近年来,随着风电机组装机容量的不断增加,风电机组的安全可靠性运行显得尤为重要。风电机组异常状态辨识与缺陷预警是其安全可靠性运行的两个主要内容,本文围绕这两个内容进行方法性研究,以此对风电机组使用中的安全性能进行提升以及经济新性能增加都有着非常重大的意义。首先,基于SCADA系统对状态参数进行分类处理,通过Pearson相关系数对状态参数进行互相关性分析,对同一状态参数进行自相关性分析,分别选取相关性强的数据及相关性显著的时长,相关性分析所得的结论为风电机组的异常状态辨识和缺陷预警提供依据。其次,为风电机组的异常状态辨识搭建模型。从优化预测模型的角度出发,先用单一预测模型进行预测,然后结合预测误差平方和最小的线性组合模型来构建组合预测模型;通过误差精度分析验证了组合预测模型的优越性,以此模型搭建风电机组的异常状态辨识模型;对残差值进行正态分布分析,设定风机异常状态的阈值,可用于风电机组的异常状态辨识。最后,对风电机组缺陷预警进行研究。当样本数量不够多时,基于统计学的残差阈值方法存在较大误差的特点,从状态转移的角度出发,采用隐马尔科夫模型搭建风电机组缺陷预警模型。首先分析风电机组在状态转变过程中存在马尔科夫过程,基于隐马尔科夫模型搭建风电机组缺陷预警模型,比较各风机各时段HMM模型下的概率值P值的大小,最大值出现的时间段对应状态转变的时间段;最后通过实例仿真验证了模型的有效性。