本发明属于锂电池状态预测，具体涉及一种新型智能寻优粒子滤波锂电池soe估计方法及系统。
背景技术：
1、在锂离子电池组的整个生命周期中，电池管理系统（battery managementsystem，bms）对核心参数soe的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的；准确的soe估计可以提高电池剩余能量预测的可靠性，对汽车剩余里程的估计以及电池的优化管理具有重要意义。然而，目前电池状态研究主要集中在荷电状态（state of charge，soc）估算方面。soc反映电池内部容量变化，但电动汽车行驶过程中电流和电压变化频繁，仅凭借soc无法准确判断电池放电能力，在评价电池状态和估计车辆续驶里程时难免会产生误差。因此，选择电池状态参数时要综合考虑电池电流和电压变化，soe直接反映电池内部能量变化。另外，soe作为能量状态的重要参数，可以作为整车能量优化的参数，合理的分配电池能量，从而延长电动汽车最大的续航里程，提高电池使用效率，满足车辆动力性能。因此，精确估计soe值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要。
2、针对soe估计的必要性和紧迫性需求，多个国家级实验室和高校纷纷开展了相关技术的研究，包括：密歇根大学、牛津大学、香港科技大学、清华大学、北京理工大学、中国科学技术大学、北京交通大学、西安交通大学、同济大学、合肥工业大学、上海理工大学等。国内外很多期刊，如journal of power sources、applied energy、ieee transactions onpower systems和电源技术等，设立了针对性很强的栏目用于相关研究成果展示。目前研究人员对于锂电池soe的研究大致分为以下几类：
3、1）功率积分法，在已知soe初值的前提下﹐通过对端电压与电流乘积累计求得当前的能量，进而实现当前状态soe的估计。其表达式为功率积分法计算简单且易于实现，但这种方法有较明显的缺陷。首先，电池soe初始值难以精确获得。其次，该方法对电流传感器精度较敏感。最后，电池老化会导致能量衰减，使基准能量值下降，从而造成soe的估计精度下降。
4、2）神经网络法是利用神经网络的并行结构、学习能力以及非线性的基本特征，根据输入的外部激励得到相应的输出，该方法利用神经网络来模拟电池的动态特性进而进行soe估计。但这类方法的估计效果在很大程度上取决于训练数据的数量和质量，以及拟合算法的选择，通常具有较大的计算量，且对传感器精度要求较高。
5、3）基于模型的方法。为了减少上述方法的不利影响，很多研究人员提出了基于模型的手段来尝试解决。wang y利用自适应无迹卡尔曼滤波和卡尔曼滤波算法来处理非线性系统，建立了有效的soe估计器。但是如果系统非线性度比较大，用这种线性化的处理方法就不太合适了。基于模型的估计方法原理简单、计算量较少且具有高精确度，但对模型的准确度和精确度要求极高。
6、综上，采用以上方法实现soe估算各有优势，但由于动力电池受行驶工况以及电池老化等不确定因素影响，在建立电池模型时需要进一步加强模型实时特性。同时，将更加精确的电池模型与改进算法相结合得到实时准确的状态量估计值是当前的研究重点。因此，针对锂离子电池组的soe估计问题，结合实际单片机处理方法和迭代计算过程的优势分析，提出智能蝴蝶优化粒子滤波方法研究，实现了soe估算模型的构建与实验验证。
技术实现思路
1、本发明的目的是克服现有锂离子电池估计soe方法的不足，提供一种新型智能寻优粒子滤波锂电池soe估计方法及系统，解决锂离子电池soe估计精确度问题。
2、为实现上述目的，本发明提供了如下方案：
3、一种新型智能寻优粒子滤波锂电池soe估计方法，包括以下步骤：
4、建立包含电压滞后特性的双极化-电等效电路dp-eec模型；
5、采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得所需的电路模型参数；
6、基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集；
7、引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计。
8、优选的，所述双极化-电等效电路dp-eec模型为：
9、，
10、其中， soe k+1是 k+1时刻的 soe预测值， u1， k+1、 u2， k+1是 k+1时刻的电压1和电压2预测值，，分别为电池模型回路1和回路2的时间常数，δ t表示采样时间， soe k是 k时刻的 soe预测值， u1, k、 u2， k是 k时刻的电压1和电压2预测值， u l， k是 k时刻的电压信号输出， u l， k+1是 k+1时刻的电压信号输出， q n表示最大可用能量， r1、 r2为极化电阻， i( k)为输入信号， w1, k、 w2, k、 w3, k是 k时刻的观测噪声， v1, k是 k时刻的测量误差， u oc( soe), k+1是表示在 k+1时刻，根据当前的电池状态估计值 soe来计算得到的开路电压值， r0为初始极化电阻。
11、优选的，采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得电路模型参数的方法包括：
12、对所述双极化-电等效电路dp-eec模型进行输出预测和误差估计；
13、基于预测的输出和估计的误差，引入变量遗忘因子，获得电池模型的协方差矩阵、遗忘因子和增益；
14、基于所述协方差矩阵、所述遗忘因子和所述增益，将所述双极化-电等效电路dp-eec模型转换为最小二乘数学形式；
15、基于所述最小二乘数学形式，推导出所需的电路模型参数；
16、其中，预测的输出和估计的误差表达式为：
17、，
18、表示要辨识的参数变量， k( k)表示增益，表示系统样本集合，为系数矩阵，表示 k时刻观测估计值，表示 k时刻观测实际值，是新息， y表示观测值， u表示电压输入值，、 nb分别表示常数；
19、电池模型的协方差矩阵 p( k)、遗忘因子和增益 k( k)的表达式为：
20、；为遗忘因子，为 k时刻的测量矩阵， r为协方差；
21、将，代入等式进行离散化，所述最小二乘数学形式为：
22、； k1, k2, k3, k4, k5为待估参数；
23、令，所需的电路模型参数表达式为：
24、，
25、其中， a、b、c、d为中间变量， u oc( k)是 k时刻开路电压， u l( k)是 k时刻工作电压， t为参数辨识采样时间。
26、优选的，基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集的方法包括：
27、初始化soe估计粒子滤波器；
28、基于初始化的soe估计粒子滤波器，预测下一时刻 x k+1的状态；
29、基于预测的下一时刻 x k+1的状态，进行重要性采样；
30、基于重要性采样的结果，进行重采样，获得满足预设权重的粒子；
31、其中，初始化soe估计粒子滤波器的方法包括：设定初始状态时刻为[0.95,0,0]，然后根据式产生m=50个粒子，并设每个粒子的权值是1/50； n为标准正态分布，为状态 x在 k时刻第 i个训练样本的特征量；
32、预测下一时刻 x k+1的状态的方法包括：根据状态方程式来预测， x k+1是 k+1时刻的状态变量，是 k时刻的方差；
33、进行重要性采样的方法包括：根据 k时刻观测实际值 y k，利用式来更新 k时刻的状态方程，获得每个粒子的新的权值，最后对权值进行归一化；其中，为方差，为观测方程；
34、进行重采样的方法包括：改变粒子的状态，从[0,1]中取得随机数，并将随机数和每个粒子对应前面所有粒子和相比较，留下满足预设权重的粒子。
35、优选的，引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计的方法包括：
36、，
37、其中，和是从寻优空间中选取的第 j和第 k个蝴蝶， r是［0，1］之间的随机数，蝴蝶寻找食物在局部和全局范围内发生，通过设置切换概率 p来决定蝴蝶的飞行方式，取为0.8， f i表示第 i个蝴蝶的气味强度大小，第 i个蝴蝶在第 t次迭代中的解向量。
38、本发明还提供了一种新型智能寻优粒子滤波锂电池soe估计系统，包括：模型构建模块、获得模块、预测模块和优化模块；
39、所述模型构建模块用于建立包含电压滞后特性的双极化-电等效电路dp-eec模型；
40、所述获得模块用于采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得所需的电路模型参数；
41、所述预测模块用于基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集；
42、所述优化模块用于引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计。
43、优选的，所述双极化-电等效电路dp-eec模型为：
44、，
45、其中， soe k+1是 k+1时刻的 soe预测值， u1， k+1、 u2， k+1是 k+1时刻的电压1和电压2预测值，，分别为电池模型回路1和回路2的时间常数，δ t表示采样时间， soe k是 k时刻的 soe预测值， u1, k、 u2， k是 k时刻的电压1和电压2预测值， u l， k是 k时刻的电压信号输出， u l， k+1是 k+1时刻的电压信号输出， q n表示最大可用能量， r1、 r2为极化电阻， i( k)为输入信号， w1, k、 w2, k、 w3, k是 k时刻的观测噪声， v1, k是 k时刻的测量误差， u oc( soe), k+1是表示在 k+1时刻，根据当前的电池状态估计值 soe来计算得到的开路电压值， r0为初始极化电阻。
46、优选的，采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得电路模型参数的过程包括：
47、对所述双极化-电等效电路dp-eec模型进行输出预测和误差估计；
48、基于预测的输出和估计的误差，引入变量遗忘因子，获得电池模型的协方差矩阵、遗忘因子和增益；
49、基于所述协方差矩阵、所述遗忘因子和所述增益，将所述双极化-电等效电路dp-eec模型转换为最小二乘数学形式；
50、基于所述最小二乘数学形式，推导出所需的电路模型参数；
51、其中，预测的输出和估计的误差表达式为：
52、，
53、表示要辨识的参数变量， k( k)表示增益，表示系统样本集合，为系数矩阵，表示 k时刻观测估计值，表示 k时刻观测实际值，是新息， y表示观测值， u表示电压输入值，、 nb分别表示常数；
54、电池模型的协方差矩阵 p( k)、遗忘因子和增益 k( k)的表达式为：
55、；为遗忘因子，为 k时刻的测量矩阵， r为协方差；
56、将，代入等式进行离散化，所述最小二乘数学形式为：
57、； k1, k2, k3, k4, k5为待估参数；
58、令，所需的电路模型参数表达式为：
59、，
60、其中， a、b、c、d为中间变量， u oc( k)是 k时刻开路电压， u l( k)是 k时刻工作电压， t为参数辨识采样时间。
61、优选的，基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集的过程包括：
62、初始化soe估计粒子滤波器；
63、基于初始化的soe估计粒子滤波器，预测下一时刻 x k+1的状态；
64、基于预测的下一时刻 x k+1的状态，进行重要性采样；
65、基于重要性采样的结果，进行重采样，获得满足预设权重的粒子；
66、其中，初始化soe估计粒子滤波器的方法包括：设定初始状态时刻为[0.95,0,0]，然后根据式产生m=50个粒子，并设每个粒子的权值是1/50； n为标准正态分布，为状态 x在 k时刻第 i个训练样本的特征量；
67、预测下一时刻 x k+1的状态的方法包括：根据状态方程式来预测， x k+1是 k+1时刻的状态变量，是 k时刻的方差；
68、进行重要性采样的方法包括：根据 k时刻观测实际值 y k，利用式来更新 k时刻的状态方程，获得每个粒子的新的权值，最后对权值进行归一化；其中，为方差，为观测方程；
69、进行重采样的方法包括：改变粒子的状态，从[0,1]中取得随机数，并将随机数和每个粒子对应前面所有粒子和相比较，留下满足预设权重的粒子。
70、优选的，引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计的过程包括：
71、，
72、其中，和是从寻优空间中选取的第 j和第 k个蝴蝶， r是［0，1］之间的随机数，蝴蝶寻找食物在局部和全局范围内发生，通过设置切换概率 p来决定蝴蝶的飞行方式，取为0.8， f i表示第 i个蝴蝶的气味强度大小，第 i个蝴蝶在第 t次迭代中的解向量。
73、与现有技术相比，本发明的有益效果为：
74、本发明是基于三元锂离子电池动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于新型智能寻优粒子滤波高精度估计soe方法，具有较强的适用性；针对锂离子电池组soe值精确估计目标，本发明考虑多因素的迭代计算与修正，利用以粒子滤波算法为基础的修正机制，采用一种实时的智寻优能算法优化估算方法，构建锂离子电池soe估算新模型，实现了soe估算的数学描述，提高了计算可靠性；本发明可为不同应用场景下的锂离子电池soe估算模型的建立提供方法参考，具有计算简洁、适应性好和精度高的优点。
1.一种新型智能寻优粒子滤波锂电池soe估计方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的新型智能寻优粒子滤波锂电池soe估计方法，其特征在于，所述双极化-电等效电路dp-eec模型为：
3.根据权利要求1所述的新型智能寻优粒子滤波锂电池soe估计方法，其特征在于，采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得电路模型参数的方法包括：
4.根据权利要求1所述的新型智能寻优粒子滤波锂电池soe估计方法，其特征在于，基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集的方法包括：
5.根据权利要求1所述的新型智能寻优粒子滤波锂电池soe估计方法，其特征在于，引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计的方法包括：
6.一种新型智能寻优粒子滤波锂电池soe估计系统，其特征在于，包括：模型构建模块、获得模块、预测模块和优化模块；
7.根据权利要求6所述的新型智能寻优粒子滤波锂电池soe估计系统，其特征在于，所述双极化-电等效电路dp-eec模型为：
8.根据权利要求6所述的新型智能寻优粒子滤波锂电池soe估计系统，其特征在于，采用vffrls算法对所述双极化-电等效电路dp-eec模型进行在线参数识别，获得电路模型参数的过程包括：
9.根据权利要求6所述的新型智能寻优粒子滤波锂电池soe估计系统，其特征在于，基于所述电路模型参数，利用粒子滤波算法为基础的修正机制，预测和更新来自于系统概率密度函数的采样集的过程包括：
10.根据权利要求6所述的新型智能寻优粒子滤波锂电池soe估计系统，其特征在于，引入智能蝴蝶寻优算法优化粒子滤波的采样集，实现锂电池soe估计的过程包括：
