随着经济发展对能源需求的增加,风电产业得到迅速发展,越来越多的风电机组建成运行。由于风电获取的特殊性,风电场大多建在风冷湿寒的地区,恶劣的条件导致风电机故障频发,风电机叶片结冰率比较高,风场效益受到严重的影响,甚至会引起安全问题。解决风机叶片结冰问题,关键是准确预测风机结冰情况,及时进行结冰预防及早期除冰。本文以某风电机场风机叶片为研究对象,选取SCADA系统中两个月的风机叶片工况数据和环境数据进行分析,同时充分学习了叶片结冰的机理,并使用RELIEF算法提取与叶片结冰相关的特征变量,利用XGBoost算法预测风机叶片结冰状态。主要研究工作包括以下几个方面:首先,对结冰问题进行分析,了解所使用的数据变量,对工况信息和数据进行说明,掌握风电机组运行原理。然后,进行数据预处理工作,主要包括缺失值的分析,数据标准化及提取有效数据,核对数据标签,之后对变量进行特征选取。首先通过结冰现象的物理原理分析和数学统计分析选出风速,风机输出功率和环境温度与机舱温度间的温差三个能够反映风机叶片结冰的有效变量。通过数据可视化分析了与三类叶片相关的变量:叶片角度,叶片速度和变桨电机温度,进一步分析他们之间的关系发现在正常运行工况和结冰状态下三个叶片在这三方面的趋势是一致的,选取叶片平均角度、叶片平均速度和变桨电机平均温度作为新的变量进行分析。其次对于剩余变量和新增的三个变量,利用Relief算法进行特征提取,计算各变量的权重,最后选取了7个特征变量用于构建分类模型,为模型的有效性能奠定了基础。最后,针对结冰数据类和正常数据类不均衡的问题,设定结冰数据为正类样本,正常运行数据为负类样本,运用Smote算法进行数据均衡处理。为了判断风电机叶片是否处于结冰状态,本文采用了监督学习的XGBoost极端梯度提升模型进行预测,识别样本为结冰数据还是正常数据。使用训练集数据进行模型训练学习,利用验证集对模型进行算法验证,最后通过多个评价指标进行模型性能的评估,评价结果证明该方法能有效识别工况状态,同时基于结冰预测结果提出了叶片的运行维护策略。