风能是一种清洁且无污染的可再生能源,近年来越来越受到新能源开发者的关注。大多数风电机组安装在环境极为严峻的地区,容易发生各种故障,严重时甚至造成系统崩溃,给风电场造成巨大的经济损失,因此对风电场进行快速有效的故障诊断对提高风电机组利用效率以及提高经济效益有着重要作用。论文主要研究内容如下:针对风力发电机组故障智能诊断研究,在Matlab/Simulink中搭建了2MW可正常运行的风力发电系统动态模型。通过仿真实验验证了模型的准确性,并在此基础上搭建了风电机组常见的传感器故障模型、执行器故障模型。通过将各类故障下模型的运行参数与正常运行状态下的风力发电系统运行参数进行对比分析,证明了各类故障模型的准确性与可行性,为后续研究提供了研究基础。针对风力发电机组故障诊断用传统的神经网络方法存在收敛速度慢、容易陷入局部最优的问题,提出了基于极限学习机的风力发电机组故障诊断方法。在不同激活函数下,对故障诊断精确度进行对比,确定了合适的激活函数。对支持向量机与极限学习机的风力发电机组故障诊断精确度进行了对比分析,结果显示极限学习机不仅能够拥有与支持向量机相似的分类精确度,在学习速度上也明显比支持向量机快,由此证明了极限学习机具有较好的风力发电机组故障诊断效果。针对极限学习机对与正常运行状态极为相似的故障容易误分类的问题,提出了基于稀疏自编码与极限学习机相结合的风力发电机组故障诊断方法,该方法首先通过稀疏自编码对原始数据样本进行特征学习得到低维特征样本,然后利用极限学习机对低维特征样本进行分类,以获得高准确度的故障诊断结果。仿真结果显示通过稀疏自编码对原始数据进行特征值提取后,极限学习机风力发电机组故障诊断分类精确度明显提高,不管是与正常运行状态相似的故障还是区别明显的故障,都能达到较高的分类精确度,由此证明稀疏自编码极限学习机故障诊断方法对风力发电系统的故障诊断具有较好的诊断效果。