1.一种基于分数阶理论的锂离子电池建模及参数辨识方法，其特征在于，包括以下步骤：

步骤1)通过间歇恒流放电静置实验测取SOC从1到0的锂离子电池端电压、负载电流数据，采用经验公式法确定OCV‑SOC的关系；

步骤2)建立锂离子电池的分数阶PNGV等效电路模型，推导表示电池参数辨识向量和系统输入输出关系的系统辨识方程；

所述步骤2)具体包括如下步骤：步骤2‑1)建立锂离子电池的PNGV模型得到参数辨识模型，根据基尔霍夫定律，系统的传递函数可以得到：

其中，UOCV为锂离子电池的开路电压，Ud为锂离子电池的端电压，I为锂离子电池的电流，Rp、Cp表征电化学极化反应，Cb表征浓差极化反应，R0为锂离子电池的欧姆电阻；

采用Grunwald‑Letnikov的离散分式方程定义：令Y(s)＝UOCV(s)‑Ud(s)，U(s)＝I(s)，则由公式(1)可以得到时域分数阶微积分方程：将公式(3)展开并移项可以得到：α+β α α+β α β

(RpCpCbD +CbD)y(t)＝(R0RpCpCbD +(R0+Rp)CbD+RpCpD)u(t)+u(t)    (4)根据安时积分法的定义，系统的SOC也能写为分数模型，如下所示：其中，Qn是电池的额定容量，η是电池库仑效率，采用放电试验时η等于1；

根据公式(2)的定义，公式(4)中各项的离散化如下：其中，N为参与计算的历史数据点数，T为采样间隔；

在公式(6)‑(10)中，定义一些变量如下：[a1 a2]＝[RpCpCb Cb]                   (11)[b1 b2]＝[α+β α]                     (12)[c1 c2 c3]＝[R0RpCpCb(R0+Rp)Cb RpCp]             (13)[d1 d2 d3]＝[α+β α β]                   (14)根据公式(11)‑(14)的定义，公式(4)可以简化成下式：定义中间变量ω(i)和 如下：考虑到锂离子电池模型的精度要求和短时记忆原理，数据长度可以适当截断，取N＝3，可得下式：

将公式(17)移项整理可以得到：其中

公式(19)‑(24)的右侧能够用待辨识的参数表示，如下：a1＝θ2θ3θ4                       (25)a2＝θ4                        (26)b1＝θ5+θ6                       (27)b2＝θ5                        (28)c1＝θ1θ2θ3θ4                       (29)c2＝(θ1+θ2)θ3                      (30)其中，θ＝[θ1 θ2 θ3 θ4 θ5 θ6]＝[R0 Rp Cp Cb α β]；公式(5)也能离散化为：辨识向量和信息向量如下：

基于分数阶理论的PNGV模型就可以用 建立，其中Θ是θ的表达式；

锂电池开路电压与端电压的差作为系统的真实输出，那么估计输出可以由下式获得：最终，表示电池参数辨识向量和系统输入输出关系的系统辨识方程可以由下式获得：其中，y(t)为在t时刻的真实输出值；

步骤3)构建改进蚁群优化算法的辨识流程，对分数阶PNGV模型参数进行在线辨识；

所述步骤3)具体包括如下步骤：步骤3‑1)推导基本蚁群优化算法：蚁群优化算法核心思想是将要估计的参数视为蚁群寻找食物的众多个路径节点，通过信息素的堆积后，寻找到最快到达食物的路径，得到参数的估计，首先初始化蚁群维度，蚁群个数N，并根据上下界初始化蚁群位置Ant_P，设置信息素矩阵q、信息素权重wa、信息素启发矩阵Vq、信息素启发权重wb、信息素记忆因子p、信息素质量Q和迭代次数NI；

然后计算出第i个蚁群跟第j个蚁群的适应度函数之差，如下：Δfij＝fi‑fj                       (35)其中，i＝1,2,3 … N，j＝1,2,3 … N；

根据式(35)，当Δfij＞0时，代表第j个蚁群的适应度值比第i个蚁群小，假设有k个蚁群的适应度函数值比第i个蚁群低，则能够分别计算出第i个蚁群向第j个蚁群移动的概率Psij如下：

其中，j＝1,2, … ,k；

在选取概率最大的蚁群后，向此蚁群更新位置，并更新信息素启发矩阵、信息素矩阵和迭代次数：

步骤3‑2)根据步骤2)中的系统辨识方程，构建在线优化辨识算法的适应度函数Fi,t＝F(Θ)，Fi,t代表第i个蚁群在t时刻的适应度函数值；

步骤3‑3)推导改进的蚁群在线优化算法：首先初始化参数，并引入搜索区间缩小因子r和在线辨识时间t；

计算出在t时刻第i个蚁群和第j个蚁群的适应度函数值之差，即系统辨识方程的差值如下：

ΔFij,t＝Fi,t‑Fj,t    (38)其中，i＝1,2, …  ,N，j＝1,2, …  ,N，当ΔFij,t＞0时，代表在t时刻第j个蚁群的适应度函数值比第i个蚁群的低，假设在t时刻有k个蚁群的适应度函数值比第i个蚁群低，那么第i个蚁群向这k个蚁群所在位置移动的概率如下：其中，j＝1,2, … ,k；

在t时刻第i个蚁群的蚁群随机变异系数Ri,t＝rand，rand为0到1的随机数，第i个蚁群移动的下一个蚁群m满足下式：

其中，m＜k；

在选取移动的蚁群后，向此蚁群的附近更新位置，并更新信息素启发矩阵、信息素矩阵和迭代次数：

其中，当寻找分数阶的蚁群超出限制范围(0,1)时，将其位置重新赋为rand；

当迭代次数NI达到迭代最大值时，完成对于t时刻的分数阶模型参数和分数阶阶数的在线辨识，当新数据采集时，t＝t+1；

步骤3‑4)根据OCV‑SOC关系得到t时刻的SOC和开路电压；

步骤3‑5)根据采集到的锂离子电池端电压与工作电流读取t时刻锂离子电池端电压和工作电流数据，信息向量

步骤3‑6)根据初始化的蚁群位置，构建辨识向量Θ，得到在线优化辨识算法的适应度函数Fi,t＝F(Θ)；

步骤3‑7)计算适应度函数值之差ΔFij,t，利用ΔFij,t计算出蚁群移动的概率Pij,t，根据下式选取蚁群移动的位置；

步骤3‑8)更新蚁群的位置Ant_P；

NI

Ant_Pi＝Ant_Pm+(2rand‑1)r     (43)步骤3‑9)更新信息素q；

q＝pq+Δq    (44)步骤3‑10)判断是否满足辨识终止次数，若满足，输出辨识结果；否则，NI＝NI+1，返回到步骤3‑4)；

步骤3‑10)输出辨识结果后，t＝t+1，返回到步骤3‑2)，辨识新时刻的数据。