近年来,能源危机加剧以及气候变化日趋明显,风能的利用越来越受到人们的重视。世界各国的风电装机容量在发电设备装机总量的占比在不断提升,风力发电的技术也日趋成熟。但风电机组大多分布在偏远地区,常年受到严寒酷暑和极端天气的影响,风机的故障停机会带来严重的经济损失,因此风机的故障诊断显得尤为重要。SCADA系统采集统计的风机故障数据较少,这会使得各类机器学习算法建立的风机故障诊断模型泛化能力差、诊断准确率偏低。为了解决上述问题,本文提出了一种基于生成对抗网络的风力发电机故障样本生成方法,所做的工作如下:第一,针对风电场SCADA系统采集的数据含有大量无关属性及失效数据的情况,进行了数据清洗、数据插补及数据变换,并根据后续实验的需求,筛选出切入切出风速区间的数据。第二,进行风机属性的相关性分析,介绍主属性获取及调整规则;在此基础上提出了 GAN输入数据及初始故障样本的获取方法。第三,介绍生成对抗网络的基本原理和训练原则,分析了生成对抗网络的优缺点。根据生成对抗网络的特点,设计了符合风机数据特点的生成器、对抗器及目标函数。第四,利用生成对抗网络完成风机故障样本的生成,之后使用相关的统计量、箱图来分析生成故障数据及真实故障数据的特点。为了进一步验证生成故障样本的有效性,应用SVM和BPNN算法构建风机状态检测模型来检测故障。实验结果表明,通过加入更多逼近真实情况的生成故障数据来训练状态检测模型,可以提升风机故障诊断的准确率,解决风机故障数据过少所导致的问题。