为了充分利用风能,风电场通常位于高纬度、高海拔地区。这些地区运行的风力发电机往往面临着各种恶劣的气候条件,给其带来了很高的桨叶覆冰风险。风力发电机桨叶上的覆冰会改变其气动效率和扭矩,导致发电量减少,加剧其疲劳荷载,影响风电场的经济效益和稳定运行。传统的风力发电机桨叶覆冰检测方法通常是基于人工检测或外部传感器/工具,这些技术受到人类专业知识和额外成本的限制。基于覆冰机理的方法高度依赖于领域知识,容易产生误判。随着传感器技术在风力发电机组中的广泛应用,使得数据驱动的风机桨叶覆冰成为可能。数据驱动方法通过挖掘历史数据中隐藏的信息来检测桨叶覆冰,显示出对桨叶覆冰检测的广大潜力。本文将数据驱动的风机桨叶覆冰检测抽象为多元时间序列分类问题,在此基础开展本文工作。本文的研究工作与成果主要包括以下几方面:一、以多元时间序列作为研究对象,针对目前多元时间序列分类的多数工作集中在深度学习网络结构设计上,而未有效利用多元时间序列之间的相关性的不足,提出了一种新的注意力模型。该模型由通道注意力模块和时序注意力模块组成,旨在从多元时间序列的时空两个维度上增强卷积神经网络的特征学习能力。二、以完全标注的多元桨叶覆冰时序数据为研究对象,本文提出了一种新的时序卷积神经网络。通过在传统卷积神经网络中引入新设计的时序注意力模块,来学习每个时间步中每个传感器的重要性,来增强其特征学习能力。基于所提出的时序卷积神经网络,本文提出了一种风机桨叶覆冰检测的端到端框架。该框架能很好地处理高度不平衡的传感器数据,同时能够进行自动特征学习和覆冰状态的有效识别。三、以不完全标注的多元桨叶覆冰时序数据为研究对象,本文提出了一种新的类别不均衡半监督学习模型,将半监督学习和类别不均衡学习统一到同一个框架内。为实现上述目标,本文实现了一个原型网络来同时平衡数据中存在的类别不均衡和利用未标注数据。该模型不过分依赖需要耗费大量人力物力标注的数据并且可以克服收集到的数据中的类别不均衡。四、以分布式多元桨叶覆冰时序数据建模及其隐私保护为研究对象,本文提出了一种用于风机桨叶覆冰检测的联邦学习模型。该模型可以分布式学习来自不同风电场的数据,避免了数据泄露。该模型结合知识迁移使得模型能够适应不同的气候条件和风机类型。该模型还引入了一种隐私保护的类别不均衡算法来克服数据中存在的类别不均衡。