随着化石能源的日益减少和环境污染问题日益加剧,风能作为可再生的绿色能源在改善全球能源结构方面引起了人类的高度关注,但是由于风电场选址偏僻、风机结构复杂化等原因,极大的影响了风场的运行效率和经济效益,其中传动系统作为风机关键部件之一,其故障造成风机停机时间最长,因此,进行风机传动系统故障诊断的研究,对于提高机组的安全稳定运行和降低风场运营成本具有重要意义。本文以双馈风力发电机组的传动系统为研究对象。根据数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)中的风机历史数据,针对风机故障数据稀疏、难以有效支撑故障诊断方法实际研究的问题,提出了一种基于正常样本数据的风机传动系统故障诊断方法。该方法首先通过采用异常数据识别方法获得优良的正常运行数据,接着利用神经网络方法构建相关参数预测模型,最后通过对多参数预测残差信息融合后的变化趋势进行分析,实现对风机传动系统的故障诊断。首先,介绍了风机传动系统的结构组成及其典型故障机理,对本文所提方法进行了阐述。接着又分析了SCADA系统中的数据特征,并介绍了相关数据预处理方法,为后续研究奠定基础。其次,由于风机运行环境恶劣、风能随机性较强等原因,SCADA系统中包含大量的异常数据,因此需要对其中的原始数据进行异常点分析和处理,尤其是功率曲线的研究为风场维修决策提供重要的参考价值。本文在分析异常数据分布特征的基础上,提出了一种云模型熵值算法和改进DBSCAN算法组合算法来剔除样本数据中的异常点,进而得到更准确的正常状态数据集,为下文研究提供数据支撑。然后,为了能充分对风机传动系统故障状态进行有效识别,选取风机传动系统的齿轮箱、主轴、发电机相关参数进行研究。利用改进人工蜂群算法(improved artificial bee colony,IABC)优化Elman神经网络的参数空间,进而建立IABC-Elman神经网络参数预测模型。通过熵权法对预测模型的残差信息进行融合,并设置不同的阈值作为判定准则来判断风机传动系统的运行状态,进而实现故障诊断。最后,结合实际风场数据,验证该模型的合理性和有效性。结果表明该方法对研究风机传动系统的故障具有一定的参考意义。