频率分叉时电动汽车无线充电桩效率极值点跟踪方法

摘要

本发明公开了一种频率分叉时电动汽车无线充电桩效率极值点跟踪方法，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，算法在运行中随着迭代次数的增加逐渐减小粒子群规模，精简了算法，加快了算法后期收敛速度。本发明粒子群算法使得粒子规模选取有据可依，在搜索后期，加快收敛速度，搜索时间减小。

主权项

频率分叉时电动汽车无线充电桩效率极值点跟踪方法，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$Z_1=R_1+R_s+{\mathrm{j\omega L}}_1+\frac{1}{{\mathrm{j\omega C}}_1},Z_2=R_2+R_L+j({\mathrm{\omega L}}_2-\frac{1}{{\mathrm{\omega C}}_2}),\omega =2{\mathrm{\pi f}}_r,$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N_present＝Nmax‑(Nmax‑Nmin)*t/(MaxNum)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，Nmin为最小粒子群规模，MaxNum为最大迭代次数，t为当前迭代次数，按公式$v_i^{t+1}=w*v_i^t+c_1*rand*(p_i-x_i^t)+c_2*rand*(p_g-x_i^t)$和公式$x_i^{t+1}=x_i^t+v_i^{t+1}$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)，其中代表t+1次迭代第i个粒子的速度，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[01]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，代表t+1次迭代第i个粒子位置，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_2mαx(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)。