技術(shù)特征：

1.一種基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，包括以下步驟：

S1、建立電池的雙極化等效電路模型，計(jì)算獲得所述雙極化等效電路模型的輸出電壓值；

S2、根據(jù)雙極化等效電路模型的輸出電壓值和電池產(chǎn)品樣品輸出電壓值，建立用于表示雙極化等效電路模型輸出電壓曲線與產(chǎn)品樣本輸出電壓曲線差別的目標(biāo)函數(shù)；

S3、根據(jù)雙極化等效電路模型的開路電壓和輸出電壓的取值范圍設(shè)定約束條件；

S4、根據(jù)多目標(biāo)優(yōu)化遺傳算法對S2中的目標(biāo)函數(shù)在S3中的約束條件下優(yōu)化求解，得到Pareto最優(yōu)解集，并在Pareto最優(yōu)解集中挑選最優(yōu)的折中解，得出最優(yōu)的雙極化等效電路模型元件參數(shù)。

2.如權(quán)利要求1所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S1中所述的計(jì)算獲得所述雙極化等效電路模型的輸出電壓值的具體過程包括：采用指數(shù)形式的函數(shù)根據(jù)電池的荷電狀態(tài)和充放電速率擬合得到雙極化等效電路模型中各元件的參數(shù)值和開路電壓值，進(jìn)而根據(jù)充放電速率和充放電時(shí)間計(jì)算得到雙極化等效電路模型的輸出電壓值。

3.如權(quán)利要求2所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S2的具體過程包括：取一個(gè)以上時(shí)間點(diǎn)，一個(gè)以上不同充放電速率，獲得雙極化等效電路模型的多組輸出電壓值和電池產(chǎn)品樣品的多組輸出電壓值，建立包含多個(gè)子目標(biāo)的用于表示雙極化等效電路模型輸出電壓曲線與產(chǎn)品樣本輸出電壓曲線差別的目標(biāo)函數(shù)。

4.如權(quán)利要求3所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S4中所述的在Pareto最優(yōu)解集中挑選最優(yōu)的折中解的過程具體包括：由Pareto最優(yōu)解集中的每個(gè)解個(gè)體為所述S1中所述的指數(shù)形式的函數(shù)的一組系數(shù)，計(jì)算得到所述S2中所述的目標(biāo)函數(shù)的Pareto最優(yōu)前沿，進(jìn)而根據(jù)此Pareto最優(yōu)前沿挑選最優(yōu)的折中解。

5.如權(quán)利要求4所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S1中所述的電池的雙極化等效電路模型具體包括：依次串聯(lián)的開路電壓源U_oc、歐姆電阻R₀、濃差極化RC電路和電化學(xué)極化RC電路；濃差極化RC電路由并聯(lián)的C_pa和R_pa構(gòu)成，電化學(xué)極化RC電路由并聯(lián)的C_pc和R_pc構(gòu)成；R₀模擬內(nèi)部阻抗，R_pa模擬濃差極化電阻，R_pc模擬電化學(xué)極化電阻，C_pa和C_pc分別模擬濃差極化特性和電化學(xué)極化特性的瞬態(tài)特性。

6.如權(quán)利要求5所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S1中所述的采用指數(shù)形式的函數(shù)根據(jù)電池的荷電狀態(tài)和充放電速率擬合得到雙極化等效電路模型中各元件的參數(shù)值和開路電壓值的方法具體包括：

$\left\{\begin{array}{c}{R}_0=(a_1+a_{2}Cr+a_3{\mathrm{Cr}}^2)e^{-a_7\×SOC}+(a_4+a_{5}Cr+a_6{\mathrm{Cr}}^2)\\ R_{pa}=(a_8+a_{9}Cr+a_{10}{\mathrm{Cr}}^2)e^{-a_{14}\×SOC}+(a_{11}+a_{12}Cr+a_{13}{\mathrm{Cr}}^2)\\ R_{pc}=(a_{15}+a_{16}Cr+a_{17}{\mathrm{Cr}}^2)e^{-a_{21}\×SOC}+(a_{18}+a_{19}Cr+a_{20}{\mathrm{Cr}}^2)\\ R_{pa}=(a_{22}+a_{23}Cr+a_{24}{\mathrm{Cr}}^2)e^{-a_{28}\×SOC}+(a_{25}+a_{26}Cr+a_{27}{\mathrm{Cr}}^2)\\ R_{pc}=(a_{29}+a_{30}Cr+a_{31}{\mathrm{Cr}}^2)e^{-a_{35}\×SOC}+(a_{32}+a_{33}Cr+a_{34}{\mathrm{Cr}}^2)\\ U_{oc}=-(a_{36}+a_{37}Cr+a_{38}{\mathrm{Cr}}^2)e^{-a_{45}\×SOC}+(a_{39}+a_{40}\×SOC+\\ a_{41}\×{\mathrm{SOC}}^2+a_{42}\×{\mathrm{SOC}}^3)-a_{43}Cr+a_{44}{\mathrm{Cr}}^2\end{array}\right.$

其中，a₁,a₂,…,a₄₅為指數(shù)形式的函數(shù)的系數(shù)，SOC為電池的荷電狀態(tài)，Cr為充放電速率。

7.如權(quán)利要求6所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S1中所述的根據(jù)充放電速率和充放電時(shí)間計(jì)算得到雙極化等效電路模型的輸出電壓值的方法為：用U_l表示雙極化等效電路模型的輸出電壓值，計(jì)算公式為：

$\begin{array}{c}{U}_l=U_{oc}-I_l{R}_0+U_{pa}\left(0\right)e^{-t/R_{pa}{C}_{pa}}+U_{pc}\left(0\right)e^{-t/R_{pc}{C}_{pc}}\\ -I_l{R}_{pa}(1-e^{-t/R_{pa}{C}_{pa}})-I_l{R}_{pc}(1-e^{-t/R_{pa}{C}_{pa}})\end{array}$

其中，I_l為電池充放電電流，t為充放電時(shí)間，U_pa(0)和U_pc(0)是電容C_pa、C_pc的初始電壓，當(dāng)電池處于平衡狀態(tài)時(shí)電容徹底放電U_pa(0)＝0，U_pc(0)＝0。

8.如權(quán)利要求7所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S2中所述的建立目標(biāo)函數(shù)的具體過程包括：

根據(jù)雙極化等效電路模型的輸出電壓值U_l和電池廠家提供產(chǎn)品樣品的輸出電壓值U_c，取n個(gè)時(shí)間點(diǎn)，m個(gè)不同充放電速率Cr₁,Cr₂,…,Cr_m，建立用于表示雙極化等效電路模型輸出電壓U_l的曲線與產(chǎn)品樣本輸出電壓U_c的曲線差別的函數(shù)f_i(x),i＝1,2,...m,建立帶約束條件的目標(biāo)函數(shù)：

MinF(x)＝(minf₁(x),minf₂(x),…,minf_i(x),…,minf_m(x))，約束條件為U_lj,k≥0且U_ocj,k≥0，j＝1,2,…,n；k＝Cr₁,Cr₂,…,Cr_m，該約束條件即為S3中所述的約束條件。

9.如權(quán)利要求1至8任一項(xiàng)所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S4中所述的多目標(biāo)優(yōu)化遺傳算法包括以下步驟：

S41、采用實(shí)數(shù)編碼方式隨機(jī)生成設(shè)定規(guī)模的初始解集種群，該種群的規(guī)模即該種群中解個(gè)體的數(shù)量，該種群中的每個(gè)解個(gè)體為所述S2中所述的目標(biāo)函數(shù)的一個(gè)解；

S42、根據(jù)所述S2中所述的目標(biāo)函數(shù)和所述S3中所述的約束條件計(jì)算初始解集種群中每個(gè)解個(gè)體的適應(yīng)度和約束違反值，并根據(jù)適應(yīng)度和約束違反值評價(jià)每個(gè)解個(gè)體的優(yōu)劣程度；

S43、通過選擇、交叉和變異三個(gè)基本遺傳步驟對初始解集種群操作得到子代解集種群，初始解集種群即是此子代解集種群的父代解集種群，并根據(jù)適應(yīng)度和約束違反值評價(jià)子代解集種群中的每個(gè)解個(gè)體的優(yōu)劣程度，每個(gè)解個(gè)體的適應(yīng)度和約束違反值的計(jì)算方式以及優(yōu)劣程度的評價(jià)方式與S42中一致；

S44、合并父代解集種群與子代解集種群得到新的解集種群，根據(jù)新的解集種群中每個(gè)解個(gè)體對應(yīng)的目標(biāo)函數(shù)值的空間位置計(jì)算每個(gè)解個(gè)體的擁擠距離，進(jìn)而根據(jù)每個(gè)解個(gè)體的優(yōu)劣程度和擁擠距離在新的解集種群中挑選出S41中設(shè)定的規(guī)模數(shù)量的解個(gè)體，生成新的父代解集種群；

S45、重復(fù)步驟S43和S44，直到達(dá)到設(shè)定的最大迭代次數(shù)；

S46、迭代結(jié)束時(shí)得到的非支配解集種群為Pareto最優(yōu)解集，對應(yīng)的目標(biāo)函數(shù)的集合為Pareto最優(yōu)前沿，進(jìn)而根據(jù)Pareto最優(yōu)前沿從Pareto最優(yōu)解集中挑選最好的折中解個(gè)體計(jì)算得出雙極化等效電路模型的最優(yōu)參數(shù)。

10.如權(quán)利要求9所述的基于多目標(biāo)遺傳算法的電池等效模型參數(shù)識別方法，其特征在于，所述S44中根據(jù)每個(gè)解個(gè)體的優(yōu)劣程度和擁擠距離在新的解集種群中挑選出S41中設(shè)定的規(guī)模數(shù)量的解個(gè)體，生成新的父代解集種群的過程具體包括：

根據(jù)新的解集種群中每個(gè)解個(gè)體的優(yōu)劣程度，將新的解集種群中所有的解個(gè)體分別加入不同支配級別的Pareto最優(yōu)解集合，優(yōu)劣程度相同的解個(gè)體加入同一支配級別的Pareto最優(yōu)解集合，優(yōu)劣程度較優(yōu)的解個(gè)體所在的Pareto最優(yōu)解集合的支配級別較高；

按支配級別從高到低的順序挑選Pareto最優(yōu)解集合，將被挑選的集合中的所有解個(gè)體加入新的父代解集種群，當(dāng)挑選到某一支配級別的Pareto最優(yōu)解集合，該集合中所有解個(gè)體的加入會(huì)使新的父代解集種群中解個(gè)體的數(shù)量超過S41中設(shè)定的規(guī)模數(shù)量時(shí)，按擁擠距離從大到小的順序?qū)⒃摷现械慕鈧€(gè)體加入新的父代解集種群，直到新的父代解集種群中解個(gè)體的數(shù)量剛好等于設(shè)定的規(guī)模數(shù)量時(shí)停止，新的父代解集種群生成完畢。