风力发电目前已被广泛应用到实际电力系统中,由于受恶劣环境的影响,风电机组故障频发。其中,不对中故障是传动系统中常发生的一种故障类型并具有一定的潜伏性,严重时会影响发电质量并导致机组内部零件的失效。因此,采用合理有效的预测技术实现设备运行状态的预测并及时进行故障预警,对风电机组安全稳定的运行有着重要的研究意义。本文首先分析了风电机组传动系统的不对中故障机理,之后针对单一预测模型的局限性,提出了基于组合预测模型的不对中故障预测方法。具体内容如下:在风电机组传动系统SolidWorks三维模型和Adams动力仿真模型的基础上,获取了不对中故障的振动信号。在Adams与Matlab/Simulink机电联合仿真模型的基础上,获取了不对中故障的定子电流信号。之后在不对中故障实验台上同时测得振动和定子电流信号。然后提取它们的时域、频域和时频域特征。其中,基于镜像延拓的经验模态分解(Improved Empirical Mode Decomposition,IEMD)提取了振动信号的时频域特征;基于双树复小波变换(Dual-tree Complex Wavelet Transform,DTCWT)提取了定子电流信号的时频域特征。采用单一预测方法分别为改进的多变量灰色预测模型(Improved Multivariate Grey Model,IMGM(1,n))和改进的人工鱼群算法(Improved Artificial Fish Swarm Algorithm,IAFSA)优化的最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),对不对中故障的振动和定子电流信号进行了预测。采用IAFSA优化的LSSVM作为组合预测模型的组合器,将单一预测方法的预测值作为组合器的输入,实际峭度指标作为输出,构建了组合预测模型。经仿真和实验台验证,对于不对中故障的振动和定子电流信号,组合预测模型比单一预测模型具有更高的预测精度。为降低实验台信号中噪声对预测效果的影响,经降噪效果对比,确定了奇异值分解(Singular Value Decomposition,SVD)降噪方法并结合能量标准谱来确定降噪阶次,分别对实验台不对中故障的振动和定子电流信号进行了降噪处理。在提取特征参数后,利用IMGM(1,n)和IAFSA优化的LSSVM分别对故障信号进行预测,将预测值作为组合器的输入,得到SVD降噪后组合预测模型的预测值。经实验台验证,SVD降噪处理提升了组合预测模型的预测精度和稳健性。最后,根据正态分布的3σ原则设置预警线,实现了实验台不对中故障的早期预警。