化石能源紧缺,风资源丰富是我国目前的能源现状。风能作为一种清洁、无污染、可再生的能源,对环境保护非常有利。近年来,在国家保护环境、节约资源的政策驱动下,风电装机容量增长迅猛,风电行业正在向规模化、大型化发展。与此同时,风电产业发展的同时也面临机组频繁故障的问题,如何提高风电机组性能降低运维成本是目前亟待解决的问题。风电机组运行状态在线监测和智能预警技术的研究成为一个新的课题。本文以1.5MW双馈风电机组为研究对象,对机组的能效问题进行分析。本文从损失与效率的角度研究其对机组能效状态的影响,考虑到系统各部件的损失主要体现在热量的散失,因此以温度参数来建立能效指标体系。通过粗糙集理论对SCADA系统若干温度参数进行约简,筛掉冗余参数,留下最能反映机组能效状态的指标并建立能效状态指标体系。在已建立的能效状态指标体系的基础上,计算指标的基准值,并建立指标偏离度矩阵,用于异常检测。本文选择支持向量机(SVM)的方法来实现能效状态异常检测,并通过粒子群优化(PSO)算法对惩罚因子c与核参数g进行寻优,确定最佳(c,g)组合,并以实验证明此模型的识别率为92.5%,高于基于遗传算法(GA)寻优模型的识别率82.7%。结果表明本文所提出的PSO-SVM模型能应用于风电机组能效状态异常检测。为了对机组的能效状态进行描述,定义了能效异常指数Et,该指数反映的是实际功率与基准功率的偏差,能效异常指数为正的时候才具有实际意义,并且数值越大说明偏离基准值的情况越严重,当能效异常指数大于1时,说明机组效率已经脱离正常阈值。最后通过ARMA(2,2)模型实现对机组未来能效状态的预测,当能效异常指数大于1时发出报警通知,达到异常预警的目的。