风能作为一种可再生的、利用价值非常大且无污染的能源一直备受世界各地的关注,尤其近年来能源紧缺问题严重,人们一直在致力于提高风能的利用率、增大发电量;除此以外,由于风电场一般处于偏远空旷的地区,自然环境相对恶劣,并且机舱的位置一般处于高空,距离地面几十米甚至更高,这些因素致使风电机在运用过程中频繁的发生故障,故障的维修一方面会增加风电机的运营成本,另一方面由于大型风电机的故障处理耗时较长,会很大程度的减少发电量,这些是目前各大风场面临的不可避免的问题。在当前的现实背景下,本文从风电机实时数据的监测入手,结合历史运行数据的分析,通过数据挖掘、神经网络算法的分析和实验,设计了风电机故障识别和机组状态预测触发预警的计算方法,对风电机经常发生且运维成本大的典型故障及时检测、对机组的发电功率和机组绕组温度进行预警,实现问题的早期干预。本文首先结合国内外风电机故障与预警研究的现状以及本风场实际的需求痛点,确定风电机故障识别和性能预警的研究方向:叶片结冰和叶片断裂故障识别、发电机绕组温度预警。基于k最邻近分类算法对风力发电机叶片结冰故障进行检测,对任意时间内叶片结冰关联度最高的偏航位置、舱内温度、电机转速、风速和网侧有功率进行模型训练,达到判断当前风电机叶片是否已经结冰的目的。除此以外,使用时间窗口内的方差来表征因叶片结构变化引起的数据波动,并采用TF-IDF对“波动”进行放大,从而达到判断当前风电机叶片是否已经断裂的目的。通过风速的时序数据对风电机组的发电功率进行预测,得到了根据风速实时预测机组发电功率的回归模型。同时,利用卷积神经网络模型对风电机组的机械状态进行了预测,通过机组的特征预测出发电机绕组温度,并进行实时预警。本系统目前已经通过验收测试并正式上线使用,系统运行稳定且得到风场运维人员的积极反馈。解决了叶片结冰量累积、叶片损伤程度大等难题,同时,通过风功率曲线预测和绕组温度过高的预警减少了发电量的损耗。运维人员通过本系统的协助,做到了及时处理故障,有效防护预警。