随着全球风力发电能力持续增长和风电场的快速扩张，在风机维护领域，即使一些微小的故障都会带来价格昂贵的维护成本，为了减少风机的故障以及由故障带来的经济损失，风力发电机的状态监测和故障诊断在降低停机时间和维护成本方面日益重要。异常识别作为故障诊断的必要条件，其研究具有重要的意义。目前在风力发电机异常识别领域存在微小异常难以发现、多类复杂异常难以识别的问题，为了解决这些问题，本文提出了一种基于卷积神经网络(CNN)的风力发电机异常识别方法。
　　本文针对风场采集到的SCADA数据进行研究和分析，并基于SCADA数据分析完成了以下四个方面的工作:完成SCADA数据的预处理、完成风机属性的聚类、实现风机属性的类内降维、实现了基于卷积神经网络(CNN)的风力发电机的异常识别。
　　针对现场采集的SCADA数据含有大量的噪声和失效数据的问题，设计数据清洗和小波阈值降噪的规则，将SCADA数据进行预处理。在失效数据和异常非相关属性清洗后，将保留的风机属性通过小波阈值降噪的方式去噪，得到去噪数据。
　　针对数据的冗余和数据包含特征信息不充分的问题，本文提出了先聚类后类内降维的属性处理方法。风机属性基于k-means聚类，将预处理后的SCADA数据归一，通过准则确定最大聚类数后，引用轮廓系数判断聚类效果以确定聚类数;最后将属性分为七类，并提出了灰度图呈现的方式以验证聚类效果的优良性;将聚类后的各类属性基于t-SNE类内降维，用最简化的特征表示了风机属性的重要特性。
　　针对传统的模型在异常识别过程中存在识别准确率差的问题，本文提出基于CNN的异常识别方法。将输入的属性值数据转换为方阵生成许多大小相同的风机属性图片，通过训练海量图片，不断调整模型参数，得出CNN模型各层结构，通过图片的二分类问题实现风机状态的判断。若因天气因素导致的数据变化与故障引发的数据变化差别较小时，CNN模型可以抑制噪声的不利干扰，准确发现风机属性图片微小的变化，进而可将此类风机状态纳入正常范畴，避免了误判断。于传统的基于某一属性建模，只能发现单类属性异常的局限性，CNN模型的输入样本由完整的风机图像片段提供，其中包含全面的异常信息，可有效实现多类属性的异常识别。
　　针对本文提出的方法，实验部分做了三组案例以证明提出方法的可行性与有效性。最后在总结全文的基础上，对未来的研究方向进行了展望。