1.一种基于三阶段粒子群算法的电动汽车无线充电控制系统优化方法，其特征在于，包括以下步骤：步骤1，搭建无线电力传输系统电路模型；

步骤2，设计分段PID控制系统实现对buck电路开关的分阶段控制；

步骤3，使用粒子群算法对各阶段控制器参数与结束时间进行自适应优化，得到各阶段的最优控制器参数与结束时间；

步骤4，将步骤3优化所得参数输入分段控制系统，分段控制系统输出开关信号u控制buck电路开关动作，实现对无线电力传输系统的最优控制效果；

步骤1中，所述无线电力传输系统电路模型包括耦合系统、整流器与buck电路；

其中，所述耦合系统实现能量的非接触传输，所述整流器实现交流信号到直流信号的转换，所述buck电路实现电压降压输出处理；

步骤2包括如下步骤：

步骤2.1，将电压追踪的过程分为3个阶段，设计分段控制方程，并输入3个时间值t1、t2、t3来划分无线电力传输系统所处阶段；

步骤2.2，向PID控制器输入3组控制器参数[kp1，ki1]、[kp2，ki2]、[kp3，ki3]来表示各个阶段须采用的参数组合；其中，kpi表示第i阶段的比例增益系数，kii表示第i阶段的积分增益系数；i取值为1、3、3；

步骤2.3，分段控制方程根据时间信号判断系统所处阶段，并生成对应的控制信号c来控制PID控制器；

步骤2.4，PID控制器接收控制信号c，根据系统所处阶段采用对应的控制器参数组合；

其中，c=1时，PID 控制器采用控制器参数组合[kp1，ki1]；c=2时，PID 控制器采用控制器参数组合[kp2，ki2]；c=3时，PID 控制器采用控制器参数组合[kp3，ki3]；

步骤2.1中所述3个阶段分别为：第一阶段：启动阶段；

第二阶段：追踪阶段；

第三阶段：稳定阶段；

步骤2.1中，所述分段控制方程是一种基于时间信号的控制逻辑，用于在控制器运行过程中判断系统当前所处的阶段，并输出对应的控制信号c，表示为如下形式：（1），

其中，t为当前系统时间，，，分别表示第一、第二、第三阶段的结束时间；

步骤2.2中，第一阶段采用参数组合[kp1，ki1]，第二阶段采用参数组合[kp2，ki2]，第三阶段采用参数组合[kp3，ki3]；

步骤3包括如下步骤：

步骤3.1，初始化PSO算法参数；

步骤3.2，开始第一阶段参数优化，根据启动阶段性能指标定义第一阶段适应度函数；

步骤3.3，初始化粒子群，每个粒子代表一组控制器参数[kp1，ki1，t1]；

步骤3.4，对粒子群进行适应度评估、迭代优化，直到达到算法终止条件，得到控制器参数[kp1，ki1，t1]的最优组合；

步骤3.5，开始第二阶段参数优化，根据追踪阶段性能指标定义第二阶段适应度函数；

步骤3.6，初始化粒子群，每个粒子代表一组控制器参数[kp2，ki2，t2]；

步骤3.7，对粒子群进行适应度评估、迭代优化，直到达到算法终止条件，得到控制器参数[kp2，ki2，t2]的最优组合；

步骤3.8，开始第三阶段参数优化，根据稳定阶段性能指标定义第三阶段适应度函数；

步骤3.9，初始化粒子群，每个粒子代表一组控制器参数[kp3，ki3，t3]；

步骤3.10，对粒子群进行适应度评估、迭代优化，直到达到算法终止条件，得到控制器参数[kp3，ki3，t3]的最优组合。

2.根据权利要求1所述的方法，其特征在于，步骤3.1中，所述PSO算法参数包括：种群规模N，最大迭代次数 ，惯性系数 ，自我学习因子 和群体学习因子 。

3.根据权利要求2所述的方法，其特征在于，步骤3.2中，启动阶段性能指标包括电流过冲、电压上升速率与电压超调；

第一阶段适应度函数 计算公式为：

（2），

（3），

（4），

（5），

其中， 、 和 分别表示第一阶段的电流过冲、电压超调与电压上升速率， 是开始时间，是待优化的第一阶段结束时间，是降压电路的实时电感电流，是最大电流限制，表示系统输出电压， 是参考电压， 是时间 时刻的电压， 、 和 是权重系数。

4.根据权利要求3所述的方法，其特征在于，步骤3.3中，所述初始化粒子群包括：位置初始化：

（6），

其中 表示粒子的位置， 与 构成了第d维度对应的控制器参数位置变量的优化空间， 表示位置变量优化空间的下限， 表示位置变量优化空间的上限；

速度初始化：

（7），

其中 表示粒子的速度， 与 共同构成第d维度对应的控制器参数速度变量的优化空间， 表示速度变量优化空间的下限， 表示速度变量优化空间的上限；

步骤3.4中，所述迭代优化包括：

更新每个粒子的个体极值与全局极值：（8），

（9），

其中， 表示粒子 的适应度， 表示粒子 的个体极值， 表示全局极值；

更新每个粒子的速度和位置：

（10），

（11），

其中 表示粒子的速度， 表示粒子的位置， 是惯性系数，和 是从0到1随机生成的参数， 是自我学习因子， 是群体学习因子， 表示第d维度的个体极值， 表示第d维度的全局极值；

计算公式为：

（12），

其中 和 是设定的阈值，ger表示当前代数；

步骤3.5中，追踪阶段性能指标包括追踪时间、开关损耗与电压波动；

第二阶段适应度函数 计算公式为：

（13），

（14），

（15），

（16） ，

其中， 、 和 分别表示第二阶段的追踪时间、开关振动和电压波动， 是参考电压和输出电压之间的误差小于阈值的临界时刻，同时也是待优化的第二阶段结束时间， 是追踪阶段的开关振动次数， 是一段以阶段切换节点 为中心的有限区间， 、 和是权重系数；

步骤3.8中，稳定阶段性能指标包括稳态误差、开关损耗与电压波动；

第三阶段适应度函数 计算公式为：

（17），

（18），

（19），

（20），

其中， 、 和 分别表示第三阶段的稳态误差、开关振动和电压波动， 表示待优化的第三阶段结束时间， 表示测量误差所需的采样时间， 表示稳定阶段开关振动次数，、 和 是权重系数。