由于我国能源结构的调整,风电、水电等非稳定能源应用愈加广泛,随着此类能源的快速发展,发电量增加的同时电网运行的复杂程度也在增加,因此保障电网安全稳定的运行尤为重要。水轮机发电机组具有优异的调峰、调频以及故障备用等功能,充分发挥水轮机组的作用可以有效降低电网的压力,改善电能的质量、缓解电网容易出现的峰谷矛盾等问题,保障并提高电网安全稳定运行的能力。随着水轮机自身结构不断扩大,各个部分的能量转换关系也越来越复杂,运行过程中,机组的某一部分出现故障,极大程度影响整个水轮机组的运行故障,造成巨大的经济损失甚至是更为严重的灾难。因此,保障水轮机组运行过程中的安全、可靠性能,及时为水轮机组进行故障诊断以及状态预测,是当前我国水电站急需解决的重大实际问题。本文提出一种新型水轮机运转状态识别方法,主要通过引入互信息理论深度探究不同参数在水轮机状态分类中的贡献度,并提取压力脉动信号的特征参数融合成特征向量。同时通过果蝇算法(FOA)优化概率神经网络(PNN)中的平滑因子σ,建立基于FOA-PNN的水轮机运转状态分类模型,实现水轮机故障的实时监测。首先,为揭示水轮机的运转状态与能量特征之间的关系,采用小波分析对水轮机尾水管处采集的压力脉动进行频带分布及能量特征研究。研究表明:随水轮机内部空化程度加重,低频段能量占比降低,高频段信号能量上升,且能量突变加剧。因此,通过研究压力脉动信号的频谱分布和能量特点对于判定水轮机的运转故障情况具有参考意义。其次,针对水轮机组结构复杂的特性,应用互信息理论计算工况变量对水轮机压力脉动信号的贡献度,得到单位转速、导叶开度、单位流量及工作水头作为压力脉动信号的主要相关参数,并搭建小波神经网络振动趋势预测模型,直观的展现出压力脉动信号与主要工况参数之间的非线性相关关系,实现了水轮机振动趋势的预测。利用支持向量机(SVM)模型,初步实现水轮机的运转状态预测。最后,为实现水轮机实时状态预测,利用PNN学习简单、训练速度快、强大的分类能力,对水轮机的振动特征向量进行训练,构建PNN网络模型,实现水轮机的运转状态预测;同时,针对PNN网络分类精度受平滑因子σ这唯一参数影响,本文利用FOA优化PNN网络中的平滑因子,构建FOA-PNN网络模型,验证该模型对机组运行状态分类的有效性,并与SVM和PNN网络模型预测准确率进行对比,验证了FOA-PNN模型预测的准确性。