风能作为一种新型的、无污染的可再生能源,在减轻全球能源危机和保护环境方面扮演着非常重要的角色。随着风能产业的迅猛发展,大量的风力发电机组投入到使用中,由于风场极度恶劣的工作环境,导致风电机组面临着频繁的故障问题。如何存储和处理风力发电机机组不断增长的海量数据,并进行快速、准确地故障预警已经成为了一项具有深远意义的研究课题。本文在风力发电机组故障预警方面的主要研究工作如下:首先,对风力发电机组的故障进行统计分析,确定机组的发电机和齿轮箱为故障预警的研究对象,并分析其故障出现的原因。针对直接从数据采集与监视控制(Data Acquisition And Supervisory Control,SCADA)系统中提取的不规则的原始数据集,采用特征选择、不合理数据过滤、取代丢失值、抽样、标准归一化等手段对原始数据集进行数据预处理操作。然后采用特征提取算法Relief从SCADA系统数据集中提取能够反映机组运行状态和故障信息的参数,为后面异常风机识别和风机故障预警提供了理想的数据基础。其次,为了适应风机在复杂运行工况下的故障预警要求,避免仅依靠设定单一预警阈值时出现故障误报、晚报、不报的问题,本文通过聚类和数理统计分析的方法对整个风场异常状态的风机进行识别。为了提高异常风机识别的精度,采用模糊C均值聚类(Fuzzy C-means Algorithm,FCM)的方法将风场中具有相似运行特性的风机划分到同一个群落;针对同一个风机群落的风力发电机组的温度参数,采用基于距离检测离群点的方法识别出具有离群特性的风机;然后通过显著性差异分析的方法对离群风机进行异常显著性判断,识别出异常运行的离群风机;对在连续一段时间内都表现为异常特征的风机触发报警。最终基于Spark大数据分析平台对整个风场风机群落的数据进行分布式存储,采用并行化计算的方式对海量数据进行处理分析,从而实现对整个风场异常风机快速、有效地识别。最后,为了进一步预测异常风机的变化特性,建立异常风机在正常运行历史数据下的改进的粒子群(Adaptive Particle Swarm Optimization,APSO)算法优化BP神经网络的故障预警模型,通过该模型对风机的温度参数进行残差预测,并结合现场人工经验设置的残差预警阈值,从而实现对异常风机的故障预警。另外基于Spark的大数据分析平台对ASPO-BP神经网络故障预警模型进行并行化设计,提高了该模型对海量数据的存储和处理能力。最终通过现场实验数据验证了该模型的精度和有效性,并对该算法进行并行化实验分析,从而验证了Spark平台对于加快风机数据计算速度的有效性。