近些年来,随着风力发电产业迅猛发展,风电场集群规模不断扩大。SCADA系统的出现改变了风电场的运维模式,工作人员正逐渐摆脱恶劣的工作环境,风电场运维成本也有所下降。但同时也出现了一系列的问题:风电场集控中心采集的大量高维度、多种类的数据未被充分利用和开发,而只停留在实时数据监控、历史数据显示、报表统计等方面,造成数据资源的利用率低,“大数据”未能发挥相应的作用。针对上述问题,本文在充分利用风电机组数据的基础上,主要从以下几个方面对风电机组进行状态监测以及故障诊断。首先,基于机组功率特性,提出了一种风力发电机性能监测方法。根据SCADA系统历史数据集,采用k-means算法筛选、清洗出风电机组功率特性。随后,引入多元峰度、多元偏度统计量,并应用到风电机组功率特性,将偏离参考点的程度作为评估风力发电机性能的指标。通过该指标将机组分为正常状态、亚健康状态、异常状态3种,并采用多元T2控制图来监测风机的异常状态时刻。其次,基于支持向量回归算法建立风电机组异常状态监测模型。由于风电场大多都有限电措施,需要考虑多种因素,模型选择以机组功率、塔筒加速度、齿轮箱油温、变桨角度、风轮转速为输出向量,特征参量为模型的输入向量,采用交叉验证与遗传算法结合的方法对支持向量机回归模型参数进行优化;根据0.05置信水平的置信区间方法确定机组异常状态报警机制,以实现对机组异常状况有效的识别。最后,将支持向量机分类模型应用于风电机组的故障诊断,针对支持向量机只适用于二分类的缺陷,采用支持向量机“一对多”、“一对一”多分类算法,并使用网格搜索方法优化支持向量机分类模型参数,建立基于支持向量机的多分类机组故障分析模型,实现对风电机组多故障分类。