风力发电机的实际应用中,配备有超级电容模组作为后备电源的风力发电机在SCADA数据采集与监控系统中仅对超级电容模组电压进行了监测,而没有对超级电容模组的特性进行跟踪,致使不能及时了解后备电源的剩余电量以及实时性能,对风力发电机紧急顺桨造成潜在风险。本文针对以上问题,通过实地调研和阅读大量文献,对风力发电机超级电容备用电源SoC估算与健康评价方法进行了研究:(1)以超级电容模组为对象,搭建超级电容模组实验测试平台,并对超级电容模组的相关特性进行了实验分析。(2)为了准确地辨识超级电容模组等效模型的参数,建立起超级电容模组三分支等效电路模型,提出基于分段优化的超级电容模组参数辨识方法;为了解决由于“数据饱和”现象所产生增益下降过快的缺点,提出基于带可变遗忘因子的递推最小二乘法(RLS,Recursive Least Squares Method)的超级电容模组等效电路模型参数辨识方法,然后建立起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,为有效估算超级电容模组的SoC奠定基础。(3)为了准确估算超级电容模组剩余容量(State of Charge,SoC),解决由于超级电容模组SoC随端电压陡升而产生的SoC陡升问题,提出基于扩展卡尔曼滤波-中值滤波(Extended Kalman Filter-Median Filter,EKF-MF)混合滤波算法的超级电容模组SoC估算方法,基于超级电容模组三分支等效电路模型,建立起超级电容模组状态空间模型,并对超级电容模组SoC进行了估算,结果表明:该方法全过程综合误差为0.259%,比安时积分法的综合误差降低了1.259%,虽然比扩展卡尔曼滤波法的综合误差只降低了0.004%,但有效解决了扩展卡尔曼滤波法估算的SoC随端电压陡升而陡升问题。EKF-MF混合滤波算法比安时积分法和扩展卡尔曼滤波法拥有更高的估算精度,且对模组端电压陡升不敏感,为有效评价超级电容模组的健康状态奠定基础。(4)为了对超级电容模组进行健康评价,解决因为单评价指数导致的过早淘汰超级电容模组的问题,提出超级电容模组综合评价指数,将两种评价指数通过权系数整合到一起,并对三种不同阶段的超级电容模组进行了健康评价。