随着风力发电产业的迅速发展,装机容量逐年增加,风电已成为我国第三大电力来源。与此同时,随着大规模风电场的投产运行,老化机组的数目不断增加,风能捕捉系统故障频发,对机组的安全性、经济性和寿命造成极大影响。机组较高的故障率和落后的设备运维管理水平导致机组运维成本逐年走高。如何实现机组在线故障预警与智能诊断,提高机组设备维护管理水平已成为风电行业亟待解决的问题。本文研究数据发掘与智能分析技术,深度剖析机组设备运行特性和故障模式,应用于风电机组风能捕捉系统在线故障预警与智能诊断的系统研究中。主要工作内容如下:首先,本文以双馈风力发机组风能捕捉系统为研究对象,按照机组设备功能划分设备树,对风能捕捉系统组成及结构特点展开分析;根据故障发生及演化规律,明确系统典型故障模型和故障征兆参数,作为后续故障预警与诊断的理论基础;引入故障树分析构建完备的风能捕捉系统故障知识体系,作为后续故障预警与诊断的信息基础。然后,针对故障发展早期征兆参数不明显的渐变型故障,利用长短期记忆深度学习神经网络对时间序列的预测能力,建立了多变量多步长的故障在线预警模型,融合了多元数据对故障早期征兆参数进行时间序列预测。以国华沧州1.5MW双馈机组为例,运用该模型实现了变桨电机故障预警。接着,应用非线性状态理论,对典型故障建立非线性状态估计故障诊断模型,提出基于滑动窗口的模型异常率统计方法,确定了引发机组故障的主要故障模式,并通过计算征兆参数的残差贡献值缩小了故障设备的排查范围。结合国华沧州双馈机组的偏航电机故障诊断案例,说明该方案的准确性与实用性。最后,基于风电机组故障预警和智能诊断关键技术的研究,研发风电机组在线故障预警与智能诊断的系统,能够集中管理机组设备和测点信息,实时监测并收集机组运行状态数据,对运行中出现的典型故障模型进行在线预警与智能诊断,并根据故障树分析提供客观合理的维修决策。