近年来,风力发电能源作为一种新兴绿色能源发展迅猛,风力发电机组数量迅速增加,同时对风力发电机组故障诊断和状态监测方法提出了更高的要求。风电机组数据采集与监视控制(Supervisory Control And Data Acquisition,SCADA)系统记录了环境参数与风力发电机组运行的各种状态信号参数,对监测数据进行充分分析,便可实现对风力发电机组的运行故障诊断。本文以K均值聚类为基本方法,以风力发电机组为研究对象,对其SCADA监测数据进行分析,提出了一种基于流形半监督K均值聚类的风力发电机组故障诊断方法。主要涉及一下几部分内容的研究:1.构造了一种基于核方法的K均值聚类方法,在K均值聚类中引入高斯核函数,提高了传统K均值聚类方法的性能。利用高斯核函数可以将低维线性数据不可分转化为高维线性可分数据的特性,进行数据升维,实现高维空间数据线性可分,提高了传统K均值聚类的性能。2.提出了一种基于流形学习的K均值聚类算法,把流形距离作为K均值算法的相似性度量。传统K均值聚类的相似性度量为欧氏距离,欧氏距离在解决高维复杂问题时存在一定的局限性,流形距离在高维空间中作为相似性度量能更准确反映数据的全局一致性,能代表真实的数据分布特点,能更好的进行聚类分析。3.利用半监督学习的方法解决高维复杂海量的SCADA数据聚类问题。采用少量人工标定数据进行半监督学习,与传统无监督K均值聚类相比,半监督K均值聚类在解决风力发电机组SCADA数据分析问题上更具优势。相关实验表明,本论文所提出的方法对于风力发电机组的状态诊断具有一定的借鉴意义。