由于风电机组体积的不断增大,结构越来越复杂,安装地点越来越偏远等因素,风力发电机的状态监测和故障诊断越来越重要。建立基于风力发电机正常运行情况下的参数模型,即风力发电机正常行为模型,是目前大多数状态监测和故障诊断中最重要的环节。因此建立准确的风力发电机正常行为模型对于风力发电机状态监测具有重要意义。目前,大多数风力发电机的正常行为模型是对风力发电机的全局模型,没有考虑到风力发电机的不同运行工况。为了考虑运行工况的变化对风力发电机的影响,采用聚类算法将运行数据划分到不同的子空间中。运用具有多任务学习（Multi-Task Learning,MTL）框架的深度神经网络（Deep Neural Network,DNN）构建了以运行工况子空间为任务的多任务深度神经网络。具体的研究内容如下:（1）通过对风力发电机的工作原理和控制策略的分析,说明了风力发电机运行工况受多种参数影响。同时对监控与数据采集（Supervisory Control And Data Acquisition,SCADA）系统采集的数据信息存在参数过多的问题,采用Pearson相关系数、Kendall秩相关系数、Spearman等级相关系数,三种相关系数对风力发电机实时运行数据进行筛选。挖掘风力发电机参数与环境参数之间的关系,确定模型的输入输出。（2）考虑到风力发电机是一个复杂的非线性系统,将经过筛选后的多个参数用于风力发电机的工况划分。选用仅基于风力发电机运行数据确定风力发电机工况的方法,找到类内紧致、类间分离的簇。通过聚类有效性函数Calinski-Harabasz确定最佳聚类数,通过简单计算确定初始值,通过聚类结果分析聚类好坏。（3）为了建立一个风力发电机正常行为模型的全局模型,且考虑风力发电机运行工况的影响,将工况划分结果作为标签,对风力发电机建立了基于深度神经网络的风力发电机正常行为模型,并且从理论方面证明了该模型的稳定性和泛化边界。该模型通过把风力发电机的每一个工况作为一个任务,将多个工况融合在一个多任务学习框架下的深度神经网络模型中。将基于多工况划分的风力发电机正常行为模型与基于单工况的风力发电机正常行为模型和不分工况的风力发电机正常行为模型进行了比较。