随着煤、石油等传统化石燃料存储量的逐年锐减,新能源的开发和使用已经成为能源发展的新趋势。然而,风电机组内部结构复杂,且工作环境恶劣,随着机组总装机容量的不断增加和运行时间的不断增长,风电机组故障率持续上涨,同时运维成本不断增加。因此,对风电机组进行故障诊断和预测尤为重要。本文针对风电机组故障诊断与预测方法进行了研究,主要研究内容如下:首先,介绍风电机组的基本构成和工作原理,以河北某风场为例,对风电机组各部件故障情况进行统计,把故障频率最高的变桨系统和故障停机时间最长的发电机作为重点关注对象,对风电机组典型故障及其原因进行具体分析,根据故障发生频次,本文研究风电机组的变桨3°位置传感器故障、变桨三个桨叶位置不同步故障、发电机轴承b温度超限故障。其次,基于SCADA数据提出数据预处理方法和故障特征选择算法,所提故障特征选择算法分为两个阶段:第一阶段基于专家经验,人为挑选与故障相关的参数形成候选特征集;第二阶段基于数据挖掘算法,结合后向搜索策略对候选特征集进一步筛选。运用故障特征选择算法,对选定的三种故障进行特征选择,为后续风电机组故障诊断和预测研究提供基础。再次,针对传统机器学习算法在故障诊断领域存在的处理样本有限、学习能力不足的缺点,本文提出基于深度森林算法的风电机组故障诊断算法,并对算法进行改进。基于风机实际运行的SCADA数据,在故障特征选择的基础上,采用故障诊断算法,对选定的三种故障进行诊断,并与传统机器学习算法进行对比,通过准确率、AUC等指标验证所提故障诊断算法的有效性和优越性。最后,基于改进深度森林算法,建立风电机组故障预测模型,得到预测输出值与实际监测值之间的残差均值曲线,当残差均值超出设定阈值时进行故障预警。运用故障预测算法对选定的三种故障进行模型验证,同时与传统BP神经网络和支持向量机回归算法进行比较,通过均方根误差、决定系数等指标验证所提故障预测算法的准确性和有效性。