随着我国风电产业的快速发展,开展风电机组的智能故障诊断研究对提高风电机组的可靠性与经济性具有十分重要的意义。针对风电机组叶片结冰故障与齿形带断裂故障难以建立精确数学模型的问题,开展了基于SCADA数据的风电机组智能故障诊断算法的研究。主要研究工作如下:(1)针对原始SCADA数据特征直接用于分类算法训练无法获得理想预测结果的问题,提出特征预处理方法。该方法首先基于部分领域知识与统计知识进行特征构造,其次基于互信息算法完成了特征的有效提取。研究结果表明,特征预处理方法有效提高了故障诊断模型的性能。(2)针对SCADA数据类别不平衡容易引起分类算法预测性能下降的问题,引入了SMOTE过采样算法。该算法根据正常样本与故障样本之间的比例采用线性插值的方法实现了正常样本与故障样本在数量上的平衡。研究结果表明,SMOTE过采样算法有效提高了故障诊断模型的性能。(3)针对叶片结冰故障难以建立精确数学模型的问题,提出了基于SCADA数据的智能故障诊断方法。该方法采用传统机器学习算法与集成学习算法建立了6个叶片结冰故障诊断模型。研究结果表明,XGBoost模型、AdaBoost模型与逻辑回归(LR)模型具有良好的诊断性能与泛化性能,该方法能够实现叶片结冰故障的有效诊断。(4)针对齿形带断裂故障难以建立精确数学模型的问题,提出了基于SCADA数据的智能故障诊断方法。该方法采用传统机器学习算法与集成学习算法建立了6个齿形带断裂故障诊断模型。研究结果表明,SVM模型、AdaBoost模型与XGBoost模型具有良好的诊断性能与泛化性能,该方法能够实现齿形带断裂故障的有效诊断。该论文的研究成果可以为风电机组的智能化故障诊断提供一定的参考。