[發(fā)明專利]一種基于無線電能傳輸系統(tǒng)的改進(jìn)灰狼算法參數(shù)識(shí)別方法

在審

• 申請?zhí)枺?/td>: 202210755233.7
• 申請日: 2022-06-29
• 公開（公告）號(hào): CN115169224A
• 公開（公告）日: 2022-10-11
• 發(fā)明（設(shè)計(jì)）人: 常雨芳;馬超;唐楊;周欣怡;張曉柯;黃文聰;嚴(yán)懷成;張皓;朱雨樵;黃津瑩;胡瀅
• 申請（專利權(quán)）人: 湖北工業(yè)大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/00;H02J50/12;G06F111/04;G06F113/04
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 許蓮英

1.一種基于無線電能傳輸系統(tǒng)的改進(jìn)灰狼算法參數(shù)識(shí)別方法，其特征在于：

所述無線電能傳輸系統(tǒng)由發(fā)射串聯(lián)回路、接收串聯(lián)回路無線連接構(gòu)成；

所述的直流電源、逆變電路模塊、發(fā)射端諧振補(bǔ)償補(bǔ)償電容、發(fā)射線圈電感、發(fā)射線圈等效內(nèi)阻依次連接構(gòu)成發(fā)射串聯(lián)回路；

所述的接收線圈電感、接收線圈等效電阻、接收線圈諧振補(bǔ)償電容、負(fù)載依次連接構(gòu)成接收串聯(lián)回路；

所述改進(jìn)灰狼算法參數(shù)識(shí)別方法，包括以下步驟：

步驟1：根據(jù)逆變電路輸出電壓、諧振頻率、互感、負(fù)載電阻、發(fā)射線圈的等效電阻、接收線圈的等效電阻構(gòu)建無線電能傳輸?shù)墓β始靶誓Ｐ停?/p>

步驟2：根據(jù)基爾霍夫電壓定律與疊加定理得到互感M關(guān)于R_L的函數(shù)表達(dá)式，推導(dǎo)出高次諧波n的值確定后，互感M和負(fù)載R_L兩個(gè)參數(shù)之間的映射關(guān)系是唯一確定的；

步驟3：結(jié)合步驟1和步驟2所述的無線電能傳輸效率模型構(gòu)建參數(shù)識(shí)別目標(biāo)模型，采用改進(jìn)灰狼算法將MCR-WPT系統(tǒng)的負(fù)載與互感識(shí)別問題轉(zhuǎn)化為一個(gè)求解發(fā)射端諧振電流實(shí)際檢測值與計(jì)算值之間的誤差最小值問題，以誤差函數(shù)值最小對負(fù)載阻值與互感值進(jìn)行尋優(yōu)識(shí)別；

步驟4：在整個(gè)無線充電系統(tǒng)設(shè)計(jì)時(shí)，涉及到負(fù)載和互感的參數(shù)識(shí)別時(shí)，通過改進(jìn)灰狼算法對無線電能傳輸系統(tǒng)的負(fù)載R_L和互感M進(jìn)行尋優(yōu)，根據(jù)識(shí)別后負(fù)載R_L和互感M確定無線電能傳輸系統(tǒng)的參數(shù)，使系統(tǒng)維持在一個(gè)較優(yōu)的環(huán)境下運(yùn)行。

2.根據(jù)權(quán)利要求1所述的基于無線電能傳輸系統(tǒng)的改進(jìn)灰狼算法參數(shù)識(shí)別方法，其特征在于：

步驟1所述無線電能傳輸功率及效率模型為：

系統(tǒng)輸入功率為：

其中，u_in為逆變電路輸出電壓，ω是諧振角頻率，M為互感，R_L為負(fù)載電阻，R₁為發(fā)射線圈的等效內(nèi)阻，R₂為接收線圈的等效內(nèi)阻；

系統(tǒng)輸出功率為：

其中，u_in為逆變電路輸出電壓，ω是諧振角頻率，M為互感，R_L為負(fù)載電阻，R₁為發(fā)射線圈的等效內(nèi)阻，R₂為接收線圈的等效內(nèi)阻；

系統(tǒng)傳輸效率為：

其中，u_in為逆變電路輸出電壓，ω是諧振角頻率，M為互感，R_L為負(fù)載電阻，R₁為發(fā)射線圈的等效內(nèi)阻，R₂為接收線圈的等效內(nèi)阻；

步驟1所述的角頻率ω在諧振條件下是定值，其余等效電阻和電感也可以視作常量；故互感M、負(fù)載電阻R_L均為待優(yōu)化求解的變量；

作為優(yōu)選，步驟2所述互感M關(guān)于R_L的函數(shù)表達(dá)式為：

其中，n為高次諧波次數(shù)，ω是諧振角頻率，M為互感，L₁為發(fā)射線圈等效電感，L₂為接收線圈等效電感，C₁為發(fā)射端諧振電容，C₂為接收端諧振電容，R_L為負(fù)載電阻，R₁為發(fā)射線圈的等效內(nèi)阻，R₂為接收線圈的等效內(nèi)阻，U_dc為直流電源，I_n為發(fā)射端電流n次諧波的峰值。

3.根據(jù)權(quán)利要求1所述的基于無線電能傳輸系統(tǒng)的改進(jìn)灰狼算法參數(shù)識(shí)別方法，其特征在于：

步驟3所述T₀時(shí)刻發(fā)射端諧振電流表達(dá)式為：

其中，T₀為系統(tǒng)運(yùn)行穩(wěn)定后的第一個(gè)周期的起始時(shí)刻，T為系統(tǒng)運(yùn)行周期，T₀＝mT；

步驟3所述構(gòu)建互感與負(fù)載參數(shù)優(yōu)化目標(biāo)模型為：

其中，Y(x)＝i_p(x)-i_p(x)_mea，i_p(x)_mea為系統(tǒng)穩(wěn)態(tài)運(yùn)行時(shí)發(fā)射端諧振電流的采樣值；

步驟3所述通過改進(jìn)灰狼算法進(jìn)行目標(biāo)模型優(yōu)化，具體過程為：

步驟3.1：初始化種群，迭代次數(shù)M，種群下界l_b，上界u_b，維度d；灰狼屬于犬科動(dòng)物，被認(rèn)為是頂級的掠食者，它們處于生物圈食物鏈的頂端；灰狼大多喜歡群居，每個(gè)群體中平均有5-12只狼；它們具有非常嚴(yán)格的社會(huì)等級層次制度；金字塔第一層為種群中的領(lǐng)導(dǎo)者，稱為α；在狼群中α是具有管理能力的個(gè)體，主要負(fù)責(zé)關(guān)于狩獵、睡覺的時(shí)間和地方、食物分配等群體中各項(xiàng)決策的事務(wù)；金字塔第二層是α的智囊團(tuán)隊(duì)，稱為β；β主要負(fù)責(zé)協(xié)助α進(jìn)行決策；當(dāng)整個(gè)狼群的α出現(xiàn)空缺時(shí)，β將接替α的位置；β在狼群中的支配權(quán)僅次于α，它將α的命令下達(dá)給其他成員，并將其他成員的執(zhí)行情況反饋給α起著橋梁的作用；金字塔第三層是δ，δ聽從α和β的決策命令，主要負(fù)責(zé)偵查、放哨、看護(hù)等事務(wù)；適應(yīng)度不好的α和β也會(huì)降為δ；金字塔最底層是ω，主要負(fù)責(zé)種群內(nèi)部關(guān)系的平衡；

集體狩獵是灰狼的另一個(gè)迷人的社會(huì)行為；灰狼的社會(huì)等級在群體狩獵過程中發(fā)揮著重要的作用，捕食的過程在α的帶領(lǐng)下完成；灰狼的狩獵包括以下三個(gè)主要部分：跟蹤、追逐和接近獵物；追捕、包圍和騷擾獵物，直到它停止移動(dòng)；攻擊獵物；

在狩獵過程中，將灰狼圍捕獵物的行為定義如下：

個(gè)體與獵物間的距離與灰狼的位置更新公式

其中，t是目前的迭代代數(shù)，和是系數(shù)向量，和分別是獵物的位置向量和灰狼的位置向量；和的計(jì)算公式如下：

其中，是收斂因子，隨著迭代次數(shù)從2線性減小到0，和的模取[0,1]之間的隨機(jī)數(shù)；

灰狼能夠識(shí)別獵物的位置并包圍它們；當(dāng)灰狼識(shí)別出獵物的位置后，β和δ在α的帶領(lǐng)下指導(dǎo)狼群包圍獵物；在優(yōu)化問題的決策空間中，我們對最佳解決方案(獵物的位置)并不了解；因此，為了模擬灰狼的狩獵行為，我們假設(shè)α，β和δ更了解獵物的潛在位置；保存迄今為止取得的3個(gè)最優(yōu)解決方案，并利用這三者的位置來判斷獵物所在的位置，同時(shí)強(qiáng)迫其他灰狼個(gè)體(包括ω)依據(jù)最優(yōu)灰狼個(gè)體的位置來更新其位置，逐漸逼近獵物；

灰狼個(gè)體跟蹤獵物位置的數(shù)學(xué)模型描述如下：

其中，和分別表示α，β和δ與其他個(gè)體間的距離；分別代表α，β和δ的當(dāng)前位置；是隨機(jī)向量，是當(dāng)前灰狼的位置；

狼群中ω個(gè)體朝向α，β和δ前進(jìn)的步長和方向：

其中，和分別表示α，β和δ與其他個(gè)體間的距離；分別代表α，β和δ的當(dāng)前位置；是隨機(jī)向量，是當(dāng)前灰狼的位置；

ω的最終位置

其中，是當(dāng)前灰狼的位置；

當(dāng)獵物停止移動(dòng)時(shí)，灰狼通過攻擊來完成狩獵過程；為了模擬逼近獵物，的值被逐漸減小；因此的波動(dòng)范圍也隨之減小；換句話說，在迭代過程中，當(dāng)?shù)闹祻?線性下降到0時(shí)，其對應(yīng)的的值也在區(qū)間[-a,a]內(nèi)變化；

當(dāng)?shù)闹滴挥趨^(qū)間內(nèi)時(shí)，灰狼的下一位置可以位于其當(dāng)前位置和獵物位置之間的任意位置；當(dāng)時(shí)，狼群向獵物發(fā)起攻擊(陷入局部最優(yōu))；灰狼根據(jù)α，β和δ的位置和搜索獵物；灰狼在尋找獵物時(shí)彼此分開，然后聚集在一起攻擊獵物；

基于數(shù)據(jù)建模的散度，可以用或的隨機(jī)值來迫使灰狼與獵物分離，這強(qiáng)調(diào)了探索并允許GWO算法全局搜索最優(yōu)解；GWO算法還有另一個(gè)組件來幫助發(fā)現(xiàn)新的解決方案；

由式可知，是[0,2]之間的隨機(jī)值；C表示狼所在的位置對獵物影響的隨機(jī)權(quán)重，C1表示影響權(quán)重大，反之表示影響權(quán)重小；這有助于GWO算法更隨機(jī)地表現(xiàn)并支持探索，同時(shí)可在優(yōu)化過程中避免陷入局部最優(yōu)；另外，A不同，C是非線性減小的，這樣從最初的迭代到最終的迭代中，它都提供了決策空間中的全局搜索；在算法陷入了局部最優(yōu)并且不易跳出時(shí)，C的隨機(jī)性在避免局部最優(yōu)方面發(fā)揮了非常重要的作用，尤其是在最后需要獲得全局最優(yōu)解的迭代中；

步驟3.2：對群智能優(yōu)化算法中的灰狼算法進(jìn)行改進(jìn)；采用Tent映射生成N個(gè)分布相對均勻的初始解，然后使用反向?qū)W習(xí)對每個(gè)初始解產(chǎn)生相應(yīng)的反向解；將初始解與反向解進(jìn)行對比，篩選出適應(yīng)度較好的N個(gè)個(gè)體作為初始種群，得到分布更加均勻的初始種群；Tent映射迭代公式為：

其中，b∈(0,1)，X_n∈[0,1]，n＝1,2,...,n；

在灰狼算法中，當(dāng)系數(shù)A1時(shí)，算法進(jìn)行全局搜索；當(dāng)系數(shù)A1時(shí)，算法進(jìn)行精確的局部搜索；A隨著收斂因子a變化，故灰狼算法的收斂因子a是算法全局搜索和局部搜索的關(guān)鍵參數(shù)；標(biāo)準(zhǔn)灰狼算法的收斂因子是從2線性遞減到0，很難適應(yīng)實(shí)際搜索過程；因此，提出一種基于Sigmoid函數(shù)的收斂因子a，即

柯西變異的擾動(dòng)能力更強(qiáng)；而高斯變異是重點(diǎn)搜索原個(gè)體附近的局部區(qū)域，有利于算法快速、精確地搜索到全局極小值點(diǎn)；因此，算法前期采用柯西變異，可以避免算法陷入局部最優(yōu)解；算法后期采用高斯變異，可以進(jìn)行細(xì)致的局部搜索，加快算法的收斂速度；

步驟3.3：采用改進(jìn)灰狼算法將MCR-WPT系統(tǒng)的負(fù)載與互感識(shí)別問題轉(zhuǎn)化為一個(gè)求解發(fā)射端諧振電流實(shí)際檢測值與計(jì)算值之間的誤差最小值問題，以誤差函數(shù)值最小問題對負(fù)載阻值與互感值進(jìn)行參數(shù)識(shí)別。