随着海上风电的大规模发展,海上风电机组的状态预测引起广泛关注,不同于陆上风电机组高可用率,海上风电场因其高盐雾高湿度的特殊运行环境,有着故障率高、可及性差等特点,维护困难且维护成本远高于陆上风电机组,如果能在故障早期阶段实现故障预警将大大降低海上风电机组的运维成本。因此精准、及时的状态预测有利于减少机组状态恶化可能导致的重大损失。现有的研究方法往往忽略了海上风电机组不同部件故障相关性与SCADA数据多状态信息之间的耦合。大多数的研究都是针对单个故障或单个部件进行故障预测或诊断。另一方面,与陆上风电相比,目前海上风电的故障标记数据相对较少。一些故障发生概率低,数据特别稀缺,无法满足基于深度学习的故障诊断方法的数据量需求。为了解决这些问题,本文首先针对海上风电机组的高维特征SCADA（Supervisory Control And Data Acquisition）数据图形化处理并作为整体输入神经网络,通过相关性分析消除冗余维,保留多个故障耦合特征,以简化RBF（Radial Basis Function）神经网络结构,加速神经网络收敛,提升训练速度,充分反映海上风电机组不同部件故障的相关性与SCADA数据多状态信息之间的耦合性。其次,建立了基于径向基函数（RBF）神经网络的状态预测模型,解决了风电机组多部件故障预测问题;RBF网络可以很好的逼近非线性函数,具有良好的泛化能力和快速的学习收敛速度。RBF神经网络是一种三层神经网络,包括输入层、隐层和输出层。从输入空间到隐含层空间的变换是非线性的,从隐含层空间到输出层空间的变换是线性的。在运行过程中,海上风电机组大部分部件的健康状态是渐变的,即在健康和故障状态之间还存在连续演变的亚健康状态,但在上述演变过程中是存在故障典型特征的,RBF神经网络可以从多维数据中学习故障特征并对故障标签进行拟合,从而在SCADA告警前的亚健康状态提前预警故障。风电部件的劣化过程复杂且具有非线性耦合特性,RBF网络能够逼近任意非线性函数,风机在劣化过程中SCADA数据存在难以直接识别的规律性,RBF神经网络可以学习这种规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、图像处理。本文SCADA数据经图形化处理后,肉眼无法直接辨识故障,但可RBF神经网络识别后,实现图形数据故障识别。此外,针对部分故障类型标签样本数据稀少致使的故障辨识失效问题,采用双层生成器、双判别器的Cycle GAN（Cycle Generative Adversarial Networks）来丰富故障标签样本。在实际运行中,各类故障的发生频率不同,很难实现风电机组各类故障的一一匹配,这使得GAN难以直接适用。Cycle GAN可以在不匹配的情况下实现两个图像集的训练,这对于学习SCADA数据是非常有益的。本文采用了基于Cycle-GAN的故障数据生成方法,并将其与RBF神经网络相结合,以解决风机的故障数据缺乏问题。加入Cycle-GAN后可有效识别故障种类,有效改善了由于海上风电场故障数据不足导致的误判问题,提升了模型的精度。针对国内某海上风电场的算例结果显示,对于故障样本较为丰富的变频器故障和偏航系统故障,本文所提方法相比于SCADA系统故障报警时间大幅提前,并准确判别出故障类型。对于故障数据较少的齿轮箱故障,所提方法无法直接判别故障类型,加入Cycle GAN算法扩充的数据后有效解决了该问题。本文所提方法可有效提前预知故障的发生,同时可以有效辨识故障类型,有利于风电场提前处理故障并合理安排运维检修计划,避免重大损失。