风力发电在可再生能源中占有的比例已相当可观,随着风电机组工作时间的增加,内部部件的磨损和老化程度也日益加剧,导致机组的运行状态逐步劣化。故及时掌握风电机组的运行状态,对保障其安全稳定运行、延长使用寿命、合理安排运维检修均具有重要意义。本文提出了用于评估风电机组运行状态的一系列方法,研究成果主要包括以下几个方面。(1)搭建了用于评估风电机组运行状态的指标体系。风电机组是由多个部件构成的一个复杂系统,各个部件之间相互影响,所以各部件的监测量之间必然存在着联系,确定的某一指标并不能真实反映相应部件的实际状态。本文根据风电机组的结构以及工作原理,基于数据挖掘算法从风电机组内部各物理量之间的关联关系入手,确定了机组的状态指标。(2)建立了风电机组状态评估指标的预测模型。考虑到浅层学习(人工神经网络、支持向量机等)方法的计算单元对复杂函数的表示能力有限,提出了一种基于Kriging和门控循环单元的组合预测模型。首先使用Kriging原理预测出线性分量,然后基于门控循环单元构建了非线性残差分量的预测模型。最后,将二者的计算结果结合起来,得出最终预测值。(3)提出了风电机组状态评估指标的动态权重计算方法,并顾及到固定值作为评估指标的极限值易导致误判的影响,提出了动态极限和劣化度。风电机组各状态指标在状态评估中所起的作用不同,且不同时期各指标对运行状态的影响程度也不同,故采用动态权重表征不同指标对评估结果的影响。首先采用层次分析法计算各评估指标的固定权重,然后采用偏互信息法确定指标的实时权重,最后将两者结合起来,作为动态权重。(4)建立了使用云模型的风电机组运行状态评估模型。首先根据上述组合预测模型求出状态指标预测值的相对误差,然后对误差进行归一化处理作为相应指标的动态劣化度。然后分别基于相似云和模糊综合评价法评估机组的运行状态,并对两种方法得出的结论进行了分析比较和总结。以上研究成果包括了风电机组状态评估指标的筛选、动态权重的计算、状态评估指标的预测和运行状态的评估四个模型,并通过实际风电场的真实运行数据进行了验证,结果符合实际情况,满足工程精度需求,具备良好的应用价值。