风能作为一种新型能源正逐渐受到广泛关注,推动了风力发电技术的快速发展,随之产生的风机设备检修问题制约着风力发电的产能效率。风电运维工作对于风能的高效产出具有关键性作用,涉及到工作票的填写、人员变更、流程延期等多种操作,造成风电运维流程日益复杂,降低了人员运维效率,风机设备也无法得到及时维护。当前,风电业务流程复杂度较高,业务流程变更信息众多,并且因流程周期较长导致运维事件日志数量有限,致使现有的剩余时间预测模型容易出现模型过拟合、泛化能力弱等问题。因此,业务流程的剩余时间预测效果存在一定的提升空间。针对当前已有剩余时间预测模型的不足及事件日志样本数量有限的问题,本文改进了剩余时间预测方法,并提出了一种针对剩余时间预测模型的推荐方法,适用于不同场景下特定事件日志的预测模型推荐。主要内容研究如下:（1）针对风电业务流程复杂,流程反复变更,产生的流程轨迹长造成现有事件日志数量较少的问题,提出一种基于元学习和时间卷积网络的剩余时间预测模型。首先,获取不同长度的流程轨迹前缀数据,利用时间卷积网络建立预测模型。然后,考虑到事件日志样本数量较少的问题,在时间卷积网络的基础上,加入元学习技术,为小样本数据的训练任务提供较好的初始超参数,提升本文所提模型的预测精度。（2）针对特定的业务场景中剩余时间预测模型的选择耗时,且易受人的主观决策影响的问题,本文提出一种剩余时间预测模型的推荐方法。采用元学习策略（元特征提取、元目标模型选择、元数据库构建、推荐模型构建以及剩余时间预测模型推荐）实现剩余时间预测模型的推荐方法。通过设计对比实验,证明了方法的有效性。（3）通过构建风电运维流程数据集,建立风电业务流程管理与预测原型系统,将风电运维开票流程通过业务流程建模语言进行可视化展示,并利用未完成工作票流程的剩余时间预测结果进行超时判断,并将超时时间进行展示,实现流程的超时告警。