随着风电行业的快速发展以及风电机组的广泛安装,确保风电机组安全稳定运行已成为风电行业发展的基本要求。叶片作为风电机组功率输出的核心部件,因其复杂的机械结构且运行在恶劣的自然环境中,会导致风机出现故障率高且维修时间长的问题。因此,开展风机叶片开裂故障预警技术研究,对促进电力系统安全稳定运行、降低运维成本、优化运维策略具有显著的应用价值。风电机组数据采集与监测控制系统（Supervisory Control and Data Acquisition,SCADA）提供的运行数据含有大量异常数据并且多状态数据之间存在耦合性,对风机叶片开裂故障预警精度影响严重。因此,如何有效地利用运行数据实现风机叶片开裂故障预警研究是所有风电研究者所要解决的难题。针对上述问题,本文着重研究了风机运行数据预处理、多状态数据特征提取、叶片开裂故障检测与预警这三个方面,主要内容如下:针对风机运行数据中存在大量异常值的问题,首先分析异常值产生原因及分布特征,然后提出了一种基于规则、多项式拟合以及具有噪声的密度聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）的多模型融合方法识别风机运行数据中的异常值,最后提出了一种基于反向传播神经网络与最小二乘支持向量机的组合预测模型修正识别出的异常值。实例分析表明,多模型融合的方法比单一模型更准确地识别出系统中的异常数据,并适用于不同的风电场,具有良好的自适应性;对比各单一预测模型,基于组合预测模型的异常数据修正方法可有效提高修正精度。针对风机运行数据中存在大量与故障无关的特征这一问题,首先提出综合相关性指标分析各状态数据之间的相关性,然后在学习风机多状态数据互相关性的基础上建立堆栈自编码器模型对多状态数据进行降维,最后以交叉熵为标准进一步提取相关特征,为后续风机叶片开裂预警研究提供更充足的数据支撑。实例分析表明,风电机组相同部件的状态数据间相关性明显,不同部件间状态数据同样具有相关性;与主成分分析法和独立成分分析法相比,使用堆栈自编码器模型进行特征提取后对风电机组叶片开裂故障检测的准确率最高,从而表明本文所提堆栈自编码器特征提取模型能有效提高数据的特征质量。针对风机复杂工况下故障检测较难的问题,提出了一种基于改进随机森林的风机叶片开裂故障预警方法。为了避免随机森林特征子空间选取的弊端,提出了一种基于交叉熵堆栈自编码器的随机森林（Cross Entropy Stack Autoencoder Random Forests,CESAE-RF）方法对风机叶片开裂故障进行检测;为了提高风机叶片开裂故障预警的准确性,从而提出了包含滑动窗口内故障占比阈值的预警流程。实例分析表明,与基于支持向量机和K邻近的分类模型相比,基于CESAE-RF风机叶片故障开裂检测模型精度较高,模型平均得分高出12%左右;设定滑动窗口内故障占比阈值,能够更加准确地对风机叶片开裂进行预警。