1.一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:包括以下步骤:S1、建立基于分数阶微积分与恒相位元件CPE的二阶等效电路模型,包含两个并联的分数阶极化支路;
S2、模型参数的离线辨识:
S21、参数初始化与编码;
S22、适应度函数构建:以模型预测输出电压与实测电压间的均方误差作为算法适应度函数;
S23、差分交叉与自适应变异:混合遗传算法在遗传代内对每个个体执行差分进化和二项交叉,并按个体适应度自适应地调节交叉概率与变异概率;
在交叉过程中构造差分向量;
动态调整交叉概率与变异概率;
S24、局部最优跳出与终止判断;
S3、双时间尺度下模型参数在线更新及SOC和SOH的协同估计:S31、快速时间尺度上采用分数阶自适应滑模扩展卡尔曼滤波器进行SOC估计:定义系统状态向量和预测方程;
定义输出矩阵和观测方程;
动态调整观测噪声协方差与过程噪声协方差;
S32、状态修正与结果输出:快时间尺度更新后得到更新后的状态估计向量与模型预测的端电压,输出实时电池荷电状态,并将端电压残差反馈给预测方程进行自适应调噪闭环;
S33、慢时间尺度下基于扩展卡尔曼滤波器EKF进行模型参数在线更新:对模型参数向量进行更新,参数向量包括电池欧姆内阻、两个并联支路的极化电阻、两个并联支路的类电容系数、相应分数阶阶次以及慢时间尺度下的迭代步数;
S34、容量参数与SOH估计:将电池当前最大可用容量作为参数向量中的一维随慢时间尺度EKF同步更新,得到实时辨识的电池容量参数,据此在线计算实时电池健康状态;
S35、结果输出与协同闭环:输出实时电池荷电状态、实时电池健康状态与最新模型参数向量;慢时间尺度更新后的参数向量回写到快时间尺度模型中,用于下一周期的FOASEKF预测。
2.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S1分数阶等效电路模型的建立包括以下步骤:S11、基于分数阶微积分的锂离子电池建模:采用Grünwald–Letnikov定义对电池行为进行建模,其分数阶导数表达式如下:,
其中,为分数阶微积分算子,表示针对变量的积分-微分操作;表示阶次,当时表示分数阶导数,当时表示分数阶积分,若,则算子退化为单位算子;为离散步数索引,表示在记忆长度内的第个历史采样点;为牛顿二项式系数;为计算步长;表示函数在离散时间点的取值;为采样点数;
恒相位元件CPE的阻抗ZCPE(jω)表达式为:,
式中,为角频率,为CPE系数;
对应的电流-电压关系为:
,
其中,表示电容电流,表示电容电压;
S12、二阶等效电路模型的构建:依据Kirchhoff电压定律,构建包含两个并联CPE支路的分数阶二阶等效电路模型,分别表征电化学极化与浓差极化;
S13、开路电压OCV与电池荷电状态SOC关系拟合:对在静置充放电条件下采集的OCV–SOC数据进行多项式拟合,得到:,
其中,为多项式拟合系数;为多项式的最高阶次。
3.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S22中所述算法适应度函数表达式如下:,
其中,为适应度函数;为实测端电压,为模型预测端电压;为样本数据长度。
4.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S23中构造差分向量v如下:,
其中,、、为随机选取的三个个体,为差分放大因子;
对父体与按基因位执行:
,
其中,为交叉后的个体基因值;为差分变异向量分量;为交叉概率;为基因位置索引,表示个体染色体中的第位;为随机索引位置,保证至少一位取自的随机索引;是父代个体 x 的第 个基因值。
5.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S23中动态调整交叉概率与变异概率方法如下:,
其中,为交叉概率最大设定值;为变异概率最大设定值、分别为种群最大和最小适应度,为防止分母为零的小常数。
6.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S24中局部最优跳出与终止判断方法为:按代际记录最优适应度,在移动窗口内计算改进幅度,当连续若干代改进低于阈值时,触发跳出机制;
对触发个体施加基于Lévy飞行的重尾步长扰动,步长按Mantegna方法生成;
扰动后的个体超出搜索域时做投影回夹,仅在适应度改善时接受新解,并始终保留全局最优解以防性能回退;满足达到最大迭代/达到目标适应度时停止进化。
7.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S31中系统状态向量为:,
其中,为实时电池荷电状态;、分别为等效电路中两个并联支路的极化电压;
预测方程表示如下:
,
其中,为当前电流输入,为分数阶记忆因子矩阵,为滑模观测器增益,为端电压残差,为实测端电压,为第时刻的端电压估计;为符号函数。
8.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S31中:输出矩阵表示观测方程对状态变量的偏导数矩阵,定义为:;为第时刻的端电压估计;为系统状态向量;
观测方程为:
,
其中,为观测输出,为开路电压与SOC的非线性函数,为非线性输出函数,和分别为等效电路中两个并联支路模型估计的极化电压,为估计的欧姆内阻;为观测噪声;
动态调整观测噪声协方差与过程噪声协方差方法如下:,
其中,、∈(0,1)为平滑因子,ek为端电压残差;为卡尔曼增益:,其中,为状态预测协方差矩阵;为观测噪声协方差矩阵。
9.根据权利要求1所述的一种基于FOASEKF-EKF的锂离子动力电池SOC和SOH联合估计方法,其特征在于:步骤S33中对模型参数向量进行更新,其中,为电池欧姆内阻,、分别表示两个并联支路的极化电阻;、分别表示两个并联支路的类电容系数,、为相应分数阶阶次,表示慢时间尺度下的迭代步数;更新方法如下:参数状态方程采用如下形式更新:,
预测误差驱动的参数更新为:
,
其中,为基于状态与预测参数计算得到的模型预测输出;为第次迭代时刻的观测量;为第次迭代时刻的系统状态向量;
参数敏感性矩阵的计算:EKF参数更新增益为:,
其中,为参数预测协方差矩阵;为参数观测噪声协方差;为参数敏感性矩阵,定义为:,
其中,表示在第次迭代下由电池模型计算得到的端电压预测值。