基于数据挖掘的风电变桨后备电源健康状态评价方法

风力发电机变桨系统广泛采用超级电容作为后备电源,其性能退化将直接影响到紧急安全顺桨.针对超级电容等效电路建模的合理精确性直接影响其健康状态评价的不足,利用风电变桨超级电容后备电源充放电过程中外特性参数数据,采用数据聚类挖掘手段,提出一种基于混合加权欧氏距离的超级电容SoH评价方法,快速有效地评价后备电源SoH的优劣.通过”充电—静置—放电—静置”全过程参数特性分析,验证了该方法的正确性.

带可变遗忘因子递推最小二乘法的超级电容模组等效模型参数辨识方法

为了准确地辨识风力发电机变桨系统后备电源中超级电容模组等效模型的参数,解决由于“数据饱和”现象所产生增益下降过快的缺点,建立超级电容模组三分支等效电路模型,提出一种带可变遗忘因子的递推最小二乘法(RLS)的超级电容模组等效电路模型参数辨识方法,然后建立超级电容模组多方法参数辨识的Simulink仿真模型,并进行仿真与分析。结果表明:该方法充电后静态阶段的综合误差为0.19%,比电路分析法的综合误差降低了6.92%,比分段优化法的综合误差降低了0.09%。整个充放电过程的综合误差为1.22%,比电路分析法降低了9.5%,比分段优化法降低了1.6%。带可变遗忘因子的RLS法比电路分析法和分段优化法拥有更高的辨识精度。