随着风力发电系统使用规模的不断扩大,风电企业对风电设备的生产运营及设备管控提出了更高的要求,为了提高风力发电系统故障诊断的快捷性和可靠性,结合数据驱动技术和深度学习算法,对复杂的非线性故障诊断问题有了新的解决方法,在保障维保和技术人员人身安全、减少甚至避免不必要的经济损失中具有重要意义。深度学习本质上是通过输入信号进行处理和加工并作输出的一种机制,随着近年来大数据和云计算相关技术的发展,运用大幅度增加的计算能力解决了训练效率低的问题,并通过扩大训练数据集大大降低了网络过拟合的风险,使复杂的深度学习网络模型比起传统的方法在各领域分类和回归问题中结果明显改善。本文通过学习不同的深度学习算法,提出了一种基于循环神经网络的风力发电系统多故障诊断方法(RNN-MFD方法)。根据实际风速的数据,利用系统建模得到风电系统的正常运行及故障数据共计44万条;建立以风速、转子转速、发电机转速、发电功率等30个特征参数为输入量、以风电系统10种不同类型的故障标签作为输出量的循环神经网络算法的分类预测模型,并通过模型智能学习风电系统样本数据内部形成的特定规则,对模型不断训练、优化并测试,同时,添加高斯干扰矩阵在训练集和测试集中用以检验模型的鲁棒性,准确率和损失值结果验证了算法的可行性;最后,通过精确率、召回率、漏检率和F1-Measure等深度学习中认可度较高的4种评价标准与深度置信网络等其他5种相关算法对比,结果表明,该算法模型对风力发电系统的故障诊断多分类问题可以高效解决。