随着清洁能源的发展,风电机组的正常运行是保障风力发电的重要基础。其中叶片结冰作为一种严重影响风电机组工作的故障,会导致风能转化为电能效率低下、叶片覆盖大质量冰块易断裂伤人等各种极端情况。因此,根据风机工况参数、环境参数等容易获得的数据以低代价、高效率的方式准确且及时地检测出叶片结冰状态,对于提高风能转换电能效率、延长设备寿命和保证人身安全性有极大的价值。本文针对风机叶片结冰预测方法进行了研究,主要研究内容如下:（1）通过融合机理分析对结冰数据集进行特征重构和特征工程。考虑到叶片数据集的原始数据误差、特征冗余及特征维度高等问题,首先对所使用的数据集进行分析,深入理解数据集中的字段含义及数据类型;其后,对该原始数据集进行预处理工作,包括:采用拉格朗日插值法填补缺失值、以拉依达准则结合箱型图法识别并剔除异常值、依据模型的特性利用合适的归一化方法;最后,对模型特征进行筛选和重构,包括:基于Makkonen提出的结冰机理模型和Rahimi提出的风能利用率机理模型进行机理分析、以皮尔逊相关系数分析结冰特征字段彼此之间的相关性、以随机森林算法对特征重要性进行评估。引入结冰机理知识完成特征重构和特征工程,作为后续构建叶片结冰预测模型的数据基础。（2）基于EE-ADASYN算法对结冰数据集类别分布不平衡进行优化。考虑到数据集中多数类样本和少数类样本数据分布极度不平衡导致所构建的预测模型存在预测结果偏向性问题,于是从数据层面和算法层面同步优化,进一步提高用于模型预测的数据集质量。首先,在数据层面通过对数据的探索性分析和可视化,提出基于强规则过滤和相似性度量的下采样方法去减少多数类样本数据;其后,在算法层面提出了改进的基于集成学习（Easy Ensemble,EE）思想的过采样算法EE-ADASYN,并选择基分类器为随机森林,验证该数据集分布优化方法的有效性,为后续搭建结冰预测模型提供数据和算法支撑。（3）构建基于模型融合的风机叶片结冰预测模型。考虑到单一模型预测性能的局限性,构建模型融合的叶片结冰预测模型。首先,介绍了模型构建的整体流程,提出了模型评价的评分指标Score的计算方法;其后,对基于统计学习方法的逻辑回归模型（Logistic Regression,LR）和Xg Boost模型进行参数优化,得到其单一最佳模型;随之,提出了基于CNN-foc LSTM的深度学习时序模型,其主体网络结构是卷积神经网络（Convolutional Neural Network,CNN）和长短时记忆网络（Long Short Term Memory,LSTM）,同时将图像处理领域的Focal Loss损失函数迁移过来,作为时序模型训练的损失函数优化方法;最后,采用Stacking方式进行模型融合,将调参优化后的EE-ADASYN（基分类器为随机森林）、LR模型以及Xg Boost模型作为3种不同的个体学习器,CNN-foc LSTM模型作为元学习器,得到风电机组叶片结冰的融合预测模型,在数据采集与监控系统（Supervisory Control and Data Acquisition,SCADA）数据集上进行验证,证明了所构建预测模型的有效性。