风电机组结构复杂且运行工况恶劣,运维成本已是制约风电产业进一步发展的重要因素。变桨系统作为机组的核心子控制系统,集电气和机械结构于一体,易发生故障且已是导致机组停机维护的重要原因。因此,对风电机组变桨系统进行状态监测及故障预警具有重要意义。本文针对风电机组变桨系统状态监测及故障预警方法进行研究,主要内容如下:首先,介绍风电机组及变桨系统的基本结构和工作原理,详细分析变桨系统电气类和机械类故障的故障原因、维护措施,并根据风电场日志数据建立高频故障的故障树模型,为变桨系统的状态监测及故障预警工作做了铺垫。其次,针对变桨系统故障提出特征参数选择方法。为缩小特征参数选择范围,依据专家经验选出变桨系统特征参数候选集,利用K近邻抽样方法解决数据不均衡等问题并构建特征选择训练样本集。采用Relief算法对变桨系统进行特征参数选择,并利用统计学相关系数校验特征参数之间的相关性,为变桨系统的状态监测及故障预警研究奠定数据基础。再次,基于先验局部离群概率算法对变桨系统异常状态进行监测和识别。针对局部离群概率算法不能动态检测异常点的缺点,把训练阶段的过程变量作为先验知识融入到增量数据的检测中,使局部离群概率算法成为有监督学习的聚类算法,称之为先验局部离群概率算法,不仅能避免同分布增量数据检测的冗余计算还可以在线动态检测离群点。以SCADA数据作为检验,验证了先验局部离群概率算法在变桨系统状态监测上的可行性。最后,基于贝叶斯优化随机森林(Bayesian Optimization Random Forest,BO-RF)算法建立故障预警模型。考虑到随机森林在非线性和高维数据拟合问题上具有抗干扰、不易过拟合等优势,基于随机森林建立回归模型并采用贝叶斯全局优化算法解决模型中超参数寻优问题,以滑动窗口内残差均值与标准差作为监测统计量并设定报警阈值,从而实现变桨系统故障预警目标。利用均方根误差、决定系数指标,与BP神经网络、支持向量回归对比验证了所建回归模型的优越性。仿真结果表明,预警模型能有效实现变桨系统故障的提前预警。