风电机组具有故障率高的特点。为提高风电机组运行可靠性,论文以风电集控中心的SCADA系统作为数据来源,将某公司生产的风电机组作为研究对象,采用基于数据驱动的方法进行风电机组的故障预测与识别研究,为风电场的智能化运维提供参考信息。论文详细研究工作如下:首先,论文对风电机组的故障现象进行分析,通过SCADA系统中的风机状态码筛选风电机组处于运行状态的数据。采用数据库操作对零值、空值等系统异常值及风功率曲线中的堆积型异常数据进行剔除。基于密度聚类的思想编写数据筛选算法,并对稀疏型异常数据进行剔除,得到结构化的样本集。其次,论文针对风电机组SCADA变量高维、异构的特点,提出了一种基于改进栈式自编码器的风电机组状态监测模型。通过将去噪自编码器与稀疏自编码器作为栈式自编码器的无监督预训练模型,提升状态监测模型的特征学习能力。通过将动量梯度下降法与小批量梯度下降法结合,提高状态监测模型的训练精度。通过分析风电机组的工作原理对各主要部件的监测变量进行选择,据此利用改进栈式自编码器对部件级状态监测模型进行构建。通过状态监测模型构建风速功率模型与机舱振动模型,并将两个模型与各部件状态监测模型进行指标平衡性修正和指标融合,得到反应风电机组整机状态的综合指标。再次,论文针对风电机组运行过程中由于风力及风电转换造成的状态信息不确定性,在状态监测模型的基础上提出一种基于云模型的风电机组故障预测与识别模型。基于云模型确界重合度的相似度量过程,将风电机组的综合指标转换为概率化的健康度指标。通过云模型隶属度进一步对健康度进行分级,得到风电机组健康状况定性值。通过各部件指标与总体指标和的比值,对引起风电机组健康状况变化的关键部件进行识别。最后,论文在状态监测过程中采用不同梯度下降法进行对比实验,验证改进梯度下降法的优越性。通过对风电机组状态监测方法进行对比实验,验证改进栈式自编码器处理风电机组SCADA数据的优越性,并采用故障数据验证状态监测模型的有效性。通过对云模型相似度量方法进行对比实验,验证所提方法在云模型类别区分度与算法时间成本上的优越性,并采用故障数据验证故障预测与识别模型的有效性。