1、近年來，風(fēng)力發(fā)電行業(yè)的快速增長(zhǎng)導(dǎo)致風(fēng)力發(fā)電機(jī)組故障頻發(fā)，運(yùn)行維護(hù)費(fèi)用持續(xù)增長(zhǎng)。加強(qiáng)對(duì)風(fēng)電機(jī)組運(yùn)行狀態(tài)的有效監(jiān)測(cè)、實(shí)現(xiàn)風(fēng)電機(jī)組早期故障的預(yù)警和診斷對(duì)于保障機(jī)組安全穩(wěn)定運(yùn)行、減少維修支出有著重要意義。與此同時(shí)，由于大型風(fēng)電機(jī)組運(yùn)行工況的多變性與復(fù)雜性使得機(jī)組運(yùn)行狀態(tài)難以準(zhǔn)確評(píng)估，基于工況辨識(shí)的風(fēng)電機(jī)組在線監(jiān)測(cè)已經(jīng)逐漸成為風(fēng)電發(fā)展中的重要研究方向。本文首先對(duì)風(fēng)電機(jī)組運(yùn)行工況進(jìn)行分析和辨識(shí)，然后以風(fēng)電機(jī)組齒輪箱和滾動(dòng)軸承為研究對(duì)象，從SCADA

2、參數(shù)和振動(dòng)參數(shù)兩種數(shù)據(jù)來源著手，分別基于多元狀態(tài)估計(jì)模型和變分模態(tài)分解方法，研究相對(duì)應(yīng)故障預(yù)警模型和故障診斷方法，具體分為以下幾個(gè)方面：
　　首先，分析風(fēng)電機(jī)組運(yùn)行特性，利用風(fēng)電場(chǎng)SCADA系統(tǒng)數(shù)據(jù)，在進(jìn)行數(shù)據(jù)分析和預(yù)處理后，選擇適當(dāng)參數(shù)，利用模糊聚類算法，進(jìn)行風(fēng)電機(jī)組運(yùn)行子工況的劃分。
　　其次，研究基于多元狀態(tài)估計(jì)的風(fēng)電機(jī)組故障預(yù)警。對(duì)于齒輪箱典型故障進(jìn)行研究和分析；詳細(xì)介紹MSET建模原理，研究MSET建模變量選取問題

3、，通過實(shí)際風(fēng)場(chǎng)數(shù)據(jù)對(duì)該模型的性能進(jìn)行驗(yàn)證，并通過實(shí)驗(yàn)對(duì)比分析得出結(jié)論，工況辨識(shí)能夠降低異常點(diǎn)誤判斷率從而降低誤報(bào)警率。
　　最后，研究基于變分模態(tài)分解的風(fēng)電機(jī)組故障診斷。針對(duì)滾動(dòng)軸承早故障信號(hào)微弱難以提取出有效信息的問題，提出基于VMD、AR模型以及奇異值分解的特征提取方法；使用實(shí)際風(fēng)場(chǎng)數(shù)據(jù)的仿真研究中，通過與EMD分解方法進(jìn)行對(duì)比，分析了VMD在抑制模態(tài)混疊方面的優(yōu)越性；針對(duì)在對(duì)振動(dòng)信號(hào)進(jìn)行分類時(shí)特征向量維數(shù)過高的問題，提出基于