韓永康事務(wù)所(普通合伙)16098基于改進A0-EKF算法的鋰離子電池荷電狀本申請公開了基于改進A0-EKF算法的鋰離電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行建立鋰離子電路等效模型，得到與電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電壓觀測方程，并通過開展不同的電池特性試驗，對電路等效模型內(nèi)的參數(shù)進行辨識引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件，進而結(jié)合參數(shù)辨識后的電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化基于優(yōu)化后的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，以輸出最終的SOC估21.一種基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，包括如下建立鋰離子電路等效模型，得到與所述電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電壓觀測方程，并通過開展不同的電池特性試驗，對所述電路等效模型內(nèi)的參數(shù)進行辨識；引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件，進而結(jié)合參數(shù)辨識后的所述電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化；基于優(yōu)化后的所述噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，以輸出最終的SOC估計值。2.根據(jù)權(quán)利要求1所述的基于改進AO-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，通過開展不同的電池特性試驗，對所述電路等效模型內(nèi)的參數(shù)進行辨識，具體包依據(jù)測試標準在電池測試平臺完成HPPC測試，得到測試電流及電壓數(shù)據(jù)；根據(jù)所述擬合曲線數(shù)據(jù)和測試電流及電壓數(shù)據(jù)，采用帶有遺傳因子的最小二乘法對所述電路等效模型內(nèi)的參數(shù)進行辨識。3.根據(jù)權(quán)利要求1所述的基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，所述天鷹優(yōu)化算法包括有至少四個搜索策略；引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動在預(yù)設(shè)初始值范圍內(nèi)選擇多個不同的初始值，分別建立得到多組混沌序列，并將各所述混沌序列映射到對應(yīng)的理論參數(shù)范圍，從而對天鷹優(yōu)化算法種群進行初始化，使得種群個體在解空間中均勻分布；基于與初始化后的所述種群相關(guān)聯(lián)的種群多樣性指標、適應(yīng)度改進率與搜索效率，設(shè)定各所述搜索策略在進行相互切換時所需觸發(fā)的動態(tài)切換條件。4.根據(jù)權(quán)利要求3所述的基于改進AO-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特策略依次以下一策略為目標切換策略，且所述第四策略的目標切換策略為保持自身策略；在當前所述搜索策略滿足對應(yīng)的動態(tài)切換條件時，進入對應(yīng)的目標切換策略；判斷若當前所述搜索策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至上一搜索策略；其中，所述第四策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至所述第一策略。5.根據(jù)權(quán)利要求1所述的基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，結(jié)合參數(shù)辨識后的所述電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和基于EKF算法，構(gòu)建電池系統(tǒng)狀態(tài)動態(tài)變化的初始狀態(tài)方程和初始觀測方程，并將參數(shù)辨識后的所述電路等效模型中的離散化狀態(tài)方程以及端電壓觀測方程代入到非線性系統(tǒng)的一般形式中；設(shè)計適應(yīng)度函數(shù)，并以SOC估計值與真實值的均方根誤差最小化為優(yōu)化目標，利用初始3化后的天鷹優(yōu)化算法分別優(yōu)化擴展與所述初始狀態(tài)方程和初始觀測方程對應(yīng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣。6.根據(jù)權(quán)利要求5所述的基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，基于優(yōu)化后的所述噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方以優(yōu)化后的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣作為初始值參照，建立初始化狀態(tài)向量和誤差協(xié)方差矩陣；基于電池的電路等效模型和動態(tài)特性，通過系統(tǒng)辨識和數(shù)學(xué)推導(dǎo)，得到狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程；通過對所述狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，從而由所述狀態(tài)向量更新方程和誤差協(xié)方差更新方程輸出最終的SOC估計值。7.根據(jù)權(quán)利要求6所述的基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，通過對所述狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，具體包括：根據(jù)所述誤差協(xié)方差預(yù)測矩陣、觀測協(xié)方差矩陣和觀測矩陣，計算卡爾曼增益矩陣；基于卡爾曼增益矩陣、觀測矩陣和端電壓觀測值，對狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程。8.根據(jù)權(quán)利要求1所述的基于改進AO-EKF算法的鋰離子電池荷電狀態(tài)估計方法，其特征在于，輸出最終的SOC估計值之后，該方法還包括：使用預(yù)設(shè)工況數(shù)據(jù)對所述狀態(tài)向量更新方程和誤差協(xié)方差更新方程的輸出結(jié)果進行實驗驗證。4基于改進AO-EKF算法的鋰離子電池荷電狀態(tài)估計方法技術(shù)領(lǐng)域[0001]本申請一般涉及鋰離子電池技術(shù)領(lǐng)域，具體涉及一種基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法。背景技術(shù)[0002]隨著電動汽車的廣泛應(yīng)用，鋰離子電池作為其核心動力源，其性能管理變得至關(guān)重要。當前電池研究中，主要使用安時積分法、開路電壓法、卡爾曼濾波法及其改進方法來估計電池SOC。安時積分法通過積分充放電電流估計電池容量變化，但存在累積誤差；開路電壓法通過匹配電壓-SOC曲線估計SOC,但需要電池充分靜置；卡爾曼濾波法結(jié)合電池狀態(tài)和觀測方程，可滿足在線估計需求，但電池的非線性特性會影響其精度，因此衍生出擴展卡爾曼濾波(EFK)來提升估計精度和魯棒性。[0003]傳統(tǒng)的EKF對電池模型的精確性以及噪聲協(xié)方差矩陣有著極高的要求。電池模型的參數(shù)，如內(nèi)阻、容量等，會隨著電池的老化、溫度變化以及充放電循環(huán)次數(shù)的增加而發(fā)生改變。在實際工況下，這些參數(shù)的微小偏差都可能導(dǎo)致EKF估計結(jié)果出現(xiàn)較大的誤差累積，進而影響SOC的估算精度。其次，EKF算法對初始SOC值的依賴性極高，若初始SOC值不準確，在后續(xù)的估計過程中，EKF的收斂速度會顯著減慢，而且最終的估計精度也會大打折扣；由此可知，傳統(tǒng)的EKF方法在這些情況下，由于其算法本身的限制，難以適應(yīng)這種復(fù)雜的動態(tài)工況，已然無法保證SOC估計的穩(wěn)定性與準確性。發(fā)明內(nèi)容[0004]鑒于現(xiàn)有技術(shù)中的上述缺陷或不足，期望提供一種基于改進AO-EKF算法的鋰離子電池荷電狀態(tài)估計方法。[0005]本申請?zhí)峁┗诟倪MAO-EKF算法的鋰離子電池荷電狀態(tài)估計方法，包括如下步建立鋰離子電路等效模型，得到與所述電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電壓觀測方程，并通過開展不同的電池特性試驗，對所述電路等效模型內(nèi)的參數(shù)進行辨引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件，進而結(jié)合參數(shù)辨識后的所述電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化；基于優(yōu)化后的所述噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方[0006]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，通過開展不同的電池特性試驗，對所述電路等效模在預(yù)設(shè)溫度下開展電池開路電壓特性試驗，得到開路電壓與荷電狀態(tài)的擬合曲線5依據(jù)測試標準在電池測試平臺完成HPPC測試，得到測試電流及電壓數(shù)據(jù)；根據(jù)所述擬合曲線數(shù)據(jù)和測試電流及電壓數(shù)據(jù)，采用帶有遺傳因子的最小二乘法對所述電路等效模型內(nèi)的參數(shù)進行辨識。[0007]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，所述天鷹優(yōu)化算法包括有至少四個搜索策略；引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略在預(yù)設(shè)初始值范圍內(nèi)選擇多個不同的初始值，分別建立得到多組混沌序列，并將各所述混沌序列映射到對應(yīng)的理論參數(shù)范圍，從而對天鷹優(yōu)化算法種群進行初始化，使得種群個體在解空間中均勻分布；基于與初始化后的所述種群相關(guān)聯(lián)的種群多樣性指標、適應(yīng)度改進率與搜索效率，設(shè)定各所述搜索策略在進行相互切換時所需觸發(fā)的動態(tài)切換條件。[0008]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，四個所述搜索策略分別為：第一策略、第二策略、第三策略和第四策略；各所述搜索策略依次以下一策略為目標切換策略，且所述第四策略的目標切換策略為保持自身策略；在當前所述搜索策略滿足對應(yīng)的動態(tài)切換條件時，進入對應(yīng)的目標切換策略；判斷若當前所述搜索策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至上一搜索策略；其中，所述第四策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至所述第一策略。[0009]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，結(jié)合參數(shù)辨識后的所述電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化，具體包括：基于EKF算法，構(gòu)建電池系統(tǒng)狀態(tài)動態(tài)變化的初始狀態(tài)方程和初始觀測方程，并將參數(shù)辨識后的所述電路等效模型中的離散化狀態(tài)方程以及端電壓觀測方程代入到非線性系統(tǒng)的一般形式中；設(shè)計適應(yīng)度函數(shù)，并以SOC估計值與真實值的均方根誤差最小化為優(yōu)化目標，利用初始化后的天鷹優(yōu)化算法分別優(yōu)化擴展與所述初始狀態(tài)方程和初始觀測方程對應(yīng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣。[0010]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，基于優(yōu)化后的所述噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，以輸出最終的SOC估計值，具體包以優(yōu)化后的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣作為初始值參照，建立初始化狀態(tài)向量和誤差協(xié)方差矩陣；基于電池的電路等效模型和動態(tài)特性，通過系統(tǒng)辨識和數(shù)學(xué)推導(dǎo)，得到狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程；通過對所述狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，從而由所述狀態(tài)向量更新方程和誤差協(xié)方差更新方程輸出[0011]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，通過對所述狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，具體包括：根據(jù)所述誤差協(xié)方差預(yù)測矩陣、觀測協(xié)方差矩陣和觀測矩陣，計算卡爾曼增益矩6基于卡爾曼增益矩陣、觀測矩陣和端電壓觀測值，對狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程進行更新，得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程。[0012]根據(jù)本申請?zhí)峁┑募夹g(shù)方案，輸出最終的SOC估計值之后，該方法還包括：使用預(yù)設(shè)工況數(shù)據(jù)對所述狀態(tài)向量更新方程和誤差協(xié)方差更新方程的輸出結(jié)果進行實驗驗證。[0013]綜上所述，本技術(shù)方案具體地公開了一種基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，包括：建立鋰離子電路等效模型，得到與電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電壓觀測方程，并通過開展不同的電池特性試驗，對電路等效模型內(nèi)的參數(shù)進行辨識；引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件，進而結(jié)合參數(shù)辨識后的電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化；基于優(yōu)化后的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣，優(yōu)化得到狀態(tài)向量更新方程和誤差協(xié)方差更新方程，以輸出最終的SOC估計值。[0014]現(xiàn)有的SOC估計方法大多使用傳統(tǒng)的EKF方法，在這種情況下，由于其算法本身的限制，難以適應(yīng)這種復(fù)雜的動態(tài)工況，導(dǎo)致其魯棒性不足，無法保證SOC估計的穩(wěn)定性與準確性。在本申請中，通過引入Tent混沌映射初始化種群并設(shè)定動態(tài)策略選擇機制，顯著提高了初始的全局搜索能力和尋優(yōu)效率，同時避免了局部最優(yōu)問題。該方法方法不僅提升了算法的收斂速度，還增強了其在復(fù)雜優(yōu)化問題中的穩(wěn)定性，為后續(xù)的利用EKF算法對SOC進行估計提供了更可靠的優(yōu)化基礎(chǔ)。附圖說明[0015]通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本申請的其它特征、目的和優(yōu)點將會變得更明顯：圖1為一種基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法的流程示意圖。[0016]圖2為該電池荷電狀態(tài)估計方法中步驟S100的展開流程示意圖。[0017]圖3為該電池荷電狀態(tài)估計方法中步驟S200的展開流程示意圖。[0018]圖4為該電池荷電狀態(tài)估計方法中步驟S300的展開流程示意圖。[0019]圖5為鋰離子電路等效模型的結(jié)構(gòu)示意圖。[0020]圖6為部分開路電壓測試電壓和電流的曲線示意圖。[0022]圖8為HPPC測試中電流與端電壓曲線。[0023]圖9為仿真模型結(jié)構(gòu)示意圖。[0024]圖10為USO6工況下的SOC估計曲線。[0025]圖11為SOC估計誤差曲線對比具體實施方式[0026]下面結(jié)合附圖和實施例對本申請作進一步的詳細說明?？梢岳斫獾氖?，此處所描述的具體實施例僅僅用于解釋相關(guān)發(fā)明，而非對該發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與發(fā)明相關(guān)的部分。[0027]需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。下面將參考附圖并結(jié)合實施例來詳細說明本申請。7為了使本申請實施例的技術(shù)方案更加清楚、易于理解，下面對本申請實施例提供應(yīng)用背景進行介紹。[0029]隨著電動汽車的廣泛應(yīng)用，鋰離子電池作為其核心動力源，其性能管理變得至關(guān)重要。鋰離子電池的SOC(StateofCharge,荷電狀態(tài))是電池管理系統(tǒng)的核心參數(shù)，準確的SOC估計有利于電動汽車的能量分配和管理。同時，可靠的SOC估計還能避免電池過充或過SOC估計方法對于提升電動汽車的性能和用戶體驗具有重要意義。[0030]當前電池研究中，主要使用安時積分法、開路電壓法、卡爾曼濾波法及其改進方法來估計電池SOC。安時積分法通過積分充放電電流估計電池容量變化，但存在累積誤差；開路電壓法通過匹配電壓-SOC曲線估計SOC,但需要電池充分靜置；卡爾曼濾波法結(jié)合電池狀態(tài)和觀測方程，可滿足在線估計需求，但電池的非線性特性會影響其精度，因此衍生出擴展卡爾曼濾波(EFK)來提升估計精度和魯棒性。[0031]傳統(tǒng)的EKF對電池模型的精確性以及噪聲協(xié)方差矩陣有著極高的要求。電池模型的參數(shù)，如內(nèi)阻、容量等，會隨著電池的老化、溫度變化以及充放電循環(huán)次數(shù)的增加而發(fā)生改變。在實際工況下，這些參數(shù)的微小偏差都可能導(dǎo)致EKF估計結(jié)果出現(xiàn)較大的誤差累積，進而影響SOC的估算精度。其次，EKF算法對初始SOC值的依賴性極高。若初始SOC值不準確，在后續(xù)的估計過程中，EKF的收斂速度會顯著減慢，而且最終的估計精度也會大打折扣。電動汽車在實際行駛過程中，電池面臨著復(fù)雜多變的工況，使得電池的充放電過程呈現(xiàn)出顯著的非線性特性。傳統(tǒng)的EKF方法在這種情況下，由于其算法本身的限制，難以適應(yīng)這種復(fù)[0032]有鑒于此，本申請?zhí)岢鲆环N基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，請結(jié)合圖1所示的估計方法流程示意圖，該方法本發(fā)明旨在提出一種高精度、強魯棒性的鋰離子SOC估計方法，通過改進A0算法優(yōu)化EFK的噪聲協(xié)方差矩陣及初始參數(shù)，解決傳統(tǒng)方法對模型誤差敏感、動態(tài)工況適應(yīng)性差的問題。[0033]具體地，本申請實施例所提出的估計方法包括有如下步驟：S100、建立鋰離子電路等效模型，得到與電路等效模型對應(yīng)的離散化狀態(tài)方程以及端電壓觀測方程，并通過開展不同的電池特性試驗，對電路等效模型內(nèi)的參數(shù)進行辨識；在電池電荷狀態(tài)估計中，利用等效電路模型可以將復(fù)雜的電路系統(tǒng)簡化為電路元件，并通過使用線性關(guān)系描述動態(tài)響應(yīng)，同時還可以根據(jù)電池特性對元件進行優(yōu)化和調(diào)整。通常模型的階次越高，越能反映電池的動態(tài)特性，但模型的復(fù)雜度也會更高。在本申請中使用了二階等效模型，它考慮了電池內(nèi)部的遲效應(yīng)和化學(xué)反映的極化現(xiàn)象，可以較好的描述電池充放電的動靜態(tài)特性，是折中與復(fù)雜度和精確度的選擇，具體的二階等效模型可以參池端電壓，其中，U?(t)和U?(t)分別對應(yīng)二階為輸出電流。[0034]在上述鋰離子電路等效模型的建立下，以放電方向為參考方向，對該等效電路列基爾霍夫電壓定律(Kirchhoff'sVoltageLaw,KVL)的方程，可以得到如下公式(1)的系統(tǒng)狀態(tài)方程和如下公式(2)的觀測方程。8U?=Uoc-I(t)R?-U?-U?公式(2);[0036]基于上述公式(1)和公式(2),進行離散化便可得到如下公式(3)和公式(4),即為U,(k+1)=Uoc(SOC(k+1))-I(t)R?-U?(k+1)-U?(k+1)公式(4);精準辨識，以保證鋰離子電路等效模型的精確性，同時也決定了EKF算法的S101、在預(yù)設(shè)溫度下開展電池開路電壓OCV測試也稱為電池開路電壓特性試驗，它需要在25℃下進行電池開路電壓特性能夠根據(jù)測量得到的OCV值來估算電池的SOC,即剩余電量的百分比，為建立非線性映射奠測試得到測試電流及電壓數(shù)據(jù)用于參數(shù)辨識，如圖8為一個循環(huán)的電壓電流曲線圖。具體9MATLAB的曲線擬合工具箱等工具來實現(xiàn)這些參數(shù)的求解。[0040]S103、根據(jù)擬合曲線數(shù)據(jù)和測試電流及電壓數(shù)據(jù)，采用帶有遺傳因子的最小二乘法對電路等效模型內(nèi)的參數(shù)進行辨識。[0041]在得到擬合曲線數(shù)據(jù)和測試電流及電壓數(shù)據(jù)后，通過帶遺忘因子的最小二乘法(FFRLS,遺忘因子λ一般取0.95-1.00,在本申請實施例中取0.99)辨識RC網(wǎng)絡(luò)參數(shù)，以降低累計數(shù)據(jù)的飽和度，更好地適應(yīng)系統(tǒng)參數(shù)的變化，提高模型對新數(shù)據(jù)的敏感性，顯著提升模型對參數(shù)時變(如老化、溫度)的適應(yīng)性。循環(huán)次數(shù)動態(tài)變化，傳統(tǒng)EKF算法假設(shè)模型參數(shù)固定，參數(shù)偏差會導(dǎo)致狀態(tài)方程預(yù)測誤差逐漸放大，最終使SOC估計偏離真實值，那么本申請通過0CV測試和HPPC測試對電路等效模型進行參數(shù)辨識，實時更新模型參數(shù)，不再依賴固定的辨識參數(shù)，可以有效保證電路等效模型的精確度。[0043]S200、引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件，進而結(jié)合參數(shù)辨識后的電路等效模型，對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化；噪聲協(xié)方差矩陣Q和觀測協(xié)方差矩陣R是EKF的關(guān)鍵參數(shù)，直接影響卡爾曼增益計算，所以在本申請實施例中采用天鷹優(yōu)化算法(AquilaOptimizer,AO)對噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行尋優(yōu)，但由于天鷹優(yōu)化算法本身在初始化時種群分布易不均勻的問題，所以在天鷹優(yōu)化算法的基礎(chǔ)上還引入了Tent混沌映射初始化種群，并提出動態(tài)策略選擇，改善A0算法在迭代初期可能過早進入局部開發(fā)或后期仍過度全局探索的問題，最終基于優(yōu)化后的A0算法和參數(shù)精確辨識后的電路等效模型對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化。[0044]在一優(yōu)選實施例中，參見圖3,本申請實施例中的天鷹優(yōu)化算法包括有至少四個搜索策略；上述步驟中“引入Tent混沌映射初始化天鷹優(yōu)化算法種群，且設(shè)定天鷹優(yōu)化算法種群搜索策略的動態(tài)切換條件”的展開步驟具體包括：S201、在預(yù)設(shè)初始值范圍內(nèi)選擇多個不同的初始值，分別建立得到多組混沌序列，并將各混沌序列映射到對應(yīng)的理論參數(shù)范圍，從而對天鷹優(yōu)化算法種群進行初始化，使得種群個體在解空間中均勻分布；引入Tent混沌映射初始化天鷹優(yōu)化算法種群旨在使種群初始解均勻分布，Tent映射產(chǎn)生的混沌序列具有良好的分布性和隨機性，使種群個體在解空間中更加均勻地分布，從而提高算法的全局搜索能力和尋優(yōu)效率，減少EKF算法對初始Q/R的依賴，具體的過程需要在建立數(shù)學(xué)模型時，在搜索范圍內(nèi)隨機初始化，其具體的數(shù)學(xué)表達式如下公式(5):在公式(5中，rand為高斯分布中介于0與1之間的隨機數(shù)；LB;為給定問題的第j個[0045]Tent混沌映射數(shù)學(xué)表達式如下公式(6):公式(6);在公式(6)中，Xn和Xn+1分別為第n次和第n+1次的混沌值。當混沌序列a∈[0,1]、[0046]引入Tent混沌映射初始化種群，在預(yù)設(shè)初始值范圍[0,1]之間，選擇多個不同的初始值，從而得到具有不同初始值的混沌序列a,用于代替A0算法種群初始化的隨機數(shù)rand,得到參見如下公式(7),同時將混沌序列線性映射到理論參數(shù)范圍，完成對種群的初始化，使得種群個體在解空間中均勻分布。[0048]S202、基于與初始化后的種群相關(guān)聯(lián)的種群多樣性指標、適應(yīng)度改進率與搜索效率，設(shè)定各搜索策略在進行相互切換時所需觸發(fā)的動態(tài)切換條件。[0049]天鷹優(yōu)化算法本身的基礎(chǔ)設(shè)定是模擬天鷹捕食行為，通過設(shè)定的動態(tài)搜索策略輸出最佳的個體位置，在本申請實施例中天鷹優(yōu)化算法包括有四個搜索策略，分別為第一策略、第二策略、第三策略和第四策略(四個策略又可分別理解為是擴大開發(fā)和縮小開發(fā)),且在算法執(zhí)行過程中會根據(jù)迭代階段和種群情況進行動態(tài)調(diào)整，以平衡全局搜索和局部搜索能力。[0050]下面對四個搜索策略進行展開說明：在這一策略中，天鷹從高空飛行，并廣泛探索搜索空間，以識別出獵物所在的區(qū)域，這種行為的數(shù)學(xué)模型表示為如下公式(8):公式(8);進一步地，X?(t+1)為本階段t+1次迭代的解；Xbest(t)為第t次迭代時的當前全局最佳解；T和t分別表示最大迭代次數(shù)和當前迭代次數(shù)；XM1t)為t迭代中解的平均值；X(t)表示t時刻第i個個體的位置。其中，天鷹確定目標區(qū)域后，在選定的區(qū)域內(nèi)繼續(xù)進行探索，以縮小獵物所在的目標區(qū)域，這種行為的數(shù)學(xué)表達式如下公式(9):X?(t+1)=Xbeat(t)×levy(D)+XR(t)+(y-x)×rand公式(9);行的方式接近目標進行初步攻擊來檢測獵物的反應(yīng)。這種行為的數(shù)學(xué)表達式如下公式X?(t+1)=(Xbest(t)-XMt))×α-rand+((UB-LB)×rand+LB)×δ公式(10);X?(t+1)=QF(1)×Xbest(t)-(G?×X(t)×R)-G?×Levy(D)+R×G?公式(11);在公式(11)中，X?(t+1)為本階段t+1次迭代的解；QF(t期可能過早進入局部開發(fā)，或后期仍過度全局探索，同時固定比例無法根據(jù)優(yōu)化棒性不足。所以在本申請中還基于種群多樣性指標(DI)、適應(yīng)度改進率(FIR)與搜索效率[0056]適應(yīng)度改進率(FIR)用來反映收斂速度，值趨于零表示收斂停滯，觸發(fā)階段切換機制，其具體數(shù)學(xué)表達式參見如下公式(13)。其中，△t為統(tǒng)計窗口，數(shù)值可選為8;fest(t)表示在算法運行到第t次迭代時，當前找到的最優(yōu)解對應(yīng)的適應(yīng)度值(目標函數(shù)值)。[0058]搜索效率(SIF)值越高表明當前策略越有效，用來反映算法在搜索過程中找到更優(yōu)解的速度和質(zhì)量，它綜合考慮了算法的收斂速度和找到的解的質(zhì)量，其具體數(shù)學(xué)表達式如下公式(14):公式(14);終，我們得到如下表1所示的搜索策略切換條件。[0059]表1搜索策略切換條件當前階段切換的目標階段切換條件擴大探索(階段1)縮小探索縮小探索(階段2)拓展開發(fā)FIR(1)<8ASTF(1)<0.1回退至階拓展開發(fā)(階段3)縮小開發(fā)(階段4)縮小開發(fā)保持[0060]下面，我們對上述表1內(nèi)的切換條件的設(shè)計進行簡單說明：階段1對應(yīng)的切換條件：(1)25%閾值的選擇可以基于測試結(jié)果進行設(shè)定，例如，假設(shè)在CEC2017測試中得到的DI數(shù)值為30%,但考慮到EKF的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣優(yōu)化有高緯度性、非線性、參數(shù)耦合性等特點，所以可將閾值降低為25%,以延長擴大探索階段，同時通過仿真實驗對比不同DI閾值(20%、25%、30%)的狀態(tài)估計誤差、算法收斂速度和參數(shù)估計穩(wěn)定性，結(jié)果表明閾值在25%時優(yōu)化效果最佳；(2)t>0.25Tax,保證即使多樣性未達閾值，算法在完成25%迭代后強制進入下一階段，避免算法因指標誤判而長期滯留，確保[0061]階段2和階段3對應(yīng)的切換條件：(1)FIR閾值(δ)作為收斂停滯檢測，適應(yīng)度改進率趨近于零(δ=1e?5),表明當前階段的局部搜索陷入停滯階段，無法進一步提升解的質(zhì)量。對于多數(shù)優(yōu)化問題，適應(yīng)度變化量級在1e?5以下可視為收斂停滯；(2)搜索效率SIF(t)表示新解優(yōu)于父解的比例，同樣可以基于CEC2017等測試函數(shù)的實驗驗證進行設(shè)定，例如CEC2017等測試函數(shù)的實驗驗證，表明閾值0.2和0.1在多數(shù)場景下能有效區(qū)分搜索效率的高低，但考慮到EKF參數(shù)優(yōu)化的存在高緯度性的特點，在高維空間中，找到更優(yōu)解的概率顯著降低，SIF值可能普遍低于標準測試函數(shù)場景，若階段2的SIF=0.2可能過于嚴格，導(dǎo)致頻繁回退至探索階段，浪費計算資源，故在本申請實施例中將閾值從0.2和0.1調(diào)整至0.1和0.05,以匹配高維空間中的低搜索效率特性，且通過仿真實驗對比表明閾值在0.1和0.05時，算法在高維EKF參數(shù)優(yōu)化任務(wù)中，既能避免過早陷入局部最優(yōu)，又能有效減少不必要的探索回退次數(shù)，確保了搜索在高維復(fù)雜優(yōu)化場景下的合理性與有效性。[0062]階段4對應(yīng)的切換條件：若FIR(t)<δ持續(xù)K代，則表明算法可能陷入深度局部最優(yōu)或搜索空間結(jié)構(gòu)復(fù)雜，則強制重啟階段1;在本申請實施例中K的閾值選擇10代，相較于標準優(yōu)化算法中的5代，更適用于高維空間的緩慢收斂特性，且強制重啟階段1時，保留精英個體以避免完全丟失歷史信息。[0063]基于上表1可知，各搜索策略依次以下一策略為目標切換策略，且第四策略的目標切換策略為保持自身策略，即擴大探索的目標階段為縮小探索，縮小探索的目標階段為拓展開發(fā)，拓展開發(fā)的目標階段為縮小開發(fā)，縮小開發(fā)即為保持自身的搜索策略。[0064]進一步地，在當前搜索策略滿足對應(yīng)的動態(tài)切換條件時，進入對應(yīng)的目標切換策略；判斷若當前搜索策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至上一搜索策略；其中，第四策略不滿足對應(yīng)的動態(tài)切換條件時，則回退至第一策略。[0065]舉例來說，在擴大探索的過程中，發(fā)現(xiàn)此時種群多樣性指標達到如下DI(t)<0.25·Dinitialvt>0.25Tmax時，就代表此時可以進入縮小探索進行進一步的搜索，當縮小探索過程中，適應(yīng)度改進率出現(xiàn)|FIR(t)|<δ入SIF(t)<0.1時，則回退至擴大探索，表示此時開發(fā)效率低下，否則便進入拓展開發(fā)。[0066]需要說明的是：Dinitial=DI(O)為初始種群的多樣性值；這樣的策略設(shè)計之下增加回退機制以使當開發(fā)效率低下時，主動回退到上一階段，避免無效迭代，最終當t=Tmax時，輸出結(jié)果Xbest(Tmax);通過監(jiān)測這些指標，算法可以動態(tài)地調(diào)整搜索策略，平衡全局搜索和局部搜索的能力，以提高找到全局最優(yōu)解的概率，即最優(yōu)個體位置搜索完成；結(jié)合下一步驟可知，在對天鷹優(yōu)化算法進行改進的基礎(chǔ)上，再通過結(jié)合參數(shù)辨識后的電路等效模型，便可對EKF算法過程中系統(tǒng)的噪聲協(xié)方差矩陣和觀測協(xié)方差矩陣進行優(yōu)化，也即搜索得到關(guān)于噪聲協(xié)方差矩陣Q和觀測協(xié)方差矩陣R的最優(yōu)解；需要說明的是，電池在不同的工作條件下(如溫度變化、充放電倍率不同等),模型誤差和測量誤差的特性會發(fā)生變化。固定的噪聲協(xié)方差矩陣Q和觀測協(xié)方差矩陣R可能無法準確描述這些變化，導(dǎo)致EKF算法的估計精度下降。改進的A0算法通過動態(tài)調(diào)整Q和R矩陣，可以使EKF算法更好地適應(yīng)不同的工作條件，提高電池狀態(tài)估計的精度。具體地，利用改進的A0算法優(yōu)化Q和R矩陣具體包括如下步驟：S203、基于EKF算法，構(gòu)建電池系統(tǒng)狀態(tài)動態(tài)變化的初始狀態(tài)方程和初始觀測方程，并將參數(shù)辨識后的電路等效模型中的離散化狀態(tài)方程以及端電壓觀測方程代入到非線性系統(tǒng)的一般形式中；EKF算法進行SOC估計時，以安時積分法和RC回路極化電壓計算式測量電池內(nèi)部狀態(tài)，準確表達電池內(nèi)部的荷電狀態(tài)和電壓等狀態(tài)量之間的關(guān)系，構(gòu)建電池系統(tǒng)狀態(tài)動態(tài)變化的狀態(tài)方程和觀測方程如下公式(15):公式(15);將離散化后的狀態(tài)方程和端電壓觀測方程公式(3)、(4)帶入可以根據(jù)擬合的開路電壓與SOC的關(guān)系確定；D=-R?;Vk為觀測噪[0067]S204、設(shè)計適應(yīng)度函數(shù)，并以SOC估計值與真實值的均方根誤差最標，利用初始化后的天鷹優(yōu)化算法分別優(yōu)化EKF算法中的噪聲協(xié)方差矩陣和觀測協(xié)方差矩公式(16);在本申請實施例中，以SOC估計值與真實值的均方根誤差(RMSE)最小化為優(yōu)化目后的天鷹優(yōu)化算法按照上述搜索策略，對噪聲協(xié)方差矩陣Q和觀測協(xié)方差矩陣R進行優(yōu)化，[0070]如前述內(nèi)容說明可知，噪聲協(xié)方差矩陣Q和觀測協(xié)方差矩陣R是EKF算法的關(guān)鍵參誤差協(xié)方差更新方程，最終利用狀態(tài)向量更新方程和誤差協(xié)方差更新方程輸出最終的SOC[0072]其中，E(x?)表示對初始狀態(tài)X?的期望公式(18);[0076]首先，狀態(tài)向量預(yù)測方程和誤差協(xié)方差預(yù)測方程所輸出的數(shù)據(jù)是SOC估計的修正程和誤差協(xié)方差預(yù)測方程的基礎(chǔ)上，還進一步的通過修正手段得到用于輸出最終的SOC估卡爾曼增益矩陣可以平衡預(yù)測值與觀測值的權(quán)重K=PC(C.P?C+RL)公式(19);[0078]根據(jù)k時刻端電壓Yk和卡爾曼增益矩陣K,得到k時刻更新的狀態(tài)向量更新方程和誤差協(xié)方差更新方程，通過這一步驟，將觀測信息融入到狀態(tài)估計中，提高估計的準確性，具體的數(shù)學(xué)表達式如下公式(20):[0079]進一步地，結(jié)合前述內(nèi)容可知，通過不斷地重復(fù)上述預(yù)測和更新步驟，EKF算法能夠根據(jù)系統(tǒng)的動態(tài)特性和觀測信息，逐步調(diào)整對SOC的估計，使其更加準確地接近真實值，(1)達到預(yù)先設(shè)定的迭代次數(shù)，即完成了預(yù)定數(shù)量的預(yù)測和更新步驟；(2)狀態(tài)估計的誤差協(xié)方差矩陣收斂，即估計值的不確定性降低到一定程度；(3)系統(tǒng)達到穩(wěn)態(tài)，即狀態(tài)變量的變化趨于穩(wěn)定。[0081]此外，輸出最終的SOC估計值之后，該方法還包括：使用預(yù)設(shè)工況數(shù)據(jù)對狀態(tài)向量更新方程和誤差協(xié)方差更新方程的輸出結(jié)果進行實驗驗證。[0082]為了評估本估計方法的性能，在設(shè)計過程中，還通過使用US06工況數(shù)據(jù)進行了實驗驗證。實驗中，工況的電壓和電流信息由精確測量設(shè)備獲取，SOC值通過簡單可靠且不受模型誤差影響的安時積分法直接測量，可視為真實值。實驗過程中，將USO6測試的電流信息與參數(shù)識別結(jié)果輸入Simulink仿真模型(如圖9所示),為了更好地評估SOC估計預(yù)測算法在較高的荷電狀態(tài)下的性能和可靠性，并在實驗中覆蓋較大范圍的SOC變化，最終得到USO6工況的SOC估計曲線和估計誤差曲線如圖10和圖11所示；由圖10和圖11可知，圖10的SOC估算曲線中，應(yīng)用改進后的算法優(yōu)化參數(shù)后，對SOC有很好的估計效果，改進后的算法能更快地收斂至平穩(wěn)；圖11的估計誤差曲線中，改進后的估計誤差曲線更加平穩(wěn)，改進后算法的估計[0083]基于上述描述可知，本申請?zhí)岢鲆环N基于改進A0-EKF算法的鋰離子電池荷電狀態(tài)估計方法，該方法第一方面通過引入Tent混沌映射初始化種群，解決了傳統(tǒng)天鷹優(yōu)