SCADA系统为机组运行状态评估和预测提供了可靠的大数据来源,如何有效分析这些数据,开展机组运行状态评估及预测,降低风电机组运营成本和停机时间是亟待解决的问题。本文基于SCADA数据,建立分层次预警模型,开展风电机组运行状态评估和预测,主要研究内容包括:（1）数据预处理及特征参数提取。SCADA系统数据量庞大且随机性强,包含着许多无用数据点,为降低无用数据点对研究结果可靠性的影响,本文清洗掉风电机组停机、故障和制动时的数据,再结合最小二乘法与离散度分析的滤波方法滤除远离风速/功率主数据带的“脏数据”,最后经归一化消除不同种类运行参数的量纲对模型精度影响。通过分析风电机组运行和控制原理,采用互信息算法定量的分析运行参数之间的相关性,提取特征参数,降低冗余,为后续建立预测模型奠定基础。（2）建立风电机组运行状态分层次预警策略及神经网络预测模型。通过分析风电机组运行参数之间的关联性,首先建立基于神经网络的风电机组整机层次运行状态预警模型,若发现机组异常,则进行子系统层次即风轮子系统、传动子系统、发电机子系统的运行状态预警,锁定具体的异常子系统,便于后期维护管理。为降低单独数据对预警精度的影响,引用滑动窗口模型,分析每个窗口内预测模型预测值与实际值的误差,计算评价指标,再根据核密度估计法统计风电机组正常运行状态下评价指标的阈值,作为评估机组运行状态的评价标准。（3）基于华北某风电场机组的SCADA数据,进行风电机组整机、子系统运行状态分层次预警实例分析,验证预警模型的有效性。分别选取风电机组故障前和故障后正常运行时的现场实测数据做实例验证,将该时间段内风电机组数据预处理后的数据代入神经网络预测模型,计算评价指标。当评价指标连续三次超过阈值时,判定风电机组运行异常;当评价指标低于阈值时则判定风电机组运行正常。并采用不同神经网络模型进行对比分析。（4）基于Matlab设计风电机组运行状态预警GUI界面。为便于用户使用及产品推广,本文结合实际的应用以及可视化界面的需求设计了风电机组运行状态分层次预警GUI界面,可以直观观测机组的运行信息。