目前,日益加重的环境污染严重威胁人类的生成和发展,作为可持续的绿色能源,风能在能源中的占比在持续上升。风电机组依靠风电变流器向电网输出频率和幅值稳定的电流。随着风电装机容量逐年上升,变流器故障已成为了影响风电机组的稳定运行的重要因素,其可靠性对风电机组安全稳定运行至关重要。然而变流器故障种类繁多,包括半导体故障,电容故障和传感器故障等,其故障特征空间复杂,特征诊断过程需要快速及时,以利于控制系统的安全切换和保护控制。然而传统方法对特征表达能力有限,很难做到对故障的快速准确诊断。本文以风电变流器开路故障为研究对象,将深度学习模型应用于风电变流器开路故障诊断。论文主要研究工作包括:1)针对风电变流器故障特征时域和频域特征区分度低的问题,从机侧三相电流信号出发,利用小波分析方法有效地提取了故障特征时频域特征,提高故障信息的有效提取。2)在故障特征时频域特征的基础,利用深度信念网络的非线性拟合能力和特征流形的学习能力,对风电变流器故障特征有效表达,提高故障诊断率。结合深度信念网络的结构和参数的对诊断性能的定性分析,通过实验设计,优化了深度信念网络模型。通过实验对比分析,基于小波提取和深度信念网的方法在风电变流器故障诊断取得了更较好的分类结果。3)为简化深度学习在故障诊断的过程,提高诊断过程的效率,引入卷积神经神经网络模型,以风电变流器运行数据直接驱动,将故障特征提取和表达由卷积神经神经网络完成,实现了端对端的故障诊断,避免了人工提取故障特征过程。通过实验设计,优化了卷积神经神经网模型。通过实验对比分析,基于卷积神经神经网络的方法在风电变流器故障诊断取得了更好的分类结果。