风电是近年来发展最快的可再生能源之一,状态监测与故障诊断能够有效提高风电机组运行可靠性。基于深度学习的故障智能诊断降低了风电机组的运维成本,更能适应大数据的需求。风电机组长期运行在变工况、恶劣环境下,对其实现早期故障诊断能够避免重大损失。对于新建风场的故障诊断,已经获得的故障样本很少、甚至某些故障样本缺失,存在严重的样本不均衡问题。新建风场与已有风场在结构上存在区别,采用已有风场的数据训练的故障诊断模型对新建风场的故障诊断适用性较差、诊断精度较低。针对以上问题,本文的主要研究工作总结如下:针对风电机组早期故障预警和定位问题,基于监控与数据采集系统（Supervisory Control And Data Acquisition,SCADA）数据,结合稀疏字典学习,改进了对抗变分自动编码器。模型结合了生成对抗网络高质量的生成优势和变分自动编码器高质量的后验分布学习优势,同时利用字典学习提取原始数据的内在特征。以三组有故障的风电机组作为案例,并与一些常见算法进行对比,验证了所提模型在异常检测上的准确性和稳定性。同时提出了一种采用SCADA各参数的残余误差实现故障定位的方法。针对新建风场故障诊断样本少的问题,改进了模型无关元学习和动量对比学习,提出了两个风电机组小样本故障诊断模型。通过加入基础模型预训练、微调等,提高了小样本诊断精度。通过发电机轴承和齿轮箱的故障案例,从小样本学习的5-shot和1-shot两个方面,对比了所提模型与已有模型的分类精度,精度相比已有模型提升了约10%。针对新建风场故障样本缺失的问题,采用三种思路解决:（1）改进条件生成对抗网络和胶囊网络,实现风电机组广义零样本故障诊断。采用故障特征频率构建零样本学习的语义属性特征。以各故障的语义属性为条件,采用健康数据生成缺失故障,通过测试集建立伪标签对所提模型进行微调,解决类级过拟合问题。以西储大学轴承数据和风电机组发电机轴承数据作为案例,实现了未知故障类别的诊断。（2）基于空间嵌入实现风电机组广义零样本故障诊断,以故障特征频率建立语义属性特征,通过将样本和语义映射到同一空间,并将其与标签空间对齐,引入判别器和对比损失,来提高分类精度、缓解类级过拟合问题。在训练阶段,从可见类的样本和原型中学习映射,建立视觉空间和语义空间之间的联系;在测试阶段,使用不可见类的语义原型通过学习的模型来匹配样本,实现未知类的诊断。采用风电机组发电机轴承数据作为案例,分析了有一个未知类和两个未知类的诊断结果。（3）改进模型无关元学习实现风电机组故障迁移。模型包括两个模型无关元学习器和两个分类器,分别对源域和目标域进行诊断。交叉熵损失更新源域模型,源域与目标域之间的最大均值差异更新目标域模型。采用风电机组齿轮箱数据作为案例,实现了对风电机组的故障诊断。最后给出了论文的主要结论,并对进一步的研究进行了展望。