随着我国经济的迅猛发展,我国对能源的需求也越来越大,同时在能源革命和电力转型的大背景下,大力发展可再生能源符合国家的发展需要,已成为我国能源结构调整的重要一环。而水电作为技术最成熟的可再生能源,对其进行有效地开发利用是能源发展的重点之一。水电机组作为开发水电能源的关键设备,保证其安全稳定高效地运行具有非常重大的意义。然而,由于水电机组故障和征兆之间对应关系十分复杂,水电机组的故障诊断一直是一个研究难点和热点,而水电机组故障诊断的关键之处在于故障特征的提取和故障状态的识别。基于此,本文从故障特征的提取和故障状态的识别两方面着手展开研究,建立了基于多维特征和组合分类器的水电机组故障诊断模型,从特征提取和故障识别两方面综合提高水电机组故障诊断的准确率。为了从特征提取方面提高水电机组故障诊断的准确率,本文综合时域特征、频域特征和时频域特征组成多维特征。其中,提取集合经验模态分解-样本熵作为时频域特征弥补传统时域特征和频域特征的不足,并利用遗传算法对多维特征进行特征选择,以去除多维特征中的冗余特征量。最终,以筛选后的多维特征代替传统的单维特征作为故障识别的输入特征量进行故障诊断。为了从故障识别方面提高水电机组故障诊断的准确率,本文首先分别利用支持向量机、反向传播神经网络和朴素贝叶斯三种分类器进行故障诊断得到初步的诊断结果,并使用加权投票法对三种分类器进行组合得到组合分类器,通过组合分类器融合三种分类器各自的诊断结果,作为最终的诊断结论。最后,综合多维特征和组合分类器建立基于多维特征和组合分类器的水电机组故障诊断模型。利用转子试验台模拟转子常见的四种运行状态,并采集转子振动信号数据用于验证本文故障诊断方法的有效性。利用120组实验数据,使用基于多维特征和组合分类器的水电机组故障诊断方法对转子不对中、转子不平衡、转子碰磨和转子正常四种运行状态进行故障诊断,故障诊断准确率可达98.00%。结果表明,基于多维特征和组合分类器的水电机组故障诊断方法相较于单维特征和单分类器的故障诊断能够从特征提取和状态识别两方面提高水电机组的故障诊断准确率。