[发明专利]一种基于无线电能传输系统的改进灰狼算法参数识别方法

权利要求书

1.一种基于无线电能传输系统的改进灰狼算法参数识别方法，其特征在于：

所述无线电能传输系统由发射串联回路、接收串联回路无线连接构成；

所述的直流电源、逆变电路模块、发射端谐振补偿补偿电容、发射线圈电感、发射线圈等效内阻依次连接构成发射串联回路；

所述的接收线圈电感、接收线圈等效电阻、接收线圈谐振补偿电容、负载依次连接构成接收串联回路；

所述改进灰狼算法参数识别方法，包括以下步骤：

步骤1：根据逆变电路输出电压、谐振频率、互感、负载电阻、发射线圈的等效电阻、接收线圈的等效电阻构建无线电能传输的功率及效率模型；

步骤2：根据基尔霍夫电压定律与叠加定理得到互感M关于R_L的函数表达式，推导出高次谐波n的值确定后，互感M和负载R_L两个参数之间的映射关系是唯一确定的；

步骤3：结合步骤1和步骤2所述的无线电能传输效率模型构建参数识别目标模型，采用改进灰狼算法将MCR-WPT系统的负载与互感识别问题转化为一个求解发射端谐振电流实际检测值与计算值之间的误差最小值问题，以误差函数值最小对负载阻值与互感值进行寻优识别；

步骤4：在整个无线充电系统设计时，涉及到负载和互感的参数识别时，通过改进灰狼算法对无线电能传输系统的负载R_L和互感M进行寻优，根据识别后负载R_L和互感M确定无线电能传输系统的参数，使系统维持在一个较优的环境下运行。

2.根据权利要求1所述的基于无线电能传输系统的改进灰狼算法参数识别方法，其特征在于：

步骤1所述无线电能传输功率及效率模型为：

系统输入功率为：

其中，u_in为逆变电路输出电压，ω是谐振角频率，M为互感，R_L为负载电阻，R₁为发射线圈的等效内阻，R₂为接收线圈的等效内阻；

系统输出功率为：

其中，u_in为逆变电路输出电压，ω是谐振角频率，M为互感，R_L为负载电阻，R₁为发射线圈的等效内阻，R₂为接收线圈的等效内阻；

系统传输效率为：

其中，u_in为逆变电路输出电压，ω是谐振角频率，M为互感，R_L为负载电阻，R₁为发射线圈的等效内阻，R₂为接收线圈的等效内阻；

步骤1所述的角频率ω在谐振条件下是定值，其余等效电阻和电感也可以视作常量；故互感M、负载电阻R_L均为待优化求解的变量；

作为优选，步骤2所述互感M关于R_L的函数表达式为：

其中，n为高次谐波次数，ω是谐振角频率，M为互感，L₁为发射线圈等效电感，L₂为接收线圈等效电感，C₁为发射端谐振电容，C₂为接收端谐振电容，R_L为负载电阻，R₁为发射线圈的等效内阻，R₂为接收线圈的等效内阻，U_dc为直流电源，I_n为发射端电流n次谐波的峰值。

3.根据权利要求1所述的基于无线电能传输系统的改进灰狼算法参数识别方法，其特征在于：

步骤3所述T₀时刻发射端谐振电流表达式为：

其中，T₀为系统运行稳定后的第一个周期的起始时刻，T为系统运行周期，T₀＝mT；

步骤3所述构建互感与负载参数优化目标模型为：

其中，Y(x)＝i_p(x)-i_p(x)_mea，i_p(x)_mea为系统稳态运行时发射端谐振电流的采样值；

步骤3所述通过改进灰狼算法进行目标模型优化，具体过程为：

步骤3.1：初始化种群，迭代次数M，种群下界l_b，上界u_b，维度d；灰狼属于犬科动物，被认为是顶级的掠食者，它们处于生物圈食物链的顶端；灰狼大多喜欢群居，每个群体中平均有5-12只狼；它们具有非常严格的社会等级层次制度；金字塔第一层为种群中的领导者，称为α；在狼群中α是具有管理能力的个体，主要负责关于狩猎、睡觉的时间和地方、食物分配等群体中各项决策的事务；金字塔第二层是α的智囊团队，称为β；β主要负责协助α进行决策；当整个狼群的α出现空缺时，β将接替α的位置；β在狼群中的支配权仅次于α，它将α的命令下达给其他成员，并将其他成员的执行情况反馈给α起着桥梁的作用；金字塔第三层是δ，δ听从α和β的决策命令，主要负责侦查、放哨、看护等事务；适应度不好的α和β也会降为δ；金字塔最底层是ω，主要负责种群内部关系的平衡；

集体狩猎是灰狼的另一个迷人的社会行为；灰狼的社会等级在群体狩猎过程中发挥着重要的作用，捕食的过程在α的带领下完成；灰狼的狩猎包括以下三个主要部分：跟踪、追逐和接近猎物；追捕、包围和骚扰猎物，直到它停止移动；攻击猎物；

在狩猎过程中，将灰狼围捕猎物的行为定义如下：

个体与猎物间的距离与灰狼的位置更新公式

其中，t是目前的迭代代数，和是系数向量，和分别是猎物的位置向量和灰狼的位置向量；和的计算公式如下：

其中，是收敛因子，随着迭代次数从2线性减小到0，和的模取[0,1]之间的随机数；

灰狼能够识别猎物的位置并包围它们；当灰狼识别出猎物的位置后，β和δ在α的带领下指导狼群包围猎物；在优化问题的决策空间中，我们对最佳解决方案(猎物的位置)并不了解；因此，为了模拟灰狼的狩猎行为，我们假设α，β和δ更了解猎物的潜在位置；保存迄今为止取得的3个最优解决方案，并利用这三者的位置来判断猎物所在的位置，同时强迫其他灰狼个体(包括ω)依据最优灰狼个体的位置来更新其位置，逐渐逼近猎物；

灰狼个体跟踪猎物位置的数学模型描述如下：

其中，和分别表示α，β和δ与其他个体间的距离；分别代表α，β和δ的当前位置；是随机向量，是当前灰狼的位置；

狼群中ω个体朝向α，β和δ前进的步长和方向：

其中，和分别表示α，β和δ与其他个体间的距离；分别代表α，β和δ的当前位置；是随机向量，是当前灰狼的位置；

ω的最终位置

其中，是当前灰狼的位置；

当猎物停止移动时，灰狼通过攻击来完成狩猎过程；为了模拟逼近猎物，的值被逐渐减小；因此的波动范围也随之减小；换句话说，在迭代过程中，当的值从2线性下降到0时，其对应的的值也在区间[-a,a]内变化；

当的值位于区间内时，灰狼的下一位置可以位于其当前位置和猎物位置之间的任意位置；当时，狼群向猎物发起攻击(陷入局部最优)；灰狼根据α，β和δ的位置和搜索猎物；灰狼在寻找猎物时彼此分开，然后聚集在一起攻击猎物；

基于数据建模的散度，可以用或的随机值来迫使灰狼与猎物分离，这强调了探索并允许GWO算法全局搜索最优解；GWO算法还有另一个组件来帮助发现新的解决方案；

由式可知，是[0,2]之间的随机值；C表示狼所在的位置对猎物影响的随机权重，C1表示影响权重大，反之表示影响权重小；这有助于GWO算法更随机地表现并支持探索，同时可在优化过程中避免陷入局部最优；另外，A不同，C是非线性减小的，这样从最初的迭代到最终的迭代中，它都提供了决策空间中的全局搜索；在算法陷入了局部最优并且不易跳出时，C的随机性在避免局部最优方面发挥了非常重要的作用，尤其是在最后需要获得全局最优解的迭代中；

步骤3.2：对群智能优化算法中的灰狼算法进行改进；采用Tent映射生成N个分布相对均匀的初始解，然后使用反向学习对每个初始解产生相应的反向解；将初始解与反向解进行对比，筛选出适应度较好的N个个体作为初始种群，得到分布更加均匀的初始种群；Tent映射迭代公式为：

其中，b∈(0,1)，X_n∈[0,1]，n＝1,2,...,n；

在灰狼算法中，当系数A1时，算法进行全局搜索；当系数A1时，算法进行精确的局部搜索；A随着收敛因子a变化，故灰狼算法的收敛因子a是算法全局搜索和局部搜索的关键参数；标准灰狼算法的收敛因子是从2线性递减到0，很难适应实际搜索过程；因此，提出一种基于Sigmoid函数的收敛因子a，即

柯西变异的扰动能力更强；而高斯变异是重点搜索原个体附近的局部区域，有利于算法快速、精确地搜索到全局极小值点；因此，算法前期采用柯西变异，可以避免算法陷入局部最优解；算法后期采用高斯变异，可以进行细致的局部搜索，加快算法的收敛速度；

步骤3.3：采用改进灰狼算法将MCR-WPT系统的负载与互感识别问题转化为一个求解发射端谐振电流实际检测值与计算值之间的误差最小值问题，以误差函数值最小问题对负载阻值与互感值进行参数识别。