风电作为我国能源转型以及低碳发展的攻坚力量,随着风电机组的单机容量逐渐增大,机组运维成本在不断提高。而风力发电机组主传动系统作为机组的能量传输通道及载荷传递路径,由于其运行工况的多变及复杂恶劣的服役环境,导致主传动系统机械故障频率较高。因此,对风电机组主传动系统的健康状态进行评估是当前急需解决的问题。依托国家自然科学基金项目“基于SCADA数据风电机组主传动系统多工况动力学行为与状态评估”的支撑,针对风力发电机组主传动系统故障率占比较高、运行工况较为复杂且目前的工况划分不充分、主传动系统的状态评估方法缺乏等问题,以主传动系统为研究对象,利用数据采集与监视控制（Supervisory Control and Data Acquisition,SCADA）系统采集的数据,通过挖掘分析SCADA数据状态参数与主传动系统运行状态间的关系,提出了主传动系统运行状态评价指标与量化算法;面向机组服役环境下的复杂工况,构建了风电机组主传动系统状态识别模型,在不同工况下对风电机组主传动系统在线运行状态进行评估,实现风电机组安全可靠运行。具体研究如下:（1）阐述了全球风电行业的发展现状,以及风电机组状态评估和工况划分的研究现状;针对风力发电机组主传动系统故障率占比较高、运行工况较为复杂且目前的工况划分不充分、主传动系统的状态评估方法缺乏等问题,提出首先采用聚类算法对运行工况进行细分,然后建立主传动系统状态评价参数预测模型,最后运用模糊综合评价算法对主传动系统的运行健康状态进行评估的总体研究思路。（2）介绍了风电机组主传动系统的结构、机组的SCADA系统以及监测参数;对于SCADA数据中异常值、缺失值进行了处理,并进行归一化处理消除量纲的影响;使用相关性分析方法——最大信息系数（Maximal Information Coefficient,MIC）选取了主传动系统的特征参数,为之后多工况划分以及状态评估做数据准备。（3）针对风力发电机组主传动系统运行工况较为复杂且目前的工况划分方法不充分的问题,提出了一种基于风电机组运行特性和K-Means聚类算法的主传动系统工况划分方法。传统的工况划分方法是根据风电机组运行特性,将运行工况划分为4个阶段:启动阶段、最大风能追踪阶段、恒转速阶段和恒功率阶段,但划分后的最大风能追踪阶段数据占比较大且其有功功率、转速也跟随着风速不断变化,工况较为复杂,本文运用无监督K-Means聚类算法对最大风能追踪阶段再次进行细分,完成主传动系统运行工况的划分,解决了传统工况划分方法导致的工况划分不均、工况分布特征不明的问题。（4）随着服役时间的增长,风电机组主传动系统性能逐渐劣化,使用固定阈值对其状态进行评价会造成评估结果与实际运行状态存在差异,针对该问题,提出了一种基于SDAE-BiLSTM的风电机组主传动系统状态评价参数预测模型。堆叠降噪自编码器（Stacked Denoising Auto Encoders,SDAE）提取SCADA数据中的隐含特征,实现对数据特征的压缩降维;将降维后的数据作为双向长短时记忆网络（Bi-directional Long Short-Term Memory,BiLSTM）模型的输入,实现主传动系统状态指标参数的预测。最终预测结果分别与不划分工况以及RNN、LSTM、BiLSTM、PCA-BiLSTM方法的预测结果对比,验证了工况划分后SDAEBiLSTM模型在处理SCADA数据时预测效果更优。（5）为了综合考虑状态评价参数对于最终评价结果的影响,对主传动系统的健康状态做出等级划分,采用模糊评价的方法对主传动系统健康状态进行分级评估。通过使用模糊综合评价算法,以SDAE-BiLSTM模型预测的齿轮箱高速轴轴承温度、有功功率和发电机转速的残差作为模糊综合评价的指标,建立主传动系统健康状态评估模型。实例验证得出,该方法可以提前检测出主传动系统健康状态的衰退趋势,实现主传动系统故障的早期预警。