风能作为绿色可再生的新型清洁能源,是国家和社会能源结构中重要的组成部分。随着风力发电产业的迅速崛起,随之而来的风力发电机的维护工作也越来越重要。由于风力发电机组的结构组成复杂,工作环境恶劣,因此实现对风机进行状态监测和故障诊断是一项具有挑战和深远意义的研究课题。本文通过对风力发电机组的历史运行数据进行数据挖掘的方法,提出了一种改进的DBSCAN聚类算法,实现对风力发电机组的运行状态进行监测和识别;将Adaboost算法和BP神经网络相结合创新性的应用于风力发电机组的故障诊断,实现了对风机齿轮箱的故障诊断研究。主要研究工作如下:首先,对数据挖掘技术进行了综述性的介绍,说明了数据挖掘流程的主体结构,通过分析风机SCADA系统数据传输的方式,针对SCADA系统采集的数据中存在不完整数据或数据异常值等问题,通过对原始数据进行清洗、归一化和特征值提取等处理,实现了对风机原始数据的预处理操作,得到了理想的样本数据集。其次,通过改进的DBSCAN聚类算法对风机的运行状态进行监测和识别,针对经典DBSCAN算法的不足,利用对数据点间距离分布图进行分段拟合的思想,实现自动获取聚类半径值,再计算所有点在其聚类半径内包含的其他点的个数的期望,得出簇中点数阈值,并利用经典数据集对改进算法的性能进行了验证。结合风场风机的历史数据,实现了对风场所监控的风机进行运行状态的监测和识别。最后,采用Adaboost算法与BP神经网络相结合的方式,以BP神经网络做为Adaboost算法中的弱预测器,得到了Adaboost_BP算法,将风机齿轮箱油温作为预测目标,选取与齿轮箱油温相关性较高的特征参数作为输入值进行预测,通过分析和计算预测值与实际值之间的残差值得出故障警告和报警的阈值,实现风力发电机组的故障诊断。