转子绕组的匝间短路故障是较多发于风电机的一种电气故障,虽故障初期对风电系统的影响较小,但若未进行或未及时维修,则会使得故障进一步发展恶化,从而影响系统的稳定运行。因此,对风力发电机的转子绕组故障开展预测研究,实现从传统的“事后维修”到“视情维修”的转变,对整个风电场的有效运行与维护具有极为深远的意义。文中首先对当前风电机组故障预测方法进行了总结、比较和分析,以选取适宜的预测方法对风电机的转子绕组匝间短路故障进行预测。综合考虑风电机所处环境的复杂性及多变性,相较于其他的预测方法,基于灰色理论的预测方法具有更好的适用性,其对数据要求低、模型效率高且能够处理非平稳时间序列,故而选择GM(1,1)作为转子绕组的故障预测方法。其次,对风电机转子故障时的特征提取方法进行了阐述及比较,选取加Rife Vincent(I)-5窗的FFT作为故障预测的特征提取方法。再者,针对目前大部分对风电机绕组故障的研究未考虑到控制系统的作用,文中在Matlab/Simulink平台下搭建了包含双馈风电机转子绕组匝间短路故障模块的整个风电系统仿真模型。最后,通过引入ELM神经网络算法改进GM(1,1)预测存在的不足,提出了基于灰色ELM的转子故障预测模型,以提高灰色模型的预测精度。经实验仿真表明,经组合后的灰色ELM预测模型与灰色GM(1,1)、ELM网络和灰色神经网络(GNN)等预测模型比较,其对风电机的转子故障有更好的预测效果和性能,可为实现风电机组的预知性维修、提高运行效率和减少维修成本提供一定的借鉴作用。