随着风电机组体积的不断增大,结构越来越复杂,安装地点越来越偏远等各方面因素,风电机组所面临的环境更加恶劣,尤其是海上风电机组,这将导致风电机组的故障率不断升高,因此,工作人员不得不定期进行维护、检修等,造成风电机组停机时间的大大增加,同时相应的运行维护成本也大大增加。另外,如果风电机组的故障不能被及时发现并解决,将对其产生更大的损伤,产生不必要的事故。因此,对风电机组的故障进行早期的预测是十分必要的。残差中往往蕴含着系统的故障信息,因此残差的生成是故障诊断过程中的重要一环。然而,风机运行过程中面临着各种不确定性和噪声干扰等因素,将对残差的生成造成一定的影响。此外,风电机组工况的切换,也会使不同工况下的残差具有不同的统计特征,影响残差评价的准确性,最终导致故障诊断过程中误报和漏报的现象频频发生。针对以上问题,本文提出一种基于子空间辨识与K-L(Kullback-Leibler)散度分析的风电机组故障诊断方法。首先,针对各种不确定性和噪声干扰等问题,采用基于子空间辨识的残差生成方法,通过引入鲁棒性指标,使生成的残差对各种不确定性和噪声等因素鲁棒,对故障敏感。然后,为了避免风电机组工况切换对生成的残差产生影响,根据风电机组的控制策略对运行工况进行了划分,以得到不同工况下的残差数据,以便下一步对残差进行有效的评价。最后,为了进一步降低故障诊断的误报率和漏报率,采用基于K-L散度分析的残差评价方法,分析残差概率密度函数的差异度,并运用梯度下降算法优化阈值,通过K-L散度值与阈值的比较,实现对风电机组的故障诊断。本文将提出的方法应用于美国国家可再生能源实验室(National Renewable Energy Laboratory,NREL)的5MW海上风机基准模型中,分别对3组不同平均风速下模拟产生的10种传感器和执行器故障进行诊断,并与其他方法进行对比,统计结果表明该方法准确率均能达到90%以上,相对其他方法诊断效果较好。