风速风况存在随机、间歇和不确定性,风力发电机组总是处于交变荷载作用下,工作环境十分恶劣,机组各部件容易发生故障。随着风力发电机组装机容量的逐年增加,机组的运行状态监测、故障诊断等已成为行业发展的瓶颈和关键。风电场分布范围广，风力机通常无人值守,发生故障时很难实行即时维修,因此,开展风电机组的状态监控与故障诊断技术的研究,对提高机组的可靠性和风电场的运行效率、降低风电场维护成本、优化维修策略等具有重要的现实意义。通过综合分析风力发电国内外研究现状、风力发电机组状态预测、故障诊断方法等。研究了风力发电机、齿轮箱故障机理及主要常见故障。针对风电机组早期故障信号微弱、时变非平稳等特点,采用小波包技术提取故障特征量。通过特征向量分析,进行数据的归一化、平稳性、正态性等判定以及零均值化等项目的预处理；利用AIC定阶准则实现模型定阶、采用极大似然估计法完成参数估计、采用残差分析检验方法完成模型的检验等,完成ARMA模型的构建,预测风力发电机组未来时刻的特征量。针对风力发电机组各故障状态的非线性特性,应用BP神经网络对风电机组的各个故障状态进行模式分类与识别；结合具有全局寻优能力的遗传算法,优化BP神经网络的权重和阈值,设计基于遗传算法的优化BP神经网络(GA-BP)自学习智能诊断方案,构建风力发电机组GA-BP故障诊断系统,既能有效改善BP神经网络收敛速度和收敛精度,也可提高故障诊断的成功率。由特征量提取、ARMA预测模型、GA-BP故障诊断等组成的整体系统现已在广东省红海湾风电场进行现场试验,实际测试结果达到了预期的要求,进一步验证了算法的可行性与有效性。