近年来,由于环境污染、世界能源短缺等问题,风力发电作为一种无污染、可再生的能源,逐渐成为世界各国都竞相发展的热门行业。我国制定了很多有利的政策及措施,鼓励风电行业的发展。因此,该行业呈现跨越式发展,风电的装机容量逐渐增加,已经走进世界前列。然而,由于风电机组长期运行、设备结构复杂和所处位置环境恶劣,导致风电机组各部件可能容易出现损伤,其故障率居高不下,从而产生高昂的维护费用。因此,为了风电机组能够长期安全稳定运行、降低故障率并减少维护费用,本文开展了风电机组异常数据清洗、状态参数预测、状态识别和状态评估研究,为风电场制定合理的运维策略提供基础。首先,提出了风电机组异常数据识别与清洗方法。通过对风电机组数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）监测的数据进行可视化分析,初步确定异常数据的规律并建立规则,结合密度的噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）方法构建异常检测模型来识别与清洗异常数据。其次,提出了基于随机森林（Random Forest,RF）和长短时记忆（Long Short Term Memory,LSTM）网络的风电机组状态参数预测方法。利用RF分析了风电机组各状态参数对于预测目标参数的重要性,建立LSTM网络预测模型,实现对风电机组状态参数的预测。再次,提出了基于改进深度置信网络（Deep Belief Networks,DBN）的风电机组齿轮箱运行状态识别方法。对齿轮箱状态参数数据进行特征提取,并构建状态指标实现数据标签化,通过极限学习机（Extreme Learning Machine,ELM）模型识别风电机组齿轮箱的状态。最后,提出了基于工况辨识模型的风电机组运行状态评估方法。基于风电机组历史工况特征参数建立工况辨识模型,跟踪风电机组的运行工况情况。利用高斯混合模型（Gaussian Mixture Model,GMM）建立健康基准模型,计算风电机组状态特征参数与健康基准模型之间的马氏距离,根据其距离值构建健康指数（Health Indicators,HI）,结合设置的报警阈值来对风电机组的运行状态进行评估。上述工作是对风电机组状态参数预测与运行状态评估方法研究的积极探索,研究成果为进一步准确地评估风电机组运行状态和确定故障早期预警时间提供了参考,对风电场提高运维安全水平具有重要的工程应用价值。