风能作为一种清洁的可再生能源,以其技术程度、基础设施建设以及成本方面的优势日益受到重视。但是风力的波动性、间歇性、能量密度低的特点也导致了风电功率的波动性,这容易对风电机组的稳定运行以及电网并网产生巨大的冲击,因此对风电机组的健康状况评价具有十分重要的意义。本文对基于SCADA运行数据的风电机组健康状况评价进行研究,针对核模型和神经网络模型两个不同的研究方向,分别选取基于区间聚类的支持向量回归(SVR)模型和基于长短期记忆网络(LSTM)的循环神经网络模型两个建模方法。SVR是一种利用支持向量机来拟合曲线并做回归分析的核学习算法,本文针对风电机组的数据和SVR的特性,提出区间聚类思想:将机组运行数据按照风速划分区间,并用聚类的方法找到每个区间的中心点作为SVR模型的训练数据。其中区间长度和中心点个数用粒子群算法寻找最优解,避免由区间聚类引起的数据丢失和精度下降。循环神经网络可以按照时序来处理任意长度的信息,LSTM可以选择性遗忘和记忆历史数据,本文结合两者特点建立基于LSTM的循环神经网络模型,经实例验证采用这种方式的风电机组模型准确度与传统神经网络相比更高。针对核模型和神经网络模型,本文提出了预测劣化度指标,并结合同一风电场的SCADA数据对机组进行健康状态评价。经验证,基于区间聚类的SVR模型精确度更高;基于LSTM的循环神经网络模型适应性更广。