的乌燕鸥位置；/>表示第t次迭代的最佳位置；/>为当前乌燕鸥的位置；/>是乌燕鸥从当前位置向最优位置方向移动的距离；/>表示莱维飞行分布函数，/>表示需要产生Levy飞行数据的个数；/>为常数系数；为布朗运动的随机游走系数；/>为标准正态随机数；
其中莱维飞行分布函数的表达式为：
其中：取值1.5；s为常数；/>和/>是[0,1]之间的随机数；/>由下式计算：
其中：表示Gamma函数。
6.如权利要求5所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述根据目标函数计算初始化后乌燕鸥位置的适应度值，并记录最优乌燕鸥位置，具体包括：
计算适应度值：
记录适应度值的信息，并获取当次迭代中适应度值最优的最优乌燕鸥位置；
其中，fitness(·)为适应度值，为计算适应度值时的适应度函数。
7.如权利要求6所述的一种车载电源系统拓扑结构设计方法，其特征在于，所述通过所述改进型乌燕鸥优化算法迭代更新最优乌燕鸥位置，具体包括步骤：
对于维度j，根据当前迭代次数计算sine混沌值，并等概率切换正负方向；
式中，SinValue为sine混沌值；x0为迭代序列值；
对最优位置进行变异扰动；
式中：表示第t+1次迭代的最优位置/>的第j维；/>为最优位置/>的变异扰动值；
贪婪更新：
每个维度都进行变异后，停止变异；
重复获取最优乌燕鸥位置的过程，达到最大迭代次数Miter后，算法停止，输出最优乌燕鸥结果。
CN202310828776.1A 2023-07-07 2023-07-07 一种车载电源系统拓扑结构设计方法 Active CN116542006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310828776.1A CN116542006B (zh) 2023-07-07 2023-07-07 一种车载电源系统拓扑结构设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310828776.1A CN116542006B (zh) 2023-07-07 2023-07-07 一种车载电源系统拓扑结构设计方法

Publications (2)

Publication Number Publication Date
CN116542006A true CN116542006A (zh) 2023-08-04
CN116542006B CN116542006B (zh) 2024-06-18

Family

ID=87456448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310828776.1A Active CN116542006B (zh) 2023-07-07 2023-07-07 一种车载电源系统拓扑结构设计方法

Country Status (1)

Country Link
CN (1) CN116542006B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117021977A (zh) * 2023-10-10 2023-11-10 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10040946A1 (de) * 2000-08-11 2002-03-07 Vw Bordnetze Gmbh Heinenkamp Verfahren zur Ermittlung einer Topologie eines Bordnetzes
US20060015829A1 (en) * 2004-07-13 2006-01-19 Bart De Smedt Method and apparatus for designing electronic circuits using optimization
CN109995021A (zh) * 2019-01-28 2019-07-09 西安交通大学 一种基于典型拓扑匹配的微电网系统源-网协调规划方法
CN113901623A (zh) * 2021-10-18 2022-01-07 南京工程学院 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法
CN114201916A (zh) * 2021-12-09 2022-03-18 南京工程学院 一种基于参数优化的微网混合储能系统剩余功率分解方法
WO2022179302A1 (zh) * 2021-02-25 2022-09-01 国网河北省电力有限公司经济技术研究院 配电网自愈重构规划方法、装置及终端
CN115640823A (zh) * 2022-12-26 2023-01-24 中国人民解放军陆军装甲兵学院 一种基于智能优化算法的网络安全态势预测方法
CN115657694A (zh) * 2022-12-29 2023-01-31 中国人民解放军陆军装甲兵学院 一种基于空地信息交互的无人车路径规划方法
CN115756925A (zh) * 2022-11-19 2023-03-07 中国人民解放军陆军装甲兵学院 一种基于智能优化算法的车载网络故障诊断方法
CN116245236A (zh) * 2023-02-22 2023-06-09 中国海洋大学 一种海洋油田水下生产系统多目标生产方案优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10040946A1 (de) * 2000-08-11 2002-03-07 Vw Bordnetze Gmbh Heinenkamp Verfahren zur Ermittlung einer Topologie eines Bordnetzes
US20060015829A1 (en) * 2004-07-13 2006-01-19 Bart De Smedt Method and apparatus for designing electronic circuits using optimization
CN109995021A (zh) * 2019-01-28 2019-07-09 西安交通大学 一种基于典型拓扑匹配的微电网系统源-网协调规划方法
WO2022179302A1 (zh) * 2021-02-25 2022-09-01 国网河北省电力有限公司经济技术研究院 配电网自愈重构规划方法、装置及终端
CN113901623A (zh) * 2021-10-18 2022-01-07 南京工程学院 一种基于布谷鸟搜索算法的svm的配电网拓扑辨识方法
CN114201916A (zh) * 2021-12-09 2022-03-18 南京工程学院 一种基于参数优化的微网混合储能系统剩余功率分解方法
CN115756925A (zh) * 2022-11-19 2023-03-07 中国人民解放军陆军装甲兵学院 一种基于智能优化算法的车载网络故障诊断方法
CN115640823A (zh) * 2022-12-26 2023-01-24 中国人民解放军陆军装甲兵学院 一种基于智能优化算法的网络安全态势预测方法
CN115657694A (zh) * 2022-12-29 2023-01-31 中国人民解放军陆军装甲兵学院 一种基于空地信息交互的无人车路径规划方法
CN116245236A (zh) * 2023-02-22 2023-06-09 中国海洋大学 一种海洋油田水下生产系统多目标生产方案优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐寅峰, 叶继昌, 迟学斌: "多处理器系统最优任务分配问题的一个近似算法", 西安交通大学学报, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117021977A (zh) * 2023-10-10 2023-11-10 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法
CN117021977B (zh) * 2023-10-10 2024-01-09 中国人民解放军陆军装甲兵学院 一种多轮独立电驱动车辆驱动力集成控制策略生成方法

Also Published As

Publication number Publication date
CN116542006B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
Mesbahi et al. Combined optimal sizing and control of Li-ion battery/supercapacitor embedded power supply using hybrid particle Swarm–Nelder–Mead algorithm
Zhu et al. Bi-level optimal sizing and energy management of hybrid electric propulsion systems
Rahman et al. Fuzzy supertwisting sliding mode-based energy management and control of hybrid energy storage system in electric vehicle considering fuel economy
Allaoua et al. Energy management of PEM fuel cell/supercapacitor hybrid power sources for an electric vehicle
CN116542006B (zh) 一种车载电源系统拓扑结构设计方法
Saib et al. Energy management in a fuel cell hybrid electric vehicle using a fuzzy logic approach
CN116341395B (zh) 多堆燃料电池飞机的能量管理方法、系统、设备及终端
Essoufi et al. Fuzzy logic based energy management strategy for fuel cell hybrid electric vehicle
Zhang et al. Multi-objective parameter optimization of a series hybrid electric vehicle using evolutionary algorithms
Bharathi Extraction of maximum power from solar with BLDC motor driven electric vehicles based HHO algorithm
Chenghui et al. Particle Swarm Optimization for energy management fuzzy controller design in dual-source electric vehicle
Tejesh et al. Development of hybrid pv wind system for evs with battery management system
Cheng et al. Energy management for fuel cell/battery hybrid unmanned aerial vehicle
Liu et al. Voltage stability control of DC microgrid for off-road hybrid electric vehicles
Singh et al. An implementation perspective of hybrid electric vehicle
Chai et al. Regenerative Braking Optimization Using Particle Swarm Algorithm for Electric Vehicle
Schroeder et al. Design of a powermanagement for a battery buffer system in an electric lift truck by means of fuzzy control and genetic algorithm
Rezazade et al. Investigation and comparison between PHEV and SHEV for sedan vehicle based on ADVISOR
Korada et al. Energy management strategy for photovoltaic powered hybrid energy storage systems in electric vehicles.
Oksuztepe et al. PEM fuel cell and supercapacitor hybrid power system for four in-wheel switched reluctance motors drive EV using geographic information system
Niu et al. Torque distribution control of hybrid electric bus with composite power supply based on particle swarm optimization
Sharma et al. Fuzzy logic based power management of electric vehicle with battery and ultracapacitor energy storage system
Narasimhulu et al. Energy Management for PV Powered Hybrid Storage System in Electric Vehicles Using Artificial Neural Network and Aquila Optimizer Algorithm. Energies 2022, 15, 8540
Jbari et al. Fuzzy controller hardware implementation for an EV's HESS energy management
Benhammou et al. Breaking new ground in HEV energy management: Kinetic energy utilization and systematic EMS approaches based on robust drive control

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