中国风电行业快速发展,累积装机容量逐年提升,但风电机组工作环境恶劣,据统计风场运营收入的20%被用于风电机组的运维,如此高昂的运维成本严重限制了风电行业的发展。为了提高风电机组运行的可靠性,减少由机械、电气等故障引发的机组故障,优化机组的运维策略,需要对风电机组进行在线状态监测,进而在机组故障的早期进行异常预警,减少机组故障带来的损失。为了提高双馈式风电机组中发电机系统的运行可靠性,本文采用了深度学习的方法对双馈式风电机组发电机系统进行了状态监测方法的研究。首先回顾了在线状态监测技术的发展现状,并对其延伸技术之一的剩余寿命预测技术进行了简要介绍。随后收集了某台双馈式风电机组上数据采集与监控(SCADA)系统16个月的数据以及状态监测系统(CMS)的实验数据,并对数据进行了清洗和特征提取的工作。利用马氏距离计算SCADA数据特征之间的距离,通过Johnson变换构建代表风电机组正常状态的马氏空间,进而对风电机组的发电机系统进行在线状态监测;将稀疏自编码器和神经网络进行了融合,使其能从高维数据中提取出关键信息进而更精准地预测风电机组的有功功率,通过预测功率与真实功率之间的残差分析实现对风电机组的发电机系统的状态监测;利用生成对抗网络模型中的生成器获得一组与SCADA数据相同维度的生成数据,与真实的SCADA数据一起用于用以训练和优化生成对抗网络模型,进而得到能够区分风电机组发电机系统正常状态的判别器模型;针对风电机组发电机系统中被发现的异常部位,利用勒贝格采样和长短期记忆网络对其剩余使用寿命进行预测。本文分别讨论了马氏距离、稀疏自编码神经网络、生成对抗网络在双馈式风电机组发电机系统状态监测上的应用。结果表明,三种方法都能发现机组的早期异常;马氏距离的方法应用简单快捷、无需建模,可根据风电机组短期内状态随时调整,但在计算过程中需要对特征数据的协方差矩阵求逆,停机数据、特征量过多等都可能引起矩阵不满秩而无法求逆的情况,因此该方法适用于少量特征的短期内的监控;稀疏自编码神经网络的方法对数据存在标签的需求,需要人为对标签进行整理和匹配,同时模型相对敏感,容易受到噪声干扰,因此适用于对机组正常运行状态存在严格要求的特殊时期;生成对抗网络的方法则无需人为对数据添加标签,虽然对异常数据的感知能力不如稀疏自编码神经网络等方法,但在稳定性方面有良好的表现,适用于日常运行时期。