近年来,随着风电技术领域的迅猛发展,风电机组单机装机容量不断增大,风电场的建设规模也在不断扩大,风电机组高故障率和高运维成本的问题逐渐显现出来。因此,实现风电机组的实时运行状态监测和故障模式预测,对保证风电机组安全有效的运行、降低运维成本具有重要应用价值。风电机组SCADA系统中记录了风电机组在运行过程中产生的大量历史数据,本文基于SCADA系统记录的运行数据建立了风电机组健康指标观测及故障预测模型,具体研究内容主要包括:1)风电机组SCADA系统简述及故障情况统计分析。简述风电机组的基本结构及风力发电基本工作原理,然后对SCADA系统记录的状态参数进行了简要介绍,通过风机维修日志对常见故障类型及故障原因进行统计分析。2)风电机组健康指标观测模型数据处理。分析风电机组风速-功率散点图,对异常数据点进行分类,基于四分位数算法实现了对异常数据点的清洗工作。由于风电机组的输出功率是反映其健康状态程度的最直观指标,采用偏最小二乘算法对影响输出功率的特征参量进行初步筛选。最后基于互信息规则对存在明显相关性的特征参量进行冗余剔除,为后续健康指标观测模型的建立进行了铺垫。3)基于拉普拉斯特征映射算法的风电机组健康指标观测模型。通过对瑞士卷高维数据集进行降维研究,验证了拉普拉斯映射算法在分析风电机组的健康状态变化趋势方面,相较于其他流形学习算法更加具有优势。然后分别介绍了LE-EVD和PCA-DEV两种风电机组健康指标观测模型,对比研究表明LE-EVD模型能够更早且更准确的发现机组的退化状况,最后分析了LE-EVD模型相较于PCA-DEV模型的优点。4)基于工况划分的风电机组故障预测模型。利用模糊C均值软聚类算法对风电机组SCADA数据聚类分析,基于聚类有效性指标确定聚类簇数,实现对风电机组运行工况的区间划分。然后对风电机组的各个部件构建LE-SOM故障预测模型,以齿轮箱为例进行了实验验证。将提取的特征参量输入到拉普拉斯映射空间中,采用自组织神经网络算法划分故障类型并确定各个类簇的分类中心,通过实时监测在线状态数据集聚类中心与各故障类型分类中心的欧式距离,预测可能发生故障的模式。