CN112649751B - 一种用于风电变桨超级电容后备电源健康状态评价方法 - Google Patents

一种用于风电变桨超级电容后备电源健康状态评价方法 Download PDF

Info

Publication number
CN112649751B
CN112649751B CN202110028210.1A CN202110028210A CN112649751B CN 112649751 B CN112649751 B CN 112649751B CN 202110028210 A CN202110028210 A CN 202110028210A CN 112649751 B CN112649751 B CN 112649751B
Authority
CN
China
Prior art keywords
super capacitor
attribute
capacitor
power supply
backup power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110028210.1A
Other languages
English (en)
Other versions
CN112649751A (zh
Inventor
赵延明
方紫微
刘晓进
刘树立
敬明洋
朱家豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202110028210.1A priority Critical patent/CN112649751B/zh
Publication of CN112649751A publication Critical patent/CN112649751A/zh
Application granted granted Critical
Publication of CN112649751B publication Critical patent/CN112649751B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/40—Testing power supplies
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Fixed Capacitors And Capacitor Manufacturing Machines (AREA)

Abstract

本发明公开了一种用于风电变桨超级电容后备电源健康状态评价方法，包括以下五个步骤：（1）数据获取与预处理，（2）构建混合属性矩阵，（3）评价阈值确定，（4）后备电源待评超级电容混合加权欧氏距离计算，（5）后备电源超级电容健康状态指数计算与评价。本发明的有益效果在于：运用超级电容充放电过程中的电压、电流、温度以及充放电电量外特性参数数据，采用数据聚类挖掘手段，对风电变桨超级电容后备电源的健康状态进行综合评价，有效避免了现有评价方法合理精确等效电路建模难、参数辨识复杂等问题，具有评价过程简单、速度快、精度高等特点。

Description

一种用于风电变桨超级电容后备电源健康状态评价方法
技术领域
本发明属于超级电容健康状态评价方法，尤其是一种用于风电变桨超级电容后备电源健康状态评价方法。
背景技术
风力发电已成为世界可再生能源发展的重要方向，在能源、环境保护等方面发挥着重要作用。变桨系统是风力发电机组的重要组成部分，通常在突发电网电压跌落、极端恶劣天气掉电情况下，启用后备电源供电进行紧急顺浆来确保风电机组的安全运行。而超级电容具有功率密度高、充放电速度快、循环寿命长、报废处理绿色环保、能承受瞬时大电流充放电等优点，逐步取代铅酸蓄电池等传统电池成为风电机组变桨系统的备用电源。变桨系统超级电容后备电源通常是由多个超级电容单体串并联组成超级电容模组，而超级电容单体因为工艺、材料等方面的因素存在着不一致性，必将引起超级电容模组或单体过充放电现象，致使超级电容单体性能退化甚至严重损坏而无法正常工作，从而影响备用电源的整体性能，进而影响变桨系统完成安全顺桨。因此，对超级电容模组内各单体电容健康状态进行准确评价，以便及时对老化的电容进行维护或更换，这对延长电容模组使用寿命以及保障风电机组安全运行有着重要意义。
超级电容失效通常是由于老化引起，其老化从物理与化学性质上致使碳电极颗粒脱粘和微裂纹极、影响电解液的稳定性，将引起超级电容的内阻增大、容值减少，其健康状态不断劣化，进而影响超级电容电源使用性能。目前，已有的超级电容健康评价方法主要是基于超级电容等效电路模型，运用电压、电流、温度等参数数据，采用相应的估计方法估算出超级电容等效电路的电阻、容值、剩余余量，并以这些参数为指标，然后再对超级电容的健康状态进行评价，超级电容等效电路建模的合理性直接影响估算精度，进而影响着其健康状态评价结果，而很难从复杂超级电容原理出发建立起合理精确的超级电容等效电路，因此这些方法存在着一定的局限性。事实上，超级电容不断老化，其性能也会随之发生变化，主要表现在充电速度变慢、放电速度变快、充放电时温升高等，这些性能的变化也表现于超级电容的充放电过程中的电流、电压、温度以及充放电电量等外特性参数变化。因此，通过检测以上外特性参数数据，并采取数据聚类挖掘手段评价超级电容健康状态是非常必要的。
发明内容
针对目前超级电容健康状况评价方法中存在的不足，本发明公开了一种用于风电变桨超级电容后备电源健康状态评价方法。
本发明采取如下技术方案，一种用于风电变桨超级电容后备电源健康状态评价方法包含以下步骤。
步骤一：数据获取与预处理。
选取新出厂性能优的超级电容作为标定电容、多个达到失效标准的超级电容为训练电容，通过实验获取标定电容、训练电容单体充放电过程中的电流、电压、电量以及温度数据，并获取待评风电变桨后备电源中每个超级电容单体上述相应数据，分别构建起标定电容属性矩阵、失效电容训练属性矩和待评电容属性矩阵，每一个属性矩阵X，表示为
Figure 238293DEST_PATH_IMAGE001
（1）
式中，P j 为第j个属性，
Figure 421013DEST_PATH_IMAGE002
，x ij 为属性矩阵第j个属性的第i个数据值，m为属性个数，n为每一个属性包含数据个数，i=1,2,…,n, j=1,2,…,m。
对于效益型属性、成本型属性，分别按式（2）、式（3）进行无量纲归一化，归一化属性矩阵可表示为
Figure 669591DEST_PATH_IMAGE003
，
Figure 268063DEST_PATH_IMAGE004
（2）
Figure 551277DEST_PATH_IMAGE005
（3）
式中，
Figure 842581DEST_PATH_IMAGE006
，
Figure 375193DEST_PATH_IMAGE007
。
步骤二：构建混合属性矩阵。
对于评价对象A、B，其无量纲归一化属性矩阵分别为A、B
Figure 42935DEST_PATH_IMAGE008
X’，构建混合属性矩阵为
Figure 413611DEST_PATH_IMAGE009
，A=(a ij ) n×m 、B=(b ij ) n×m 。
步骤三：评价阈值确定。
对标定电容归一化属性矩阵A与每个失效电容归一化训练属性矩阵B组成的混合属性矩阵Y，并按式（4）-式（8）计算这两个属性矩阵之间的混合加权欧氏距离，并求其平均值作为评价阈值D ths，
Figure 875816DEST_PATH_IMAGE010
（4）
Figure 895725DEST_PATH_IMAGE011
（5）
Figure 101578DEST_PATH_IMAGE012
（6）
Figure 828226DEST_PATH_IMAGE013
（7）
Figure 726912DEST_PATH_IMAGE014
（8）
式（4）-式（8）中，S j 为属性
Figure 234117DEST_PATH_IMAGE015
的标准差，R j 为属性
Figure 978082DEST_PATH_IMAGE015
和
Figure 559236DEST_PATH_IMAGE016
之间的相关系数, C j 为第j个属性所包含的信息量，ω j 为属性P j 的客观权重，D[A,B,ω]为属性矩阵A、B的混合加权欧氏距离，ω为混合属性矩阵Y的权重向量，ω=[ω 1,ω 2,…,ω m ]，且
Figure 861779DEST_PATH_IMAGE017
。
步骤四：待评超级电容混合加权欧氏距离计算。
对标定电容归一化属性矩阵A与后备电源中每个待评超级电容归一化训练属性矩阵B组成的混合属性矩阵Y，并按式（4）-式（8）计算这两个属性矩阵之间的混合加权欧氏距离D s。
步骤五：后备电源超级电容健康状态指数计算与评价。
按式（9）计算超级电容健康状态综合评价指数为
Figure 793963DEST_PATH_IMAGE018
（9）
当ξ SoH 的值为80%-100%时，表征超级电容的健康状况为优秀；当ξ SoH 的值为60%~80%时，表征超级电容的健康状态为良好；当ξ SoH 的值为40%-60%时，表征超级电容的健康状态为一般；当ξ SoH 的值为20%-60%时，表征超级电容的健康状态较差，容量已大幅度降低，需要重点关注；当ξ SoH 的值0%-20%时，表征超级电容已失效，需要及时更换电容。
本发明的有益效果在于：本发明运用超级电容充放电过程中的电压、电流、温度以及充放电电量等外特性参数数据，采用数据聚类挖掘手段，对风电变桨超级电容后备电源的健康状态进行评价，有效避免了现有评价方法合理精确等效电路建模难、参数辨识复杂等问题，具有评价过程简单、速度快、精度高等特点。
附图说明
图1是本发明用于风电变桨超级电容后备电源健康状况评价流程图；
图2是本发明的超级电容充放电测试平台。
具体实施方式
下面结合附图和实施例对本发明的方案作进一步详细说明。
参见附图，图1是本发明用于风电变桨超级电容后备电源健康状况评价流程图，一种用于风电变桨超级电容后备电源健康状态评价方法，包括以下五个步骤：（1）数据获取与预处理，（2）构建混合属性矩阵，（3）评价阈值确定，（4）后备电源待评超级电容混合加权欧氏距离计算，（5）后备电源超级电容健康状态指数计算与评价。
步骤一：数据获取与预处理，选取1个新出厂性能优的超级电容作为标定电容C1、2个达到失效标准的超级电容为训练电容C4、C8，选取由8个超级电容C1-C8作为风电变桨超级电容后备电源中的一个超级电容模组，超级电容单体选择的是由Maxwell公司生产的BCAP0350 E270 T11 350F，额定电压为2.7V。
构建超级电容充放电测试平台，如图2，所述的超级电容充放电测试平台包括电池测试仪、温度采集板、数据采集上位机，电池测试仪的型号为EBC-A10H，温度传感器型号为DS18B20，数据采集上位机为PC机；测试前，先将每个超级电容单体放电至0.1V，然后进行测试，测试过程包括“充电-静置-放电-静置”四个阶段：第一阶段是充电阶段，充电方式为恒流-恒压充电，先以5A恒定电流充电到额定电压，然后在额定电压下继续充电，当电流逐渐减小到0.1A，认为电池电量充满，充电阶段结束；第二阶段为静置阶段，静置时间为15分钟；第三阶段为放电阶段，以5A恒定电流放电到0.1V；第四阶段为静置阶段，静置时间为15分钟。
按上述“充电-静置-放电-静置”四个阶段测试条件，在测试平台上对标定电容、训练电容、待测后备电源模组中各个超级电容进行实验，获取属性数据，数据包括充放电电流、电压、表面温度、充放电电量，分别构建起标定电容属性矩阵、失效电容训练属性矩和待评电容属性矩阵，然后按式（2）、式（3）对其进行无量纲归一化得到相应的归一化属性矩阵。
步骤二：构建混合属性矩阵，采用标定电容C1归一化属性矩阵、失效电容C4和C8归一化训练属性矩和待评电容C1-C8归一化属性矩阵，构建起标定电容归一化属性矩阵与失效电容归一化训练属性矩、标定电容归一化属性矩阵与待评电容归一化属性矩阵相应的混合属性矩阵。
步骤三：评价阈值确定，对标定电容C1归一化属性矩阵A与每个失效电容（C4、C8）归一化训练属性矩阵B分别构建的混合属性矩阵Y，并按式（4）-式（8）计算出标定电容C1与失效电容C4、标定电容C1与失效电容C8之间的混合混合加权欧氏距离，并求出其平均值作为评价阈值Dths=11.91745。
步骤四：后备电源待评超级电容混合加权欧氏距离计算，对标定电容C1归一化属性矩阵A与后备电源各个待评超级电容C1-C8归一化待评属性矩阵B分别构建的混合属性矩阵Y，并按式（4）-式（8）分别计算出标定电容C1与待评超级电容C1-C8之间的混合加权欧氏距离Ds，分别为0、1.3678、2.4858、14.6422、4.5658、8.1501、1.9601、9.1927。
步骤五：后备电源超级电容健康状态指数计算与评价，将评价阈值Dths、8个混合加权欧氏距离Ds代入式（9）计算出后备电源中超级电容C1-C8的健康状态综合评价指数依次为100%、90.66%、83.02%、0.00%、68.82%、44.34%、86.61%、37.22%，并得出后备电源中超级电容C1-C8的健康状况依次为优秀、优秀、优秀、失效、良好、一般、优秀、差。从评价结果可知，C4老化最严重已失效，C8老化严重健康状态差，C6健康状态一般，C5健康状态良好，C3、C7、C2、C1健康状态优秀。
以上所述仅为本发明的较佳实施例而己，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种用于风电变桨超级电容后备电源健康状态评价方法，其特征在于，运用后备电源超级电容充放电过程中的电压、电流、温度以及充放电电量外特性参数数据，采用数据聚类挖掘手段，得出后备电源中各超级电容健康状态指数ξ SoH 与评价结果，按以下五个步骤进行：步骤一、数据获取与预处理；步骤二、构建混合属性矩阵；步骤三、评价阈值确定；步骤四、后备电源待评超级电容混合加权欧氏距离计算；步骤五、后备电源超级电容健康状态指数计算与评价；
步骤一：数据获取与预处理，选取新出厂性能优的超级电容作为标定电容、多个达到失效标准的超级电容为训练电容，通过实验获取标定电容、训练电容单体充放电过程中的电流、电压、电量以及温度数据，并获取待评风电变桨后备电源中每个超级电容单体上述相应数据，分别构建起标定电容属性矩阵、失效电容训练属性矩和待评电容属性矩阵，每一个属性矩阵X，表示为
Figure 459203DEST_PATH_IMAGE001
（1）
式中，P j 为第j个属性，
Figure 426022DEST_PATH_IMAGE002
，x ij 为属性矩阵第j个属性的第i个数据值，m为属性个数，n为每一个属性包含数据个数，i=1,2,…,n, j=1,2,…,m；
对于效益型属性、成本型属性，分别按式（2）、式（3）进行无量纲归一化，归一化属性矩阵可表示为
Figure 463248DEST_PATH_IMAGE003
，
Figure 882728DEST_PATH_IMAGE004
（2）
Figure 968496DEST_PATH_IMAGE005
（3）
式中，
Figure 789821DEST_PATH_IMAGE006
，
Figure 201211DEST_PATH_IMAGE007
；
步骤二：构建混合属性矩阵，对于评价对象A、B，其无量纲归一化属性矩阵分别为A、B
Figure 904725DEST_PATH_IMAGE008
X’，构建混合属性矩阵为
Figure 794183DEST_PATH_IMAGE009
，A=(a ij ) n×m 、B=(b ij ) n×m ；
步骤三：评价阈值确定，对标定电容归一化属性矩阵A与每个失效电容归一化训练属性矩阵B组成的混合属性矩阵Y，并按式（4）-式（8）计算这两个属性矩阵之间的混合加权欧氏距离，并求其平均值作为评价阈值D ths，
Figure 968551DEST_PATH_IMAGE010
（4）
Figure 347579DEST_PATH_IMAGE011
（5）
Figure 476072DEST_PATH_IMAGE012
（6）
Figure 169222DEST_PATH_IMAGE013
（7）
Figure 496298DEST_PATH_IMAGE014
（8）
式（4）-式（8）中，S j 为属性
Figure 983911DEST_PATH_IMAGE015
的标准差，R j 为属性
Figure 865279DEST_PATH_IMAGE015
和
Figure 158858DEST_PATH_IMAGE016
之间的相关系数, C j 为第j个属性所包含的信息量，ω j 为属性P j 的客观权重，D[A,B,ω]为属性矩阵A、B的混合加权欧氏距离，ω为混合属性矩阵Y的权重向量，ω=[ω 1, ω 2, …, ω m ]，且
Figure 543703DEST_PATH_IMAGE017
；
步骤四：待评超级电容混合加权欧氏距离计算，对标定电容归一化属性矩阵A与后备电源中每个待评超级电容归一化训练属性矩阵B组成的混合属性矩阵Y，并按式（4）-式（8）计算这两个属性矩阵之间的混合加权欧氏距离D s；
步骤五：后备电源超级电容健康状态指数计算与评价，按式（9）计算超级电容健康状态综合评价指数为
Figure 202217DEST_PATH_IMAGE018
（9）
当ξ SoH 的值为80%-100%时，表征超级电容的健康状况为优秀；当ξ SoH 的值为60%~80%时，表征超级电容的健康状态为良好；当ξ SoH 的值为40%-60%时，表征超级电容的健康状态为一般；当ξ SoH 的值为20%-60%时，表征超级电容的健康状态较差，容量已大幅度降低，需要重点关注；当ξ SoH 的值0%-20%时，表征超级电容已失效，需要及时更换电容。
CN202110028210.1A 2021-01-11 2021-01-11 一种用于风电变桨超级电容后备电源健康状态评价方法 Active CN112649751B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110028210.1A CN112649751B (zh) 2021-01-11 2021-01-11 一种用于风电变桨超级电容后备电源健康状态评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110028210.1A CN112649751B (zh) 2021-01-11 2021-01-11 一种用于风电变桨超级电容后备电源健康状态评价方法

Publications (2)

Publication Number Publication Date
CN112649751A CN112649751A (zh) 2021-04-13
CN112649751B true CN112649751B (zh) 2022-05-24

Family

ID=75367852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110028210.1A Active CN112649751B (zh) 2021-01-11 2021-01-11 一种用于风电变桨超级电容后备电源健康状态评价方法

Country Status (1)

Country Link
CN (1) CN112649751B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001250590A (ja) * 2000-03-06 2001-09-14 Idemitsu Eng Co Ltd 蓄電池の劣化判定方法
JP2002156401A (ja) * 2000-11-15 2002-05-31 Mitsubishi Chemicals Corp 電気的絶縁物の評価方法
CN103870695A (zh) * 2014-03-18 2014-06-18 国家电网公司 一种大电源接入电网电压等级的判别方法
CN110542867A (zh) * 2019-08-05 2019-12-06 燕山大学 电池健康状态评估方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001250590A (ja) * 2000-03-06 2001-09-14 Idemitsu Eng Co Ltd 蓄電池の劣化判定方法
JP2002156401A (ja) * 2000-11-15 2002-05-31 Mitsubishi Chemicals Corp 電気的絶縁物の評価方法
CN103870695A (zh) * 2014-03-18 2014-06-18 国家电网公司 一种大电源接入电网电压等级的判别方法
CN110542867A (zh) * 2019-08-05 2019-12-06 燕山大学 电池健康状态评估方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Determining objective weights in multiple criteria problems: The critic method;D.Diakoulaki等;《Computers & Operations Research》;19950831;第22卷(第7期);全文 *
基于混合加权距离的毕达哥拉斯模糊TOPSIS多属性决策方法研究;曾守桢;《中国管理科学》;20190331;全文 *

Also Published As

Publication number Publication date
CN112649751A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN103545567B (zh) 一种快速分选锂离子电池的方法
CN103792495B (zh) 基于德尔菲法和灰色关联理论的电池性能评价方法
CN109061508A (zh) 一种电动汽车锂电池soh的估计方法
CN111239629B (zh) 一种退役锂电池的梯次利用状态区间划分方法
CN113052464B (zh) 电池储能系统可靠性评估方法及系统
CN107677892B (zh) 一种超级电容等效电路模型结构及验证方法
CN103176138B (zh) 一种电池组维护检测方法
WO2021258472A1 (zh) 一种基于容量估计的单体电池漏电或微短路定量诊断方法
CN113128672B (zh) 一种基于迁移学习算法的锂离子电池组soh估计方法
Zhao et al. A parameters identification method of the equivalent circuit model of the supercapacitor cell module based on segmentation optimization
CN113552496B (zh) 一种基于电压余弦相似性的电池串联模组内短路故障诊断方法
CN108090244B (zh) 一种并联型锂离子电池系统建模方法
CN109839599A (zh) 基于二阶ekf算法的锂离子电池soc估计方法
CN115469228B (zh) 可重构网络式储能系统电池荷电状态估计方法
CN111366864A (zh) 一种基于固定压升区间的电池soh在线估计方法
CN111487532B (zh) 一种基于层次分析法和熵值法的退役电池筛选方法及系统
CN114487880A (zh) 变桨后备电源钛酸锂电池soc在线检测与修正方法及系统
CN110865307B (zh) 一种电池模组余能检测方法
CN108693408A (zh) 超级电容器内阻检测方法、装置和计算机可读存储介质
CN110728103B (zh) 一种分段优化的超级电容模组等效电路模型参数辨识方法
CN112649751B (zh) 一种用于风电变桨超级电容后备电源健康状态评价方法
CN113884904A (zh) 超级电容器电池的等效电路模型及其参数辨识方法
CN109085428A (zh) 超级电容器内阻测定方法、装置和计算机可读存储介质
CN106004481A (zh) 一种混合动力汽车电池组soh值估算方法
CN107045105B (zh) 一种锂离子电池组可用能量计算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant