随着智能电网和泛在电力物联网的快速发展，电力系统已经进入了电力大数据时代，而传统的风电机组关键部件故障诊断模型多是基于单机、小样本的诊断方法，不能满足大数据时代大数据量级的故障诊断需求；传统的基于振动数据的诊断方式，需要安装传感器等设备，诊断成本居高不下。而大数据存储和处理技术以及SCADA数据为其提供了新的解决方案。该课题构建了包含spark、Hadoop等在内的云计算平台，选取大量的风电机组SCADA数据进行实验分析、研究，实现基于Spark内存计算框架的风电机组故障数据并行分析和诊断进行研究。
　　基于Spark计算框架实现风电机组故障诊断模型的并行化处理。引入支持向量机算法，设计支持向量机的多分类算法基于Spark框架的并行化实现方案，包含建立模型和分类诊断测试。首先对支持向量机进行深入研究，提出级联式的向量机模型，通过Spark框架中的弹性分布式数据集RDD存储思想对数据集进行分块存储，分别训练各分向量机模型，其次分层汇合成为最终的分类模型，完成风电机组故障诊断识别的并行化过程，提高电力大数据时代故障数据处理速度。
　　引入布谷鸟优化算法，基于并行支持向量机诊断模型，结合改进布谷鸟优化算法，实现PCS-LS-SVM混合模型的风电机组发电机故障诊断。首先，从SCADA系统中采集数据，利用RDD将数据分块存储，利用均值化法改进的PCA算法对数据进行归一化处理，消除发电机运行数据不同指标的量纲影响，将高纬特征空间映射到低纬空间，降低数据复杂度，提取低纬空间特征向量，利用设计的并行化SVM模型，分层汇合训练、测试设计模型，实现未知样本的故障分类识别。通过实验结果表明，在Spark框架下，设计的并行化PCS-LS-SVM算法性能较优，减少数据复杂度的同时满足电力大数据时代风力发电机的故障分类识别。
　　引入鲸鱼优化算法，基于并行支持向量机诊断模型，结合改进鲸鱼优化算法，实现MLWOA-LS-SVM混合模型的风电机组发电机故障诊断。首先，归一化处理风电机组的SCADA数据，将已知样本集随机平均分块，然后并行计算特征向量，分层汇合并行化方式训练、测试设计模型，实现未知样本的故障分类识别。通过实验结果表明，在Spark框架下，设计的并行化MLWOA-LS-SVM算法性能较优，能够满足电力大数据时代风电机组关键部件的故障分类识别。