风能作为清洁能源在能源领域的比重在逐年增加,在风机的有限寿命(通常20年)内,将风能更多的转化为电能是整个风电行业的共同目标。然而,在风力发电的成本中,风机维护所占比重非常之大。陆地风场风电机组的维护成本费用大约在12.5%,海上风场风电机组其维护成本占比高达22.5%。因此,本文的研究目的就是为了解决风电行业两个重要的问题,一个是风机发更多的电能,另一个是降低风机的故障维护成本。基于此,本文提出了基于状态预测的风机控制策略分析。状态预测是为了利用潜在信息更早的发现风机的故障部件,然后,根据预测结果选择控制方式延长故障发生的时间并且降低部件的损坏程度,给维修留下充足的时间。本文数据集来源于SCADA监控系统采集的风机状态信息和预警信息,对数据进行清洗,预处理和特征提取,其中,加入一些传统处理风机数据的方法来增加新特征,比如用傅里叶变换对振动信息进行频域信息转换。对处理好的数据进行训练集和测试集的划分,设计不同的预测分类算法模型,分析实验结果并对比分析各种模型的优缺点。其中,本文所涉及的算法有,随机森林、支撑向量机、XGBoost以及LSTM神经网络模型。最后,将预测结果和控制策略相结合,实现故障发生前经济利益最大化。其中,研究了正常故障停机和加入控制策略的停机整个过程的产能对比,证明后者的有效性。本文通过统计说明风机部件发生故障的停机时间和发电量损失。并研究说明了风机不同部件的降负载控制策略。