当今世界能源状况收紧、环境污染日益严重,使得以风力发电为代表的新能源发电逐步受到重视。在我国,风力发电机通常建设在风力资源丰富的西北和华北沿海地区,但这些地区通常距离运维人员所在驻地较远,交通不便,一旦发生停机事故一方面维修极为复杂,另一方面根据实际情况故障会造成3-8天的停机,带来巨大的经济损失。因此研究风电机组主要器件的故障预测技术,实现对设备运行时的故障预测,对预防故障、维持风电设备正常运行有着重大的意义。为有效提高风电设备故障预测精度,本文提出了一种基于深度学习的新型故障预测模型—CEEMD-TPA-LSTM,并通过在实际数据集上进行仿真实验证明该模型在预测精度和数据计算所消耗时间上所具有的优势。本文所涉及的具体研究工作包括:首先对风力发电机传动系统的主要组成部分进行了简要的分析。系统的统计分析了传动系统中易出现故障或故障时会对风机系统甚至电力系统产生重大影响的设备如齿轮箱、传动轴的轴承和齿轮等主要器件的主要失效机理、故障成因及其在整个生命周期内由健康至风机故障停机时的运行状态演化规律。为后续的故障预测模型提出奠定基础。提出基于时间模式注意力机制的长短时记忆网络（Temporl Pattern Attention-Long Short-Term Memory,TPA-LSTM）的故障预测模型。为了避免在面对大量输入数据时次要和冗余信息对传统Seq2Seq框架的LSTM模型训练的干扰,提出对LSTM隐藏层引入构建时间模式注意力机制（Temporl Pattern Attention,TPA）用于对风电设备故障进行预测。提出基于互补集合经验模态分解和长短时记忆网络（Complementary Ensemble Empirical Mode Decomposition,CEEMDLSTM）的故障预测模型。首先,针对故障监测时所需振动信号会有诸如高噪声、非平稳、非线性的特点,提出一种基于EMD信号处理改进的CEEMD信号处理方法方法。将经过CEEMD分解得到的固有模态分量（Intrinsic Mode Function,IMF）提取其样本熵矩阵输入至LSTM模型进行训练,实现对传统LSTM预测模型的优化,提高预测精度。