随着风电产业在全世界范围内的迅速增长,风力发电越来越渗透入电力系统当中。对风电机组运行状态的准确预测及故障预警能够有效提升风电机组运行的稳定性。目前,风电机组大多配备了数据采集与监视控制系统(SCADA,Supervisory Control and Data Acquisition)系统,其能够采集并记录机组全方位的运行状态信息,为机组运行状态评估提供了可靠的大数据来源,如何有效分析这些数据,开展机组故障的预警,是风电场稳定运行研究的热点。为对风电机组运行状态进行故障预警,本文利用历史和实时SCADA系统数据、风电场运维数据、气象数据作为测试数据和风电场地理信息系统(Geographic Information System,GIS)数据等信息作为样本,开展风电机组的电量分析、全场功率预测、风机叶片结冰预测、风电机组机械状态预测、单机功率曲线对标预测以及风机机舱风速预测准确性修正等六个方面的研究。首先对根据一定规则对上述数据进行清洗;其次利用SCADA数据并结合广义线性回归(GLM)算法构建线性模型对各风电机组的电量进行分析;基于ARIMA算法构建全场功率预测模型,利用历史风速、风向、温度、功率、偏航数据用于模型的训练,利用当前响应数据进行模型的预测;利用历史运维数据、振动信号、风速、功率、角度等参数,结合Pearson相关系数分析风机叶片结冰的影响因素,基于决策树算法对叶片结冰的概率进行预测;挖掘振动信号、温度、风机转速等参数,利用ARMA算法或BP神经网络建立风电机组机械状态预测模型;利用SCADA相关数据、天线数据等参数,基于ARIMA算法建立预测模型,利用预测风速和当前天气因素对单机功率的预测结果进行修正;挖掘期限数据、GIS数据、SCADA数据等参数,建立基于K-means的进行性风机群聚类算法,使用GLM算法构建模型,开展风速预测修正。本文研究结果在大唐新能源风电大数据物联网智能分析平台上进行应用。以扎鲁特东山风电场数据对预警方法进行验证,结果表明本文提出的方法有效的实现了电量分析、风机叶片结冰预测的风电机组机械状态的预测。