随着清洁能源在全世界发展日益迅速,风力发电产业也获得飞速发展的机会,风电场的规模也变得越来越大,风机装机数量直线上升,一些风机装机时间较早,故障出现的次数也会增多,发电效率也会下降。风机上的监控与数据采集系统会在风机运行时产生大量数据,其中包含了风机运行的大量信息,如何充分挖掘和运用这些SCADA系统记录的有价值的数据,减少风机故障率、提高风电机组运行的可靠性具有重要的现实意义和应用价值。本文首先以某风电场14号风机齿轮箱为研究对象,使用多变量长短时记忆网络(LongShortTermMemorynetworks,LSTM)建立了齿轮箱运行状态监测模型:使用最大互信息系数(MaximalInformationCoefficient,MIC)求出相关性高的参数作为模型输入;通过对比实验确定模型的输出;基于LSTM网络构建齿轮箱油温预测模型;通过求取齿轮箱油温的实际值与预测值的残差,并通过残差序列结合指数加权移动平均窗口(ExponentiallyWeightedMoving-Average,EWMA)与核密度估计建立齿轮箱状态监测模型。通过案例分析表明,本文所提出的方法预警效果优于常规方法,可以进一步提前齿轮箱故障预警时间。针对某风电场运行风机故障频发而常规故障诊断模型误诊率较高的问题,本文通过采集该风场运行风机SCADA数据,基于ReliefF算法、主成分分析(PrincipalComponentAnalysis,PCA)算法和深度神经网络(DeepNeuralNetworks,DNN)网络模型构建了一种新的运行风机故障诊断模型:首先,利用ReliefF方法进行故障特征的选择和数据降维;其次,采用PCA算法进一步降低数据的维数,主要用于减少数据之间的冗余,提高故障诊断的准确性。接着,使用DNN深度学习网络构建了运行风机多故障诊断模型。通过实验分析结果表明:无论是在数据降维方面还是故障诊断方面,本文提出的ReliefF-PCA-DNN故障诊断模型均优于常规模型,数据维度降低到3维的同时,对于8种相似故障的诊断精度达到了96.72%。为解决常规风功率曲线法对风机发电性能评估时,因数据删除过多造成发电性能评估不准确的问题,提出了一种基于改进k-means聚类算法与马尔可夫链的风机性能评估新方法,对某风场14号风机与2号风机建立了风机行为模型:首先,使用改进k-means方法对风机输出功率-风速散点图进行工况划分;接着,通过对比实验确定出最佳聚类中心数目,将聚类后的数据使用马尔可夫链建立状态转移矩阵;求出风机异常指数,据此分析引起风电机组发电效率下降的根源。通过实例表明,本文所提出的方法能够对运行风机的发电性能进行有效分析,为风机发电效率的提升提供了重要理论参考。