本发明属于无线电能传输技术领域,尤其涉及一种基于粒子群算法的无线感应链路参数实时估算方法。
背景技术:
无线感应链路已广泛应用于不同功率水平的场景,如生物医学植入,照明,运输和感应加热等。装置在设计时通常强调在最佳电能传输效率的情况下运行系统。为了调节负载功率,需要进行负载侧电参数的即时测量,并建立发射端和接收端之间的通信链路,以向发送端提供接收端的工作情况。为了最大限度地降低电路复杂性,目前提出了一些利用发送器侧电压和电流信息来估计两个线圈之间的互感,获得负载侧条件以及调节负载功率的计算算法。然而,这些方法通常假设元件值是先验已知的,或者在估计过程中采用标称元件值。由于制造公差,温度效应和老化,电子元件的参数通常都会受到影响,这种不可避免的问题会降低链路的系统性能。
众所周知,无线电感链路的功率传输效率和功率传输特性由若干内在和外在因素决定,如耦合系数,品质因数,发射和接收线圈的匹配情况以及工作频率等。这些参数的变化将改变发射端和接收端侧的谐振频率。而发射和接收端谐振频率的不匹配会导致负载功率大幅度下降。
技术实现要素:
为了解决上述技术问题,本发明提出了一种基于粒子群算法的无线感应链路参数实时估算方法,以实时监控无线感应链路系统参数的变化,以发射端控制电力传输。
为了实现上述目的,本发明采用的技术方案为一种基于粒子群算法的无线感应链路参数实时估算方法。本发明通过改进的粒子群优化算法用于最小化实际输入电流和计算输入电流之间的误差来估算系统参数;通过输入电流估算算法计算输入电流的时间序列,其中包括实际输入电压的时间序列和改进的粒子群优化算法提供的系统参数,具体包括以下步骤:
步骤1:输入粒子总数,迭代次数,设置参数的搜索边界;
步骤2:输入各粒子作为系统参数,根据输入电流估算算法得到各粒子的计算输入电流和实际输入电流;
步骤3:计算各粒子的均方差,比较各粒子的均方差,得出当前最优粒子;
步骤4:将当前最优粒子引入扰动得到扰动后新粒子;
步骤5:分别计算扰动后新粒子和当前最优粒子的均方差,计算最优粒子集被扰动集;
步骤6:根据粒子的速度更新公式和位置更新公式更新粒子,得到估算得出的无线感应链路系统参数;
作为优选,步骤1中所述输入粒子总数为n,迭代次数为δ;
步骤1中所述的参数为:
l1为发射线圈自感,ω1为发射线圈的谐振频率,ω2为接收线圈的谐振频率,k为发射和接收线圈的耦合系数;
步骤1中所述设置参数的搜索边界为:
l1的搜索上界l1max和搜索下界l1min,ω1的搜索上界ω1max和搜索下界ω1min,ω2的搜索上界ω2max和搜索下界ω2min,k的搜索上界kmax和搜索下界kmin;
初始化全部n个粒子,得粒子集sp={p1,p2,...,pn},i=1,2,3,...,n,pi为第i个粒子,pi中的参数都在其相应的搜索边界内随机初始化,pi的具体定义为:
pi={l1,i,ω1,i,ω2,i,ki}
其中,l1,i为第i个粒子发射线圈自感,ω1,i为第i个粒子发射线圈的谐振频率,ω2,i为第i个粒子接收线圈的谐振频率,ki为第i个粒子发射和接收线圈的耦合系数;
作为优选,步骤2输入电流估算算法步骤如下:
步骤2.1:使用电流表和电压表测量得输入电流,输入电压以及输入电压的幅值;
步骤2.1中所述输入电流为i1,所述输入电压为vin,所述输入电压的幅值为vin;
步骤2.2:根据输入电流和输入电压,通过goertzel算法计算输入电压的基波和输入电流的基波,并计算输入电压与输出电入之间的相位角;
所述输入电压的基波为vin.fund,所述输入电流的基波为i1.fund;
所述输入电压与输出电入之间的相位角为:
其中,∠i1,fund为实际输入电流的基波相位角,∠vin,fund为实际输入电压的基波相位角;
步骤2.3:根据无线感应链路时域模型,输入改进的粒子群优化算法中的粒子;
步骤2.3中所述改进的粒子群优化算法的粒子为:
pi={l1i,ω1i,ω2i,ki}
其中,l1i为第i个粒子发射线圈自感,ω1i为第i个粒子发射线圈的谐振频率,ω2i为第i个粒子接收线圈的谐振频率,ki为第i个粒子发射和接收线圈的耦合系数。
输入设为定值的其他系统参数:发射电路等效电容c1,接收电路等效电容c2,发射电路等效电阻r1,接收电路等效电阻r2,发射电路品质因数q1,接收电路品质因数q2,系统开关频率ωs,以及无线感应链路的互感系数m;
以及输入给定的初始条件,求解无线感应链路时域模型的电流系数k′1~k′8,接收电路等效电容电压非齐次微分方程的一般解λ1~λ4,以及链路感应系数gl1~gl4;
上述初始条件:
其中vl1(ωt)为发射电路等效电感电压的时间函数,vl2(ωt)为接收电路等效电感电压的时间函数,vc1(ωt)为发射电路等效电容电压的时间函数,vc2(ωt)为接收电路等效电容电压的时间函数;
步骤2.4:根据i1i,cal(ωst)的计算公式:
其中,k′1~k′8为无线感应链路时域模型的电流系数,λ1~λ4为接收电路等效电容电压非齐次微分方程的一般解,gl1~gl4为链路感应系数,l1i为第i个粒子发射线圈自感,ki为第i个粒子发射和接收线圈的耦合系数,ωs系统开关频率。
输入已知的系统参数和步骤4求得的无线感应链路时域模型参数,计算相位为ωst=0时的输入电流值i1i,cal(0)。
步骤2.5:为ωst增加一个
步骤2.6:重复步骤2.5直到相位为ωst=π,得到ωst∈[0,π]时计算输入电流的时间序列i1i,cal(ωst);
步骤2.7:ωst∈[π,2π]时计算输入时间序列i1i,cal(ωst),ωst∈[0,π]时计算输入电流时间序列i1i,cal(ωst)的负值即-i1i,cal(ωst),于是得到ωst∈[0,2π]时计算输入电流的时间序列i1i,cal(ωst)。
作为优选,步骤3中所述得出的当前最优粒子为:
输入步骤2得到实际输入电流i1(ωst)和各粒子的计算输入电流i1i,cal(ωst),求各粒子的均方差为:
根据各粒子的均方差建立粒子均方差值集合:
smse={mse(p1),mse(p2),...,mse(pi),...,mse(pn)}
设当前迭代次数为g,g=1,2,...,δ,当前最优粒子为
作为优选,步骤4中所述将当前最优粒子引入扰动得到扰动后新粒子具体为:
根据式
作为优选,步骤5中所述计算最优粒子集被扰动集为:
步骤5中所述扰动后新粒子的均方差为
若
sb={pg(g)+δpb(g),pg(g)+2δpb(g),pg(g)+4δpb(g),...,pg(g)+2jδpb(g)}中均方差最小的一个粒子取代,即
其中,p=pg(g)+2rδpb(g),r=0,1,2,...,j,pg(g)+2jδpb(g)中元素搜索边界之内而pg(g)+2j+1δpb(g)中元素在在边界之外,由此确定j的大小;
作为优选,步骤6中所述更新粒子为:
vi(g)=w(g-1)vi(g-1)+r1,i(g-1)[pg-pi(g-1)]+2r1,i(g-1)[ph,i(g-1)-pi(g-1)]
pi(g)=pi(g-1)+vi(g)
其中,g=1,2,...,δ为当前迭代次数,vi(g-1)是第g-1代中第i个粒子的速度,pg是目前搜索到的最佳粒子,pi(g-1)为第i个粒子第g-1代中的位置,ph,i(g-1)为第g-1代中第i个粒子的个体最佳位置,w(g-1)∈(1,0)是学习因子,随机初始化的r1,i(g-1)和r2,i(g-1)是在0和1之间均匀分布的加权因子;
重复步骤2-6,进入下一轮迭代,直到满足设置的设置算法停止条件:
若迭代达到最大次数,即g=δ,算法停止;或当前最优粒子
上述改进的粒子群优化算法停止后得到的全局最优粒子pop中的参数l1op,ω1op,ω2op,kop即为估算得出的无线感应链路系统参数。
本发明的有益效果是:可以对无线感应链路的系统参数进行实施估算,以帮助发射端控制电力传输,这比仅根据离线测量的参数数据控制电力传输更精确也更方便。本发明实施测量系统参数的方式,还能有效避免了电气元件的制造公差对系统性能的影响,以保证系统高效运行。
附图说明
图1:本发明的整体流程图;
图2:本发明的输入电流估算算法流程图;
图3:本发明的无线感应链路模型;
图4:本发明的粒子群算法流程图。
具体实施方式
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,所描述的实施例仅仅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。
本实施实例是通过一下技术方案来实现的,如图1所示,一种用发射端电气信息来实时估算无线感应链路系统参数的方法由两部分组成,一种改进的粒子群优化算法和一种输入电流估算算法。改进的粒子群优化算法用于通过最小化实际输入电流和计算输入电流之间的误差来估算系统参数。输入电流估算算法用于计算输入电流的时间序列,其中包括实际输入电压的时间序列和改进的粒子群优化算法提供的系统参数。
改进的粒子群优化算法用于通过最小化实际输入电流和计算输入电流之间的误差来估算无线感应链路的系统参数的如图4所示。
下面结合图1至图4介绍本发明的具体实施方式,包括以下步骤:
步骤1:输入粒子总数,迭代次数,设置参数的搜索边界;
步骤1中所述输入粒子总数为n=100000,迭代次数为δ=100;
步骤1中所述的参数为:
l1为发射线圈自感,ω1为发射线圈的谐振频率,ω2为接收线圈的谐振频率,k为发射和接收线圈的耦合系数;
步骤1中所述设置参数的搜索边界为:
l1的搜索上界l1max=34μh和搜索下界l1min=27μh;
ω1的搜索上界ω1max=1000krad/s和搜索下界ω1min=800krad/s;
ω2的搜索上界ω2max=1000krad/s和搜索下界ω2min=800krad/s;
k的搜索上界kmax=0.75和搜索下界kmin=0.5;
初始化全部n个粒子,得粒子集sp={p1,p2,...,pn},i=1,2,3,...,n,pi为第i个粒子,pi中的参数都在其相应的搜索边界内随机初始化,pi的具体定义为:
pi={l1,i,ω1,i,ω2,i,ki}
其中,l1,i为第i个粒子发射线圈自感,ω1,i为第i个粒子发射线圈的谐振频率,ω2,i为第i个粒子接收线圈的谐振频率,ki为第i个粒子发射和接收线圈的耦合系数;
步骤2:输入各粒子作为系统参数,根据输入电流估算算法得到各粒子的计算输入电流i1i,cal(ωst)和实际输入电流i1(ωst)。
步骤2输入电流估算算法流程图如图2所示,步骤如下:
步骤2.1:使用电流表和电压表测量得输入电流,输入电压以及输入电压的幅值;
步骤2.1中所述输入电流为i1,所述输入电压为vin,所述输入电压的幅值为vin;
步骤2.2:根据输入电流和输入电压,通过goertzel算法计算输入电压的基波和输入电流的基波,并计算输入电压与输出电入之间的相位角;
所述输入电压的基波为vin.fund,所述输入电流的基波为i1.fund;
所述输入电压与输出电入之间的相位角为:
其中,∠i1,fund为实际输入电流的基波相位角,∠vin,fund为实际输入电压的基波相位角;
步骤2.3:基于如图3所示的无线感应链路,根据无线感应链路时域模型,输入改进的粒子群优化算法中的粒子;
步骤2.3中所述改进的粒子群优化算法的粒子为:
pi={l1i,ω1i,ω2i,ki}
其中,l1i为第i个粒子发射线圈自感,ω1i为第i个粒子发射线圈的谐振频率,ω2i为第i个粒子接收线圈的谐振频率,ki为第i个粒子发射和接收线圈的耦合系数。
输入设为定值的其他系统参数:发射电路等效电容c1,接收电路等效电容c2,发射电路等效电阻r1,接收电路等效电阻r2,发射电路品质因数q1,接收电路品质因数q2,系统开关频率ωs,以及无线感应链路的互感系数m;
以及输入给定的初始条件,求解无线感应链路时域模型的电流系数k′1~k′8,接收电路等效电容电压非齐次微分方程的一般解λ1~λ4,以及链路感应系数gl1~gl4;
上述初始条件:
其中vl1(ωt)为发射电路等效电感电压的时间函数,vl2(ωt)为接收电路等效电感电压的时间函数,vc1(ωt)为发射电路等效电容电压的时间函数,vc2(ωt)为接收电路等效电容电压的时间函数;
步骤2.4:根据i1i,cal(ωst)的计算公式:
其中,k′1~k′8为无线感应链路时域模型的电流系数,λ1~λ4为接收电路等效电容电压非齐次微分方程的一般解,gl1~gl4为链路感应系数,l1i为第i个粒子发射线圈自感,ki为第i个粒子发射和接收线圈的耦合系数,ωs系统开关频率。
输入已知的系统参数和步骤4求得的无线感应链路时域模型参数,计算相位为ωst=0时的输入电流值i1i,cal(0)。
步骤2.5:为ωst增加一个
步骤2.6:重复步骤2.5直到相位为ωst=π,得到ωst∈[0,π]时计算输入电流的时间序列i1i,cal(ωst);
步骤2.7:ωst∈[π,2π]时计算输入时间序列i1i,cal(ωst),ωst∈[0,π]时计算输入电流时间序列i1i,cal(ωst)的负值即-i1i,cal(ωst),于是得到ωst∈[0,2π]时计算输入电流的时间序列i1i,cal(ωst)。
步骤3:计算各粒子的均方差,比较各粒子的均方差,得出当前最优粒子;
输入步骤2得到实际输入电流i1(ωst)和各粒子的计算输入电流i1i,cal(ωst),求各粒子的均方差为:
根据各粒子的均方差建立粒子均方差值集合:
smse={mse(p1),mse(p2),...,mse(pi),...,mse(pn)}
设当前迭代次数为g,g=1,2,...,δ,当前最优粒子为
步骤4:将当前最优粒子引入扰动得到扰动后新粒子;
步骤4中所述将当前最优粒子引入扰动得到扰动后新粒子具体为:
根据式
步骤5:分别计算扰动后新粒子和当前最优粒子的均方差,计算最优粒子集被扰动集;
作为优选,步骤5中所述计算最优粒子集被扰动集为:
步骤5中所述扰动后新粒子的均方差为
若
sb={pg(g)+δpb(g),pg(g)+2δpb(g),pg(g)+4δpb(g),...,pg(g)+2jδpb(g)}中均方差最小的一个粒子取代,即
其中p=pg(g)+2rδpb(g),r=0,1,2,...,j,pg(g)+2jδpb(g)中元素搜索边界之内而pg(g)+2j+1δpb(g)中元素在在边界之外,由此确定j的大小;
步骤6:根据粒子的速度更新公式和位置更新公式更新粒子,得到估算得出的无线感应链路系统参数;
步骤6中所述更新粒子为:
vi(g)=w(g-1)vi(g-1)+r1,i(g-1)[pg-pi(g-1)]+2r1,i(g-1)[ph,i(g-1)-pi(g-1)]
pi(g)=pi(g-1)+vi(g)
其中,g=1,2,...,δ为当前迭代次数,vi(g-1)是第g-1代中第i个粒子的速度,pg是目前搜索到的最佳粒子,pi(g-1)为第i个粒子第g-1代中的位置,ph,i(g-1)为第g-1代中第i个粒子的个体最佳位置,w(g-1)∈(1,0)是学习因子,随机初始化的r1,i(g-1)和r2,i(g-1)是在0和1之间均匀分布的加权因子;
重复步骤2-6,进入下一轮迭代,直到满足设置的设置算法停止条件:
若迭代达到最大次数,即g=δ,算法停止;或当前最优粒子
上述改进的粒子群优化算法停止后得到的全局最优粒子pop中的参数l1op,ω1op,ω2op,kop即为估算得出的无线感应链路系统参数。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。