由于我国大力发展新能源,对新能源的研究也开始越来越多。风力发电技术是最近兴起的一种新能源,通过利用清洁能源实现电能的转换,随着风电发展越来越迅速,风电场与电网的联系也变得越来越紧密。风电并网后会引起齿轮箱经常出现故障、投入和运行成本大幅上升等主要问题。人工智能技术是一种采用类似人的智能思维分析研究问题的一门学科,是目前广泛采用的一种智能研究技术。将这种技术应用在风电场并网中,可以处理一些抽象的、非线性的结构化信息,如风电场齿轮箱的故障诊断问题以及故障诊断中涉及的参数调优问题。本文在分析双馈风机并网的同时利用小波包和模糊神经网络对风力发电机组齿轮箱的故障进行了一个初步的分析,然后利用改进粒子群优化模糊C均值聚类算法对风力发电机组群进行故障机组的很好分类,最后针对模糊神经网络的不足,提出基于改进粒子群优化的模糊核聚类算法对风力发电机组齿轮箱的故障进行更加准确的诊断分类。首先对双馈风力发电机组的基本原理和组成结构进行了介绍,并对风力发电机组中常见的故障类型进行简单分析和介绍人工智能技术应用在风力发电机组的故障诊断中。重点对风电场并网后运行中的故障以及高发生率的齿轮箱故障进行了简单的介绍以及主要的分析,利用小波包对齿轮箱特征信号进行提取,结合模糊神经网络对风力发电机组齿轮箱的故障振动信号进行了初步的分析。由于风力发电机组的并网规模越来越大会产生诸如传统检修方案工作量大、效率低下等问题,本文通过采用改进粒子群优化模糊C均值聚类算法对大规模风力发电机组中的故障机组进行准确分类,检查出故障机组,弥补了采用小波包对特征信号先进行提取的缺点,大大减小了风力发电机组工作人员的工作量,提高了检修的效率。模糊神经网络应用到风力发电机组故障诊断中时现有故障诊断方案不能准确判断故障的位置和类型,因此,存在一定的缺陷。所以,本文最后提出采用改进粒子群优化模糊核聚类算法对风力发电机组齿轮箱的故障进行诊断。通过采集实际风力发电机组齿轮箱特征振动信号,对机组进行故障分类,这种风力发电机组齿轮箱故障诊断方法不仅可以准确快速的判断出已知故障,而且在发生未知故障的情况下也可以很好的将故障进行诊断分类。