近年来,随着全球范围能源结构的不断调整,作为绿色可再生能源的风力发电得到了快速发展。随着机组在国内外多区域、不同气候带的大量安装,风力机在特定季节、特定气候条件下,经常会出现叶桨结冰现象。风力机组叶片覆冰会显著改变叶片的形状,影响其气动性能导致风力机生产效率下降以及由于覆冰造成的叶片载荷分布不均而引发的机械故障,既给机组的部件寿命带来损害,又对风场的经济效益产生影响,结冰严重时还会引发机组安全事故。为保障冬季结冰气候条件下风力机的安全正常运行以及为机组后续除冰做好先前的准备,本文针对叶片的结冰现象提出了一种主动诊断式的覆冰监测方法,此方法是基于风电机组的监控与数据采集(Supervisory Control and Data Auquisition,SCADA)系统运行的数据为基础,从机组整体性能、叶桨吸能效率、机组塔架振动三个方面开展了如下研究工作:1)输出功率是机组最具代表性的性能指标之一,机组若发生叶桨结冰现象,相关理论研究、实验室模拟仿真以及风场实地调研都可以发现,机组的输出功率存在较大的损失。在对风电机组SCADA系统风速、功率清洗和筛选的基础上,建立以SVR算法为主的回归预测模型,使其在不同风速下,可以对机组的功率进行实时预测。其中,以皮尔逊积矩相关系数法确定模型的输入量与输出量;以粒子群优化算法对SVR算法中的惩罚参数与核宽参数的选取进行优化。通过功率预测值与实测值的对比分析,从而对机组整体是否异常进行判断。2)风能利用系数(Cp)的大小反映的是风力机叶桨吸收风能的能力,其值不仅与桨距角、叶尖速比呈一定的函数关系,同时也要受机组在不同运行状态下不同的控制策略的影响。利用机组SCADA系统中记录的风速、桨距角等实时数据,建立监测机组实时Cp变化的特征模型。将全风速下机组的运行区域分为四种运行状态,从而根据不同的运行状态建立机组Cp变化的四种不同工况特征,通过计算机组在不同工况下的实时Cp的大小,将其与工况特征表中的正常的Cp值做对照分析,从而对机组叶桨吸能效率是否异常做出判别。3)由于叶片结冰形状的不规则、不均匀性,从而产生叶片质量的不均等现象,导致整个叶轮系统的振动特性发生变化,同时也带动相关联的其他部件的振动信号出现异常。以集合经验模态分解方法(EEMD)针对塔架的非线性、非平稳性的振动信号进行分解处理,将机组正常状态下和异常状态下的多个平稳的振动分量特征对比分析,以对机组是否处于“失常状态”做出相应的推断。4)利用不同风速下基于SVR算法功率实时预测、不同风速下风能利用系数Cp的实时监测、基于EEMD的塔架振动信号实时分析三种不同判别异常的方法,根据判断异常状况的统一性得出机组叶桨是否发生了结冰;其判断异常时间节点的近乎一致性确定何时发生了结冰。