由于风电机组工况复杂多样,从而对其安全和稳定运行带来极大的挑战。据相关统计结果,齿轮箱轴承发生故障导致的停机时间往往最长,并且轴承的众多特性里,温度变化对于故障发生的敏感性较振动等其他信号更为直接,便于识别。因此,基于SCADA运行数据对齿轮箱轴承温度的预测和预警进行研究,为掌握齿轮箱轴承的温度变化情况,及时发现异常的故障状态,避免因故障带来严重事故或高昂的维修成本,提供了理论指导和技术保证。本文以齿轮箱轴承温度预测和预警为研究目标,基于风电机组传感器齿轮箱轴承温度及其相关数据,进行了以下三点研究内容:(1)针对SCADA系统数据进行数据预处理,采用四分位距和时延相关性重构识别并修复数据中存在的坏数据,采用Relief F算法提取关键特征,针对提取的特征存在的信息重叠,经过主成分分析去冗余,完成模型输入数据的准备。(2)提出一种遗传算法(Genetic Algorithm,GA)优化Elman神经网络的风机齿轮箱轴承温度预测方法。该方法通过将随机产生的Elman网络权值、阈值输入遗传算法,通过算法迭代更新将适应度函数结果最佳的权值、阈值组合赋予Elman网络,再通过该网络预测齿轮箱轴承温度。经过优化的Elman网络运算效率提升,梯度下降的缺陷得到了解决,从而预测精度也较单模型更优。(3)提出一种融合卷积神经网络和长短时记忆神经网络的预测方法。该方法根据卷积神经网络对于一维特征张量的压缩和拼接实现高维张量的构建,再将这些高维张量介于注意力机制结合长短时记忆神经网络的隐含层输出,通过时序输出的方式实现轴承温度的预测。结合两种算法无论在空间维度还是时间维度上都充分挖掘了原始数据包含的信息,从而预测精度较传统模型更优。基于Matlab、Python环境实现了以上算法的编程,并对实际的齿轮箱轴承温度监测数据进行了分析和发展趋势的模拟仿真,通过和真实数据的对比,本文提出的方法能够有效预测齿轮箱轴承温度的变化趋势,能够有效预警异常温升的发生,与自回归移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)、支持向量机以及单模型Elman网络等传统时序算法相比较,本文方法具有明显优势,能够实现齿轮箱轴承异常温升的预警。