1.一种基于Hammerstein‑CARMA的锂离子电池非线性建模方法，其特征在于，包括以下步骤：步骤1)通过间歇恒流放电测取电池的负载电流和端电压数据，确定OCV‑SOC关系；

步骤2)建立基于Hammerstein‑CARMA的锂离子电池非线性模型；

所述步骤2)包括如下内容：

二阶RC模型中有两个RC并联环节，R1和C1表示电化学极化效应，R2和C2表示浓度差极化效应；Uoc和U对应电池开路电压与端电压，C1和C2两端的电压分别用U1和U2表示，R0是欧姆内阻；根据基尔霍夫定律建立电池等效电路模型：‑1 ‑1

采用双线性变化s＝2(1‑z )/T(1+z )，T为采样周期，将上式从s平面映射到z平面，得到：其中：τ1＝R1C1，τ2＝R2C2，a＝R0，b＝τ1τ2，c＝τ1+τ2，d＝R0+R1+R2，e＝R0(τ1+τ2)+R1τ1+R2τ2；a1和a2为极点多项式的系数，d1和d2为零点多项式的系数；

对上式进行离散化，得到差分方程：

将外部扰动与输入的测量误差整合到二阶RC模型中，以Hammerstein‑CARMA结构来构建锂离子电池模型；

电池模型外部扰动为w(z)，输出端电压为y(z)，满足y(z)＝U‑Uoc，模型输入I(z)为电池模型输入的理论值，在基于Hammerstein‑CARMA结构的锂离子电池模型中表示为：式中 为存在测量误差的非线性电流输入值，γ1、γ2为误差系数；

假设系统外部扰动w(z)具有有理谱密度，扰动通道的极点多项式与过程通道一致，零点多项式与极点多项式阶次相同，即：从而得到电池模型端电压输出表达式：

假定b0＝1,令na＝2、nb＝2、nd＝2，得到基于Hammerstein‑CARMA的锂离子电池模型：其中y(z)为电池端电压值， 为考虑测量噪声后的输入电流；

定义参数向量η和信息向量

T n

η＝[a1,a2,b1,b2,γ1,γ2,d1,d2]∈R  (9)整合为辨识模型：

利用算法进行辨识；

步骤3)构建COA的算法流程；

步骤4)在COA基础上引入多种改进措施，构建ICOA；

步骤5)利用ICOA辨识模型参数，并利用多种工况进行端电压预测。

2.根据权利要求1所述的一种基于Hammerstein‑CARMA的锂离子电池非线性建模方法，其特征在于，所述步骤4)包括如下步骤：步骤4‑1)映射引入COA，表达式如下：z为混沌序列，常规Tent映射序列存在小周期与不稳定周期点，引入随机变量进行改进，改进后的表达式如下：式中rt是(0,1)范围内的随机数，NT为Tent混沌序列中的元素数量；

产生混沌序列以后，将其映射到解空间：

lbj和ubj是郊狼个体初始化过中的上下界；

步骤4‑2)在郊狼优化算法中郊狼组内影响与个体更新的机制如下：p

r1、r2是0到1内的随机数，η1是选取的郊狼 与组内最优郊狼alpha差值、η2选取的另一p p郊狼 与组内文化趋势cult 差值，组内郊狼的成长受到组内最优狼alpha 与文化趋势cult的影响；

构建了一种新的郊狼成长方式，将组内最优郊狼、种群最优郊狼以及随机选取的两头郊狼 共同作为组内郊狼的影响因素；同时，为了使算法更有效地逼近最优解，将自适应算子引入影响因子r1、r2中，将各个影响因子进行统一，改进方法如下所示：p

η3＝beta‑alpha  (20)

其中：

α

r＝r0×2  (23)

p

ξ1与ξ2表示对第p组最优狼alpha与种群最优狼beta的影响权重，η3是种群最优郊狼与组内最优郊狼的差值；r0是初始影响因子，G为最大迭代次数，k为当前迭代次数，在原郊狼算法中，r1、r2是0到1内的随机数。

3.根据权利要求1所述的一种基于Hammerstein‑CARMA的锂离子电池非线性建模方法，其特征在于，所述步骤5)包括如下步骤：对步骤1)所测取的间歇恒流放电工况进行分段，每段都经历静置、脉冲放电和再静置，利用算法进行分段辨识，以初始SOC＝0.72时的恒流放电过程为例，利用ICOA进行参数辨识，算法种群数设为100，组数为5，每组的郊狼个体为20，利用实验测得的端电压与实际端电压的误差平方和来建立适应度函数f(x)：式中y(k)是实测电压， 是预测电压，通过分段辨识，得到不同初始SOC所对应的锂离子电池模型参数，通过对SOC与参数的拟合，得到参数关于SOC的变化曲线；

将得到的参数结合实际数据进行端电压预测，验证在间歇恒流放电实验下的模型准确性。