一种无线充电系统的双参数辨识方法与流程

1.本发明属于无线电能传输技术领域，具体涉及一种无线充电系统的双参数辨识方法。


背景技术：

2.以磁场为传输介质的磁耦合无线电能传输(magnetically coupled wireless power transfer，mc-wpt)技术是wpt技术中的研究热点。在mc-wpt技术实际应用场景中，系统互感、负载均可能发生变化，这些变化将影响系统的传输性能。因此，进行系统互感和负载参数的识别，了解系统的运行状态，显得尤为重要。
3.目前，对于mc-wpt系统的互感和负载参数辨识问题，由于系统数学模型的阶次高，各项运行参数的特性复杂，求解过程运算量大。若使用单一的遗传(genetic algorithm，ga)算法，其收敛过程较慢，尤其是在辨识精度要求较高、参数范围较大时，该缺点会非常明显。而使用单一的粒子群优化(particle swarm optimization，pso)算法，虽然对于求解高阶次的问题有一定优势，但算法全局收敛性差，在复杂数学模型求解过程中，缺点也较为突出。因此亟需一种对mc-wpt系统的互感和负载参数快速且准确的辨识的方案。


技术实现要素：

4.为了解决上述问题，本发明提供了一种无线充电系统的双参数辨识方法，具体技术方案如下：
5.一种无线充电系统的双参数辨识方法，所述无线充电系统包括依次连接的电源、逆变器、原边lcc型补偿网络、发射线圈和依次连接的接收线圈、副边s型补偿网络、整流滤波电路、负载；发射线圈和接收线圈耦合；
6.所述方法包括：
7.s1、获取采样参数、所述无线充电系统的电路参数以及适应度函数，所述采样参数包括当前的电源输入电压、所述逆变器当前的逆变电流峰值、所述原边lcc型补偿网络中当前的并联支路电流峰值；
8.s2、生成初始种群，所述初始种群的个体包括所述发射线圈和所述接收线圈的互感、所述负载；
9.s3、基于所述采样参数、所述无线充电系统的电路参数以及所述适应度函数，根据粒子群算法对所述初始种群中每个个体进行局部优化；
10.s4、在满足算法切换的情况下，基于所述采样参数、所述无线充电系统的电路参数以及所述适应度函数，根据遗传算法对所述初始种群中每个个体进行全局优化，并根据全局优化结果对当前的所述发射线圈和所述接收线圈的互感、所述负载进行辨识。
11.优选地，所述适应度函数为：
12.所述j为适应度函数，所述i
inv0
为逆变器当前的逆变电流峰值，所述i
cf0
为原边lcc
型补偿网络中当前的并联支路电流峰值，所述i
inv_max
为将所述当前的电源输入电压e
dc
代入以下公式计算得到的逆变电流峰值：
[0013][0014]
所述θ为移相角，所述z
in
为所述无线充电系统的输入阻抗，所述z
in
的计算公式为：
[0015][0016]
所述lf为原边lcc型补偿网络的电感，所述cf为原边并联补偿电容，所述l
p
为发射线圈电感，所述r
p
为发射线圈内阻，所述c
p
为原边串联补偿电容，所述zr为发射端电路的反射阻抗，所述zr的计算公式为：
[0017][0018]
所述m为所述发射线圈和所述接收线圈的互感，所述zs为接收端电路阻抗，所述zs的计算公式为：
[0019][0020]
所述rs为接收线圈内阻，所述ls为接收线圈电感，所述cs为副边串联补偿电容，所述r
eq
为整流滤波电路和负载端等效电阻，所述r
eq
的计算公式为：
[0021][0022]
所述r
l
为所述负载；
[0023]
所述为将所述当前的电源输入电压e
dc
代入以下公式计算得到的并联支路电流峰值：
[0024][0025]
优选地，所述根据粒子群算法对所述初始种群中每个个体进行局部优化之前，还包括：获取预设粒子群算法参数，所述预设粒子群算法参数至少包括预设速度和预设加速度；所述根据粒子群算法对所述初始种群中每个个体进行局部优化的过程中，根据所述预设粒子群算法参数进行局部优化。
[0026]
优选地，所述预设速度为对应所述发射线圈和所述接收线圈的互感或所述负载搜索范围的5％。
[0027]
优选地，所述基于所述采样参数、所述无线充电系统的电路参数以及所述适应度函数，根据粒子群算法对所述初始种群中每个个体进行局部优化包括：
[0028]
将所述初始种群中每个个体作为粒子输入所述粒子群算法；
[0029]
根据所述采样参数、所述无线充电系统的电路参数以及所述适应度函数计算所述初始种群中每个个体的适应度，得到局部优化结果。
[0030]
优选地，所述满足算法切换包括：在所述根据粒子群算法对所述初始种群中每个个体进行局部优化的过程中，判断个体对应的适应度是否小于预设阈值，若是，则满足算法切换。
[0031]
优选地，所述预设阈值为0.5。
[0032]
优选地，在所述基于所述采样参数、所述无线充电系统的电路参数以及所述适应度函数，根据粒子群算法对所述初始种群中每个个体进行局部优化之后，还包括：若不满足算法切换，则重新执行所述步骤s2-s3。
[0033]
优选地，所述基于所述采样参数、所述无线充电系统的电路参数以及所述适应度函数，根据遗传算法对所述初始种群中每个个体进行全局优化，并根据全局优化结果对当前的所述互感、所述负载进行辨识包括：
[0034]
将满足切换条件时的所述初始种群中每个个体输入所述遗传算法；
[0035]
根据所述采样参数、所述无线充电系统的电路参数以及所述适应度函数计算所述满足切换条件时的所述初始种群中每个个体的适应度，得到所述全局优化结果。
[0036]
优选地，所述无线充电系统的电路参数包括发射线圈电感l
p
、原边串联补偿电容c
p
、发射线圈内阻r
p
、原边补偿电感lf、接收线圈电感ls、副边串联补偿电容cs、接收线圈内阻rs、原边并联补偿电容cf。
[0037]
本发明的有益效果为：本技术提供了一种无线充电系统的双参数辨识方法，无线充电系统包括依次连接的电源、逆变器、原边lcc型补偿网络、发射线圈和依次连接的接收线圈、副边s型补偿网络、整流滤波电路、负载；发射线圈和接收线圈耦合；方法包括：获取采样参数、无线充电系统的电路参数以及适应度函数，采样参数包括当前的电源输入电压、逆变器当前的逆变电流峰值、原边lcc型补偿网络中当前的并联支路电流峰值；生成初始种群，初始种群的个体包括发射线圈和接收线圈的互感、负载；基于采样参数、无线充电系统的电路参数以及适应度函数，根据粒子群算法对初始种群中每个个体进行局部优化；在满足算法切换的情况下，基于采样参数、无线充电系统的电路参数以及适应度函数，根据遗传算法对初始种群中每个个体进行全局优化，并根据全局优化结果对当前的发射线圈和接收线圈的互感、负载进行辨识。通过本发明的方案，将粒子群算法和遗传算法混合应用，采用智能最优化算法来寻解，将参数辨识问题转化为最优值寻解问题，使求解过程简化，得到的最优解即为参数辨识的结果，实现对互感和负载参数快速且准确的辨识。
附图说明
[0038]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件
或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0039]
图1为本发明实施例中的lcc-s型mc-wpt系统的电路原理图；
[0040]
图2为本发明的一种无线充电系统的双参数辨识方法的流程示意图。
具体实施方式
[0041]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0042]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0043]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0044]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0045]
本实施例提出一种无线充电系统的双参数辨识方法，参见图1，图1示出了lcc-s型mc-wpt系统的电路原理图，图1中，无线充电系统包括电源(图1中的edc)、逆变器(图1中的s1、s2、s3、s4)、原边lcc型补偿网络(图1中的lf、cf、c
p
)、发射线圈、接收线圈、副边s型补偿网络(图1中的cs)、整流滤波电路(图1中的d1、d2、d3、d4、c)、负载(图1中的r
l
)；直流电源e
dc
输入到mc-wpt系统中，随后经全桥逆变器将其变换为高频交流电，输入到原边lcc型补偿网络中，从而使发射线圈产生高频交变磁场，接收线圈耦合到高频交流电，输入到副边s型补偿网络中，再通过整流滤波电路，重新转换为直流电能uo，提供给用电设备。图1中，l
p
为发射线圈自感，ls为接收线圈自感，c
p
为原边串联补偿电容，cs为副边串联补偿电容，r
p
为发射线圈内阻，rs为接收线圈内阻，lf为原边补偿电感，cf为原边并联补偿电容，m为发射线圈和接收线圈的互感，r
l
为负载，u
inv
为逆变电路输出电压。
[0046]
如图2所示，本实施例提供的一种无线充电系统的双参数辨识方法包括以下步骤：
[0047]
s1、获取采样参数、无线充电系统的电路参数以及适应度函数，采样参数包括当前的电源输入电压、逆变器当前的逆变电流峰值、原边lcc型补偿网络中当前的并联支路电流峰值。
[0048]
无线充电系统的电路参数包括发射线圈电感l
p
、原边串联补偿电容c
p
、发射线圈内阻r
p
、原边补偿电感lf、接收线圈电感ls、副边补偿电容cs、接收线圈内阻rs、原边并联补偿电容cf。
[0049]
示例性的，lcc-s型mc-wpt系统的基本参数如表1所示。
[0050]
表1系统基本参数
[0051]
参数名称数值参数名称数值原边线圈电感l
p
495μh副边线圈电感ls640μh原边串联补偿电容c
p
2.295nf副边补偿电容cs1.68nf
原边线圈内阻r
p
1.0ω副边线圈内阻rs1.9ω原边补偿电感lf31.9μh原边并联补偿电容cf35.3nf系统运行频率f150khz
ꢀꢀ
[0052]
适应度函数为：
[0053]
j为适应度函数，i
inv0
为逆变器当前的逆变电流峰值，i
cf0
为原边lcc型补偿网络中当前的并联支路电流峰值，i
inv_max
为将当前的电源输入电压e
dc
代入以下公式计算得到的逆变电流峰值：
[0054][0055]
θ为移相角，z
in
为无线充电系统的输入阻抗，z
in
的计算公式为：
[0056][0057]
lf为原边lcc型补偿网络的电感，cf为原边并联补偿电容，l
p
为发射线圈电感，r
p
为发射线圈内阻，c
p
为原边串联补偿电容，zr为发射端电路的反射阻抗，zr的计算公式为：
[0058][0059]
m为发射线圈和接收线圈的互感，zs为接收端电路阻抗，zs的计算公式为：
[0060][0061]
rs为接收线圈内阻，ls为接收线圈电感，cs为副边补偿电容，r
eq
为整流滤波电路和负载端等效电阻，r
eq
的计算公式为：
[0062][0063]rl
为负载；
[0064]
为将当前的电源输入电压e
dc
代入以下公式计算得到的并联支路电流峰值：
[0065][0066]
s2、生成初始种群，初始种群的个体包括发射线圈和接收线圈的互感、负载。
[0067]
例如每个初始种群中有n个个体，每个个体分别为(m1、r
l1
)、(m2、r
l2
)、(m3、r
l3
)、(m4、r
l4
)...(mn、r
ln
)。可选地，互感的取值范围可以是20至200μh，负载的取值范围可以是50至200ω。
[0068]
s3、基于采样参数、无线充电系统的电路参数以及适应度函数，根据粒子群算法对初始种群中每个个体进行局部优化。
[0069]
根据粒子群算法对初始种群中每个个体进行局部优化之前，还包括：获取预设粒子群算法参数，预设粒子群算法参数至少包括预设速度和预设加速度；根据粒子群算法对初始种群中每个个体进行局部优化的过程中，根据预设粒子群算法参数进行局部优化。可选地，在本实施例中，预设速度为对应互感或负载搜索范围的5％。在本实施例中，前期的pso算法先设置较大的最大速度和加速度因子，以保证算法前期的快速性，收敛到误差值较小的位置，然后切换到后续的ga算法，使结果跳出局部最优解，以保证辨识结果的准确性。
[0070]
基于采样参数、无线充电系统的电路参数以及适应度函数，根据粒子群算法对初始种群中每个个体进行局部优化包括：
[0071]
将初始种群中每个个体作为粒子输入粒子群算法；
[0072]
根据采样参数、无线充电系统的电路参数以及适应度函数计算初始种群中每个个体的适应度，得到局部优化结果。
[0073]
将初始种群中的每个个体(m1、r
l1
)、(m2、r
l2
)、(m3、r
l3
)、(m4、r
l4
)...(mn、r
ln
)分别依次代入上述公式(1)至(7)，计算出每个个体的适应度，得到局部优化结果。
[0074]
s4、在满足算法切换的情况下，基于采样参数、无线充电系统的电路参数以及适应度函数，根据遗传算法对初始种群中每个个体进行全局优化，并根据全局优化结果对当前的发射线圈和接收线圈的互感、负载进行辨识。
[0075]
在本实施例中，满足算法切换包括：在根据粒子群算法对初始种群中每个个体进行局部优化的过程中，判断个体对应的适应度是否小于预设阈值，若是，则满足算法切换。在本实施例中，预设阈值为0.5。例如在初始种群中有一个个体的适应度为0.4，则表明满足算法切换。
[0076]
通过上述s3的步骤得到的局部优化结果若满足算法切换条件，则进入s4的步骤，若不满足，则重新执行s2、s3的步骤，也即重新生成初始种群，并计算新生成的初始种群中的每个个体对应的适应度。
[0077]
在本实施例中，基于采样参数、无线充电系统的电路参数以及适应度函数，根据遗传算法对初始种群中每个个体进行全局优化，并根据全局优化结果对当前的互感、负载进行辨识包括：
[0078]
将满足切换条件时的初始种群中每个个体输入遗传算法；
[0079]
根据采样参数、无线充电系统的电路参数以及适应度函数计算满足切换条件时的初始种群中每个个体的适应度，得到全局优化结果。
[0080]
将满足切换条件时的初始种群中的每个个体(m1、r
l1
)、(m2、r
l2
)、(m3、r
l3
)、(m4、r
l4
)...(mn、r
ln
)经过选择、交叉、变异等步骤的处理后，然后分别依次代入上述公式(1)至(7)，计算出每个个体的适应度，得到全局优化结果，全局优化结果即适应度函数j的全局最优解，也即最小值点，对应的互感和负载值即为当前辨识结果。例如ga算法的交叉概率为0.8，变异概率为0.05，最终误差小于0.05时结束该辨识算法。
[0081]
本实施例先使用pso算法，得到误差较小的解后，再采用ga算法进行寻优，使结果可以跳出局部最优解，最终得到全局最优解。该模式下的串行式ga-pso混合算法，在解决多峰值函数问题上具有较为明显的优势，将其应用于所研究的移相控制lcc-s型mc-wpt系统，互感与负载辨识问题即转化为最优值求解问题，从控制程序上也易于实现。通过本实施例的方案，将粒子群算法和遗传算法混合应用，采用智能最优化算法来寻解，将参数辨识问题转化为最优值寻解问题，使求解过程简化，得到的最优解即为参数辨识的结果，实现对互感和负载参数快速且准确的辨识。
[0082]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0083]
在本技术所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
[0084]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。