风能是一种可持续且绿色环保的新型能源,随着全球能源匮乏和环境污染的日趋严重,风力发电技术成为能源领域的研究热点。在风力发电过程中叶片是风力机获得风能的主要部件,叶片的气动特性和结构性能影响着风力机的运行状况。然而当风力机在寒冷气候中运行时,易出现叶片大量结冰的状况,其会破坏叶片的气动特性和结构性能,导致发电量下降,降低机组使用寿命。除此之外,因叶片严重结冰造成的维修或停机都会给风电场的运营带来巨大损失,甚至叶片上脱落的大冰块会对周围环境及人员产生威胁与危害。由于传感器的大量分布,风力机在运行过程中由外部环境或内部硬件引起的性能变化都会在运行数据中体现,因此利用风电场中大量数据进行统计与分析可以对风机叶片结冰情况进行诊断。针对大型水平轴风力机在寒冷气候中叶片结冰问题,本文基于风电场SCADA（Supervisory Control And Data Acquisition）中的运行数据、风力机领域相关知识和数据分析相关知识,研究风力机叶片结冰诊断模型,为相关工程应用提供理论依据。本文的研究内容主要包括:首先由于数据集中叶片结冰数据和正常数据比例严重不平衡,本文采用SMOTE结合Edited Nearest Neighbours采样的方法解决数据不平衡问题;然后采用卡方检验对SCADA中的运行数据进行特征筛选,筛选出能体现叶片结冰的特征,解决数据量大且冗余数据多的问题;然后采用风力机领域相关知识对筛选出的特征进行降维,并提出Pearson相关系数结合PCA（Principal components analysis）的特征降维方法,实现特征降维;然后对机器学习中的多个单一分类器进行对比分析,筛选出CART（分类和回归树）、RF（随机森林）和MLP（多层感知器）三个单一分类器构建Stacking模型,并对单一分类器和组合模型的分类结果进行对比分析;最后利用风机叶片结冰预测大赛的竞赛数据集和云南省某风电场的实际工程数据对模型进行性能指标测试,结果表明了本文提出的Pearson相关系数结合PCA的特征降维方法的有效性,同时表明了本文构建的Stacking模型较之于单一分类器可以提高叶片结冰诊断的准确度。