一种电动自行车锂电池无线充电控制方法与流程

1.本发明涉及无线充电控制方法技术领域，尤其涉及一种基于海豚算法与粒子群算法的电动自行车锂电池无线充电控制方法。


背景技术：

2.电动助力自行车由于零排放和高能量效率的优势，成为了日常城市通勤的理想选择，锂电池作为电动助力自行车的推动力，由于其电化学特性的限制，目前现有的多数充电控制方法存在着没有合适的保护机制，充电速率有限，充电控制过程不够高效，充电时间较长的问题，此外，充电时如果锂电池受到过大电流的充电，过度充电将会使得电池内部的反应过剧烈，可能引发电池过热、气化、减少电池寿命等问题，严重时可能会造成火灾、爆炸等事故。这会导致用户产生里程焦虑和安全顾虑，从而严重制约了电动助力自行车产业的发展。因此，高效安全的锂电池充电控制方法至关重要。
3.截至目前，已经开发出多种方法来对锂电池充电过程进行控制，基于恒流恒压充电的控制方法，可以实现相对较快的充电速度和保持稳定的充电速度。但是为了确保充电的安全性和电池寿命，其通常会限制充电速率，而不能根据电池实时信息数据进行动态调节，存在充电时间较长的问题。因此，为了保证锂电池在整个充电过程中都处于安全且快速的控制下充电，进而最大限度的缩短充电时间，迫切需要开展安全高效的充电控制策略的研究。


技术实现要素：

4.本发明的目的是提供一种电动自行车锂电池无线充电控制方法，来解决现有技术没有合适的保护机制，充电速率有限，充电控制过程不够高效，从而导致充电过程有安全隐患和充电时间较长的问题。
5.为达到上述目的，本发明的技术方案为：提供一种电动自行车锂电池无线充电控制方法，其创新点在于，包括以下步骤：
6.步骤1：采集给锂电池充电时需要优化的两种充电模式的数据，分别为快速充电模式、充电安全约束模式两种充电模式；
7.步骤2：基于步骤1采集到的充电模式的数据并结合改进海豚算法建立和训练两种充电模式下锂电池的充电控制模型的奖励函数，并且对两种模式对应的奖励函数进行随机的权重分配；将已权重分配后的两种模式对应的奖励函数线性累加到一起，建立总奖励函数；
8.步骤3：设定电池充电策略，根据改进海豚算法对电池充电策略，进行训练，通过训练，将找到的最优解，输入至总奖励函数，可得到总奖励函数最大值；得到使得总奖励函数最大化对应的得到最优充电过程控制方式；
9.步骤4：根据总奖励函数值来决定采取哪种充电方式，然后根据选取的充电方式控制电动自行车无线充电系统的电流进行动态调节，即以大电流或者以小电流进行充电或是
停止充电，即完成无线充电的控制。
10.进一步的，所述的步骤1中采集的充电模式的数据包括：锂电池soc、电池端电压、充电电流、电池充电持续时间和电池温度。
11.进一步的，所述步骤2中的改进海豚算法具体包括如下内容：
12.通过在海豚算法中融入粒子群优化运算方法，当种群内的某些个体按照设定的几率pm被选中进行变异时，就会生成一个新的个体，也可以利用变异操作来替换海豚群中的某些个体，以获得更多的随机位置，从而增加种群规模和多样性；
13.具体方式是随机选择海豚群中的一个个体，然后在该个体所对应的位置进行变异操作，进而产生一个新的个体，如果海豚群中有n个个体，第i个个体所在的位置为ai，则进行变异操作后，ai位置的值会发生改变，从而形成一个新的个体，变异操作按如下公式进行：
[0014][0015]
f(g)＝k(1-n/n
max
)2[0016]
其中a
max
是海豚群个体ai的上界位置；a
min
是海豚群个体ai的下界位置；k是一个随机数，n是当前迭代次数；nmax是最大进化次数；r是[0,1]区间的随机数。
[0017]
进一步的，所述的步骤2中建立两种充电模式下锂电池的充电控制模型的函数的具体过程如下：
[0018]
步骤21:定义具备着最优化解的海豚个体为θ海豚，即领袖，第二优解的个体海豚为ψ海豚，即副领袖，而第三优解的个体海豚为λ海豚，即觅食者；
[0019]
设立海豚捕猎算法运算方法的数据参数，具体为设置种群规模数值n、最大迭代次数数值tmax、变异概率数值pm和搜索维数数值d；
[0020]
步骤22:初始化步骤21中设置的参数数值，针对海豚个体的方位实行ga变异操作处置，生成全新的个体方位；
[0021]
步骤23:海豚群按照全新的个体方位，搜寻包围猎物并设置迭代次数，海豚群在包围猎物时，个体与猎物之间的距离表示为：
[0022][0023]
海豚个体的位置更新公式为:
[0024][0025]
其中t表示当前迭代,表示个体与猎物之间的距离，和表示系数向量，表示猎物位置向量；表示海豚位置向量；
[0026]
步骤24:由于目标函数所求总奖励函数的值为最大值,所以根据适应度函数，计算海豚群中每个海豚个体的适应度函数值,选出适应度值最好的前三只海豚分别记为θ、ψ、λ；适应度函数为：
[0027][0028]
式中f(x)为奖励函数，f[*]为适应度函数值；
[0029]
步骤25:计算种群中其它海豚个体与海豚θ、ψ、λ的距离，并依据步骤22更新当前每个海豚个体的位置；
[0030]
步骤26:计算小生境技术下海豚群拥挤度距离，计算公式为：
[0031][0032]
x(t+1)＝(x1+x2+x3)/3
[0033]
其中表示海豚群拥挤度距离，在迭代过程中从2线性减小到0,且是[0,1]的随机向量；表示猎物位置向量；表示海豚位置向量；
[0034]
步骤27：更新步骤26运算方法内的a数值、c数值以及a数值，依照精英留存策略来留存具备优良特点的个体，即前三优解θ、ψ、λ，且具备优良特点的个体直接融入下一代迭代中，再实施变异操作，从而选取生成全新的独立化个体，再运算全部海豚个体的适应度函数数值；
[0035]
步骤28：假使达成最大化的迭代次数数值，选择退出操作，与此同时，输出全局区域最优化的目标数据化函数数值，即最佳适应度函数数值θ；不然，促使数值t＝t+1，转向步骤24继续执行操作。
[0036]
进一步的，所述步骤2中的快速充电模式对应的充电控制模型的函数，包括如下内容：
[0037]
加速电池充电，尝试最小化电池在任意初始电量soc0到充电到期望电量socd之间所需的时间，优化充电电流和电压的控制策略，以提高充电速度和保护电池安全，充电速度对应的目标函数表示为
[0038]
min e＝nt
[0039]
式中，t表示采样周期；n是socn＝socd所对应的采样步数；
[0040]
在电池充电速度方面，将上式中的目标函数转化为电池当前soc与期望soc的差值，这个奖励函数强制电池以最小化当前soc和期望soc之间的差值为目标，从而鼓励电池更快地充电，最终缩短充电时间；
[0041]
每一步的奖励函数设置为
[0042]gs
(k)＝-k*|soc(k)-soc(d)|
[0043]
在充电策略的优化过程中，设当前步数为k，电池在充电步数k时的soc状态为sock，期望的soc为socd，构建充电策略的回报函数，定义电池对未来时间步骤总体回报的期望，如果在当前的充电步数k，电池的soc状态越接近期望sock＝socd，那么电池的回报就越高，反之，则回报就越低；因此，将回报函数定义为：
[0044]
gs(k)＝-k*|(soc(k)-soc(d)|
[0045]
其中，gsk表示在充电步数k时获得的奖励或惩罚，sock表示在充电步数k时电池的soc状态，socd表示期望的soc，这个奖励函数强制充电策略尽快将电池的soc接近期望sock＝socd，从而鼓励充电策略快速充电，当充电策略的回报函数单调递增时，认为该充电策略较优，反之则需要进行调整。
[0046]
进一步的，所述的步骤2的充电安全约束模式对应的充电控制模型的函数，为避免高充电电流给电池带来不可逆的损伤，对电池产生过度的压力，需要限制充电电流和电压，以确保电池的安全和寿命，应将其保持适当范围内，表述为以下输入约束：
[0047]
0≤ib(k)≤i
max
[0048]
式中，i
max
是电池的最大允许充电电流，ib(k)表示电池的当前充电电流，必须防止电池的soc、电压和温度超过其允许的限值，即
[0049][0050]
式中，socmax、vmax和tmax分别代表电池soc、电压和温度的上限。
[0051]
进一步的，所述的步骤2中的充电安全约束模式对应的充电控制函数需进行强化学习，强化学习方式包括：
[0052][0053][0054][0055]
当电池的电压、温度和soc低于最大允许值时，不会对电池施加惩罚，当电池达到最大允许值时，就会开始施加惩罚，以确保电池在充电时保持安全；
[0056]
对于充电安全约束模式的控制，根据当前时段安全信息反馈，调节充电电流大小。
[0057]
进一步的，所述的步骤2总奖励函数，包括如下内容：
[0058]
将上述的快速充电目标和安全约束目标按重要性分配权重，得到每一步的总奖励函数式中，ωi，1≤i≤4分别为描述不同目标的权重系数，优化目标转化为：
[0059]
g(k)＝w1gs(k)+w2gv(k)+w3g
t
(k)+w4g
s1
(k)
[0060][0061]
式中，g(k)代表总奖励函数；gs(k)代表快速充电；gv(k)、g
t
(k)g
s1
(k)分别代表充电安全约束模式中，其对应的奖励函数中的电压限制函数，时间限制函数和快速充电限制函数；n代表最大充电步数，本发明通过最大化所有步数的奖励函数的总和，即从而实现在安全的前提下快速充电的模式优化。
[0062]
进一步的，所述的步骤3中设定的电池充电策略为：采用允许范围内的大电流值给锂电池充电，并通过无线充电控制方法不断寻找新的局部区域最优解与上一个局部区域最优解做比较，得出最优解，以达到在安全的条件下最短时间内充满电池的目的。
[0063]
本发明和现有技术相比，产生的有益效果为：
[0064]
(1)本发明公开了一种电动自行车锂电池无线充电控制方法，基于采集到的充电模式的数据通过改进海豚算法建立和训练两种充电模式下锂电池的充电控制模型的奖励函数，根据总奖励函数值来决定采取哪种充电方式，然后根据选取的充电方式控制电动自行车无线充电系统的电流进行动态调节，即以大电流或者以小电流进行充电或是停止充电，完成无线充电过程的控制。解决现有技术没有合适的保护机制，充电速率有限，充电控
制过程不够高效，从而导致充电过程有安全隐患和充电时间较长的问题，使得在安全前提下能以最短时间充满锂电池。
[0065]
(2)本发明考虑到充电电流大小对充电时间有明显影响，建立快速充电模式控制函数，用于在符合安全限制时，对电池提供最大限定值电流加速电池充电，缩短充电时间。
[0066]
(3)本发明针对充电时电池安全保护进行了充分考虑，建立了充电安全约束模式控制函数，用于在充电实时反馈信息触发安全限制时，对电池充电电流进行动态减小，可以有效提高对电池的安全保护效果且兼顾缩短充电时间。
附图说明
[0067]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0068]
图1为本发明的一种电动自行车锂电池无线充电控制方法的流程图。
具体实施方式
[0069]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0070]
实施例1
[0071]
本实施例提供一种电动自行车锂电池无线充电控制方法，其具体流程如图1所示，包括以下步骤：
[0072]
步骤1：采集给锂电池充电时需要优化的两种充电模式的数据，分别为快速充电模式、充电安全约束模式两种充电模式；
[0073]
快速充电模式指采用允许范围内的最大电流值给锂电池充电；充电安全约束模式指当锂电池soc、电压、电流、电池充电持续时间和温度等数据中的一个或多个达到预设最大值时，对充电电流减小。
[0074]
采集的充电模式的数据包括：锂电池soc、电池端电压、充电电流、电池充电持续时间和电池温度。
[0075]
步骤2：基于步骤1采集到的充电模式的数据并结合改进海豚算法建立和训练两种充电模式下锂电池的充电控制模型的奖励函数，并且对两种模式对应的奖励函数进行随机的权重分配；权重分配依据使用者认为的重要性进行分配，本实施例中快速充电模式权重占0.4、充电安全约束模式权重占0.6；将已权重分配后的两种模式对应的奖励函数线性累加到一起，建立总奖励函数。
[0076]
改进海豚算法具体包括如下内容：通过在海豚算法中融入粒子群优化运算方法，较有效的增强其局部区域寻优能力,高效性规避深陷至局部区域最优，与此同时,粒子群优化运算方法的变异式计算,能够在一定程度上针对种群的多元化特性施以丰富,增强需求到最优解的能力；
[0077]
在本发明的改进海豚算法中，当种群内的某些个体按照设定的几率pm被选中进行
变异时(本实施例中pm＝0.5)，就会生成一个新的个体，也可以利用变异操作来替换海豚群中的某些个体，以获得更多的随机位置，从而增加种群规模和多样性；
[0078]
具体方式是随机选择海豚群中的一个个体，然后在该个体所对应的位置进行变异操作，进而产生一个新的个体，如果海豚群中有n个个体，本实施例中n＝200，第i个个体所在的位置为ai，则进行变异操作后，ai位置的值会发生改变，从而形成一个新的个体，变异操作按如下公式进行：
[0079][0080]
f(g)＝k(1-n/n
max
)2[0081]
其中a
max
是海豚群个体ai的上界位置；a
min
是海豚群个体ai的下界位置；k是一个随机数,本实施例中k＝2，n是当前迭代次数；nmax是最大进化次数,本实施例中nmax＝200，；r是[0,1]区间的随机数。
[0082]
将海豚算法其用于构建优化无线充电控制问题的求解过程，通过跟踪和模拟海豚群的行为，在海豚算法的充电策略寻优运行过程中，海豚个体通过搜索和跟随的行为模式，不断改进自己的位置和状态，最终找到最优解，即最优充电方式。
[0083]
本发明建立两种充电模式下锂电池的充电控制模型的函数的具体过程如下：
[0084]
步骤21:定义具备着最优化解的海豚个体为θ海豚，即领袖，第二优解的个体海豚为ψ海豚，即副领袖，而第三优解的个体海豚为λ海豚，即觅食者；
[0085]
设立海豚捕猎算法运算方法的数据参数，具体为设置种群规模数值n,本实施例中n＝200，、最大迭代次数数值tmax、本实施例中tmax＝200，变异概率数值pm,本实施例中pm＝0.5和搜索维数数值d,本实施例中,有两种模式，所以选取d＝2；
[0086]
步骤22:初始化步骤21中设置的参数数值，针对海豚个体的方位实行ga变异操作处置，生成全新的个体方位；
[0087]
步骤23:海豚群按照全新的个体方位，搜寻包围猎物并设置迭代次数，海豚群在包围猎物时，个体与猎物之间的距离表示为：
[0088][0089]
海豚个体的位置更新公式为:
[0090][0091]
其中t表示当前迭代,表示个体与猎物之间的距离，和表示系数向量，表示猎物位置向量；表示海豚位置向量；
[0092]
步骤24:由于目标函数所求总奖励函数的值为最大值,所以根据适应度函数，计算海豚群中每个海豚个体的适应度函数值,选出适应度值最好的前三只海豚分别记为θ、ψ、λ；适应度函数为：
[0093][0094]
式中f(x)为奖励函数，f[*]为适应度函数值；
[0095]
步骤25:计算种群中其它海豚个体与海豚θ、ψ、λ的距离，并依据步骤22更新当前每
个海豚个体的位置；
[0096]
步骤26:计算小生境技术下海豚群拥挤度距离，计算公式为：
[0097][0098]
x(t+1)＝(x1+x2+x3)/3
[0099]
其中表示海豚群拥挤度距离，在迭代过程中从2线性减小到0,且是[0,1]的随机向量；表示猎物位置向量；表示海豚位置向量；
[0100]
步骤27：更新步骤26运算方法内的a数值、c数值以及a数值，依照精英留存策略来留存具备优良特点的个体，即前三优解θ、ψ、λ，且具备优良特点的个体直接融入下一代迭代中，再实施变异操作，从而选取生成全新的独立化个体，再运算全部海豚个体的适应度函数数值；
[0101]
步骤28：假使达成最大化的迭代次数数值，选择退出操作，与此同时，输出全局区域最优化的目标数据化函数数值，即最佳适应度函数数值θ；不然，促使数值t＝t+1，转向步骤24继续执行操作。
[0102]
快速充电模式对应的充电控制模型的函数，包括如下内容：
[0103]
加速电池充电，尝试最小化电池在任意初始电量soc0到充电到期望电量socd之间所需的时间，优化充电电流和电压的控制策略，以提高充电速度和保护电池安全，充电速度对应的目标函数表示为
[0104]
min e＝nt
[0105]
式中，t表示采样周期；n是socn＝socd所对应的采样步数；
[0106]
在电池充电速度方面，将上式中的目标函数转化为电池当前soc与期望soc的差值，这个奖励函数强制电池以最小化当前soc和期望soc之间的差值为目标，从而鼓励电池更快地充电，最终缩短充电时间；
[0107]
每一步的奖励函数设置为
[0108]gs
(k)＝-k*|soc(k)-soc(d)|
[0109]
在充电策略的优化过程中，设当前步数为k，电池在充电步数k时的soc状态为sock，期望的soc为socd，构建充电策略的回报函数，定义电池对未来时间步骤总体回报的期望，如果在当前的充电步数k，电池的soc状态越接近期望sock＝socd，那么电池的回报就越高，反之，则回报就越低；因此，将回报函数定义为：
[0110]gs
(k)＝-k*|(soc(k)-soc(d)|
[0111]
其中，gsk表示在充电步数k时获得的奖励或惩罚，sock表示在充电步数k时电池的soc状态，socd表示期望的soc，这个奖励函数强制充电策略尽快将电池的soc接近期望sock＝socd，从而鼓励充电策略快速充电，当充电策略的回报函数单调递增时，认为该充电策略较优，反之则需要进行调整；
[0112]
为达到在电动助力自行车无线充电系统充电过程中快速充电响应的效果，本发明中对于快速充电模式，采用大电流值给锂电池充电时采用的具体思路为:根据电池需求充电电流值ia，控制模块通过对补偿网络的电流值ia分析，补偿网络采用lcc-s补偿拓扑，并且车端包含dc/dc电路，此发明中车端dc/dc电路采用基于buck-boost电路实时调节电流频率进而调节占空比，以此来改变电路等效阻抗进而调节充电电流的控制策略。电流控制器
可据此计算整流电路的移相角，即根据移相角的值产生pwm信号，然后输出至mosfet开关管的驱动电路，从而实现快速充电的控制。
[0113]
充电安全约束模式对应的充电控制模型的函数，为避免高充电电流给电池带来不可逆的损伤，对电池产生过度的压力，需要限制充电电流和电压，以确保电池的安全和寿命，应将其保持适当范围内，表述为以下输入约束：
[0114]
0≤ib(k)≤i
max
[0115]
式中，i
max
是电池的最大允许充电电流，ib(k)表示电池的当前充电电流，必须防止电池的soc、电压和温度超过其允许的限值，即
[0116][0117]
式中，socmax、vmax和tmax分别代表电池soc、电压和温度的上限。
[0118]
充电安全约束模式对应的充电控制函数需进行强化学习，本发明设计如下强化学习的探索过程学习方式，以解决电池端电压和内部温度易受电池模型影响的问题：
[0119][0120][0121][0122]
当电池的电压、温度和soc低于最大允许值时，不会对电池施加惩罚，当电池达到最大允许值时，就会开始施加惩罚，以确保电池在充电时保持安全；
[0123]
对于充电安全约束模式的控制，根据当前时段安全信息反馈，调节充电电流大小。对于满足充电安全约束模式时采用的具体思路为:根据电池预设限定值提供充电电流值ia，控制模块通过对补偿网络的电流值ia分析，补偿网络采用lcc-s补偿拓扑，并且车端包含dc/dc电路，dc/dc电路采用基于buck-boost电路实时调节电流频率进而调节占空比，以此来改变电路等效阻抗进而调节充电电流的控制方法。
[0124]
电流控制器可据此计算整流电路的移相角即根据移相角的值产生pwm信号，然后输出信号至mosfet开关管的驱动电路，从而实现在安全约束下快速充电的控制。
[0125]
总奖励函数，包括如下内容：
[0126]
将上述的快速充电目标和安全约束目标按重要性分配权重，得到每一步的总奖励函数式中，ωi，1≤i≤4分别为描述不同目标的权重系数，本实施例中ω1＝4，ω2＝2，ω3＝2，ω4＝2，优化目标转化为：
[0127]
g(k)＝w1gs(k)+w2gv(k)+w3g
t
(k)+w4g
s1
(k)
[0128][0129]
式中，g(k)代表总奖励函数；gs(k)代表快速充电；gv(k)、g
t
(k)g
s1
(k)分别代表充电
安全约束模式中，其对应的奖励函数中的电压限制函数，时间限制函数和快速充电限制函数；n代表最大充电步数，本发明通过最大化所有步数的奖励函数的总和，即从而实现在安全的前提下快速充电的模式优化。
[0130]
步骤3：设定电池充电策略，根据改进海豚算法对电池充电策略，进行训练，通过训练，将找到的最优解，输入至总奖励函数，可得到总奖励函数最大值；得到使得总奖励函数最大化对应的得到最优充电过程控制方式。
[0131]
设定的电池充电策略为：采用允许范围内的大电流值给锂电池充电，并通过无线充电控制方法不断寻找新的局部区域最优解与上一个局部区域最优解做比较，得出最优解，以达到在安全的条件下最短时间内充满电池的目的。
[0132]
步骤4：根据总奖励函数值来决定采取哪种充电方式，然后根据选取的充电方式控制电动自行车无线充电系统的电流进行动态调节，即以大电流或者以小电流进行充电或是停止充电，即完成无线充电的控制。
[0133]
以上所揭露的仅为本发明一种较佳实施例，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明所作的等同变化，仍属于发明所涵盖的范围。

技术特征：
1.一种电动自行车锂电池无线充电控制方法，其特征在于，包括以下步骤：步骤1：采集给锂电池充电时需要优化的两种充电模式的数据，分别为快速充电模式、充电安全约束模式两种充电模式；步骤2：基于步骤1采集到的充电模式的数据并结合改进海豚算法建立和训练两种充电模式下锂电池的充电控制模型的奖励函数，并且对两种模式对应的奖励函数进行随机的权重分配；将已权重分配后的两种模式对应的奖励函数线性累加到一起，建立总奖励函数；步骤3：设定电池充电策略，根据改进海豚算法对电池充电策略，进行训练，通过训练，将找到的最优解，输入至总奖励函数，可得到总奖励函数最大值；得到使得总奖励函数最大化对应的得到最优充电过程控制方式；步骤4：根据总奖励函数值来决定采取哪种充电方式，然后根据选取的充电方式控制电动自行车无线充电系统的电流进行动态调节，即以大电流或者以小电流进行充电或是停止充电，即完成无线充电的控制。2.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述的步骤1中采集的充电模式的数据包括：锂电池soc、电池端电压、充电电流、电池充电持续时间和电池温度。3.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述步骤2中的改进海豚算法具体包括如下内容：通过在海豚算法中融入粒子群优化运算方法，当种群内的某些个体按照设定的几率pm被选中进行变异时，就会生成一个新的个体，也可以利用变异操作来替换海豚群中的某些个体，以获得更多的随机位置，从而增加种群规模和多样性；具体方式是随机选择海豚群中的一个个体，然后在该个体所对应的位置进行变异操作，进而产生一个新的个体，如果海豚群中有n个个体，第i个个体所在的位置为a
i
，则进行变异操作后，a
i
位置的值会发生改变，从而形成一个新的个体，变异操作按如下公式进行：f(g)＝k(1-n/n
max
)2其中a
max
是海豚群个体a
i
的上界位置；a
min
是海豚群个体a
i
的下界位置；k是一个随机数，n是当前迭代次数；nmax是最大进化次数；r是[0,1]区间的随机数。4.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述的步骤2中建立两种充电模式下锂电池的充电控制模型的函数的具体过程如下：步骤21:定义具备着最优化解的海豚个体为θ海豚，即领袖，第二优解的个体海豚为ψ海豚，即副领袖，而第三优解的个体海豚为λ海豚，即觅食者；设立海豚捕猎算法运算方法的数据参数，具体为设置种群规模数值n、最大迭代次数数值tmax、变异概率数值pm和搜索维数数值d；步骤22:初始化步骤21中设置的参数数值，针对海豚个体的方位实行ga变异操作处置，生成全新的个体方位；步骤23:海豚群按照全新的个体方位，搜寻包围猎物并设置迭代次数，海豚群在包围猎物时，个体与猎物之间的距离表示为：
海豚个体的位置更新公式为:其中t表示当前迭代,表示个体与猎物之间的距离，和表示系数向量，表示猎物位置向量；表示海豚位置向量；步骤24:由于目标函数所求总奖励函数的值为最大值,所以根据适应度函数，计算海豚群中每个海豚个体的适应度函数值,选出适应度值最好的前三只海豚分别记为θ、ψ、λ；适应度函数为：式中f(x)为奖励函数，f[*]为适应度函数值；步骤25:计算种群中其它海豚个体与海豚θ、ψ、λ的距离，并依据步骤22更新当前每个海豚个体的位置；步骤26:计算小生境技术下海豚群拥挤度距离，计算公式为：x(t+1)＝(x1+x2+x3)/3其中表示海豚群拥挤度距离，在迭代过程中从2线性减小到0,且是[0,1]的随机向量；表示猎物位置向量；表示海豚位置向量；步骤27：更新步骤26运算方法内的a数值、c数值以及a数值，依照精英留存策略来留存具备优良特点的个体，即前三优解θ、ψ、λ，且具备优良特点的个体直接融入下一代迭代中，再实施变异操作，从而选取生成全新的独立化个体，再运算全部海豚个体的适应度函数数值；步骤28：假使达成最大化的迭代次数数值，选择退出操作，与此同时，输出全局区域最优化的目标数据化函数数值，即最佳适应度函数数值θ；不然，促使数值t＝t+1，转向步骤24继续执行操作。5.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述步骤2中的快速充电模式对应的充电控制模型的函数，包括如下内容：加速电池充电，尝试最小化电池在任意初始电量soc0到充电到期望电量soc
d
之间所需的时间，优化充电电流和电压的控制策略，以提高充电速度和保护电池安全，充电速度对应的目标函数表示为mine＝nt式中，t表示采样周期；n是soc
n
＝socd所对应的采样步数；在电池充电速度方面，将上式中的目标函数转化为电池当前soc与期望soc的差值，这个奖励函数强制电池以最小化当前soc和期望soc之间的差值为目标，从而鼓励电池更快地充电，最终缩短充电时间；每一步的奖励函数设置为：
g
s
(k)＝-k*|soc(k)-soc(d)|在充电策略的优化过程中，设当前步数为k，电池在充电步数k时的soc状态为soc
k
，期望的soc为soc
d
，构建充电策略的回报函数，定义电池对未来时间步骤总体回报的期望，如果在当前的充电步数k，电池的soc状态越接近期望sock＝socd，那么电池的回报就越高，反之，则回报就越低；因此，将回报函数定义为：g
s
(k)＝-k*|(soc(k)-soc(d)|其中，g
s
k表示在充电步数k时获得的奖励或惩罚，sock表示在充电步数k时电池的soc状态，socd表示期望的soc，这个奖励函数强制充电策略尽快将电池的soc接近期望sock＝socd，从而鼓励充电策略快速充电，当充电策略的回报函数单调递增时，认为该充电策略较优，反之则需要进行调整。6.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述的步骤2的充电安全约束模式对应的充电控制模型的函数，为避免高充电电流给电池带来不可逆的损伤，对电池产生过度的压力，需要限制充电电流和电压，以确保电池的安全和寿命，应将其保持适当范围内，表述为以下输入约束：0≤i
b
(k)≤i
max
式中，i
max
是电池的最大允许充电电流，i
b
(k)表示电池的当前充电电流，必须防止电池的soc、电压和温度超过其允许的限值，即式中，socmax、vmax和tmax分别代表电池soc、电压和温度的上限。7.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于:所述的步骤2中的充电安全约束模式对应的充电控制函数需进行强化学习，强化学习方式包括：步骤2中的充电安全约束模式对应的充电控制函数需进行强化学习，强化学习方式包括：步骤2中的充电安全约束模式对应的充电控制函数需进行强化学习，强化学习方式包括：当电池的电压、温度和soc低于最大允许值时，不会对电池施加惩罚，当电池达到最大允许值时，就会开始施加惩罚，以确保电池在充电时保持安全；对于充电安全约束模式的控制，根据当前时段安全信息反馈，调节充电电流大小。8.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述的步骤2总奖励函数，包括如下内容：将上述的快速充电目标和安全约束目标按重要性分配权重，得到每一步的总奖励函数式中，ω
i
，1≤i≤4分别为描述不同目标的权重系数，优化目标转化为：
g(k)＝w1g
s
(k)+w2g
v
(k)+w3g
t
(k)+w4g
s1
(k)式中，g(k)代表总奖励函数；g
s
(k)代表快速充电；g
v
(k)、g
t
(k)g
s1
(k)分别代表充电安全约束模式中，其对应的奖励函数中的电压限制函数，时间限制函数和快速充电限制函数；n代表最大充电步数，本发明通过最大化所有步数的奖励函数的总和，即从而实现在安全的前提下快速充电的模式优化。9.根据权利要求1所述一种电动自行车锂电池无线充电控制方法，其特征在于：所述的步骤3中设定的电池充电策略为：采用允许范围内的大电流值给锂电池充电，并通过无线充电控制方法不断寻找新的局部区域最优解与上一个局部区域最优解做比较，得出最优解，以达到在安全的条件下最短时间内充满电池的目的。

技术总结
一种电动自行车锂电池无线充电控制方法，其特征在于，包括以下本发明公开了一种电动自行车锂电池无线充电控制方法，包括以下步骤：步骤1：采集给锂电池充电时需要优化的两种充电模式的数据；步骤2：建立和训练两种充电模式下锂电池的充电控制模型的奖励函数，并建立总奖励函数；步骤3：得到使得总奖励函数最大化对应的得到最优充电过程控制方式；步骤4：完成无线充电的控制。本发明的一种电动自行车锂电池无线充电控制方法解决现有技术没有合适的保护机制，充电速率有限，充电控制过程不够高效，从而导致充电过程有安全隐患和充电时间较长的问题，使得在安全前提下能以最短时间充满锂电池。电池。电池。


技术研发人员：吴雷 李思奇 鲁思兆 喻兴鹏 许爽 夏科
受保护的技术使用者：卡方能源科技（云南）有限公司
技术研发日：2023.07.03
技术公布日：2023/10/5