随着能源与环境危机的日益凸显,全球范围内对可再生能源的发展都及其重视,我国是公认的人口大国和能源大国,对可再生能源的发展也刻不容缓。其中,考虑到风力发电的经济实用性,我国投入了大量的人力物力对风力发电机组进行研发,而风电机组的研发也朝着机组大型化、大容量的方向进行着。但是,风机叶片长度是随风电机组的单机容量正比增长,这也使得风电机组辐射出的噪声水平逐渐增高。国内外学者的研究表明,风电机组对外辐射出的主要为气动噪声,而机体内主要存在的是结构噪声,风电机组的噪声参数关系着机组对周围环境的影响。同时,噪声信号参数也是评定大型风电机组质量的重要指标,并包含着风电机组运行时的大量有用信息。因此,进行风电机组噪声研究具有十分重要的价值。本文首先研究了风电机组对外所辐射出的气动噪声信号,而风电机组的气动噪声信号主要由风机叶片所引起;然后结合回归分析、基于遗传算法的支持向量机回归(GA-SVR)和数据融合理论,对风电机组的气动噪声信号,进行了筛选变量和剔除异常点后的噪声融合预测。其次,本文还研究了风电机组机体内主要存在的结构噪声信号,并研究了风电机组机械振动信号和噪声信号的相关性,然后通过GA-SVR和数据融合理论对风电机组的结构噪声进行了融合预测。我的主要研究内容有:1、在新疆达坂城风区某风电场,依据国标IEC 61400-11测量标准,我们课题组对正常运行状态时的GW87/1500型风电机组进行了噪声信号测量,这为后续噪声预测提供了有效数据。2、研究表明,对风电机组直接进行噪声信号采集,以此对风电机组进行实时分析不仅操作性难度较大,并且受环境因素影响严重。因此,本文提出通过容易采集的风电机组非声学信号对噪声信号进行预测,并通过回归分析对非声学信号进行变量筛选,剔除共线性影响较强的变量和数据点。然后,用希尔伯特黄(HHT)和小波分析对非共线性的非声学信号进行特征提取。最后,用改进的GA-SVR设计出合适的噪声预测模型,并对模型进行训练,以此完成噪声信号的特征级的融合预测。3、利用我校噪声检测设备SVAN957和振动检测设备EMT690,对风能技术实验室的20kW永磁同步风力发电机组进行实验研究。实验仿真了风电机组的多种运行模式,并分析了机组内振噪信号的相关性。然后,用HHT和小波分析对振噪信号进行特征提取。最后,用改进的GA-SVR完成了风机噪声的特征级的融合预测。最后对基于数据融合和改进GA-SVR的风电机组噪声预测的研究进行了总结,并做了一定的展望分析。