过去的近二十年间,我国风电事业快速发展,装机容量多年稳居世界首位。风能提供清洁、可再生能源的同时,也暴露出诸多问题,其中,由于处于高空、不稳定载荷、极端温差等运行环境中,风电机组的故障率较高,传动部件的故障会导致较长的停机时间,严重影响发电量和经济效益。状态监测与故障诊断是保证风电机组可靠运行、减少运维成本的关键技术。振动监测作为状态监测的主流技术,在风电机组应用广泛,但也存在诸多不足,例如振动分析对齿轮、轴承等机械类故障较为敏感,对发电机中的电气故障能力有限;较多的振动传感器与采集系统给风电机组带来额外成本等。SCADA系统是风电机组自身的标准配置,可以对机组的多种参量进行监测,提供全面的监控指标。近年来飞速发展的人工智能及深度学习与风电机组SCADA数据的特点具有较高的应用匹配度,为基于SCADA的风电机组数据挖掘、故障识别提供手段。本文针对风电机组中的典型故障,开展基于深度神经网络的故障识别技术研究,以提高机组故障的分类识别率,及早辨识机组故障,避免经济损失与重大灾难。主要研究内容如下:(1)针对风电机组振动数据量大,有效故障信息稀疏的问题,设计一维密集连接卷积神经网络进行“端对端”故障分类与识别,避免传统特征提取中的经验因素,具有较高的分类精度和故障识别能力。(2)结合风电机组运行与控制机理,设计SCADA数据的预处理方法,可以筛除影响故障识别的干扰成分。(3)基于深度神经网络,提出一种无需全寿命样本的风电机组故障识别方法。采用随机森林选择与目标变量相关性大的自变量,构建深度神经网络模型,利用模型残差的变化辨识机组的健康状态。该方法成功识别出实际直驱风电机组的故障特征。