受到恶劣自然环境与风能随机波动性的影响,风电机组的运行工况具有复杂的变化特性。运行工况对风电机组状态参数具有显著的影响,导致已有采用阈值法的风电机组运行状态评估方法难以在实际应用取得良好的效果。以提高风电机组运行安全可靠性为目标,作者对风电机组运行状态评估与短期可靠性预测方法进行了系统的研究,论文主要包括以下内容。首先,对风电机组状态参数的相关性进行了研究。根据对风电机组数据采集与监视控制(Supervisory control and data acquisition,简称为SCADA)系统数据在风速区间的分布规律的分析,研究了SCADA数据的选择方法;进一步对比分析了风电机组状态参数之间的Pearson、Kendall与Spearman相关系数,在此基础上对风电机组状态参数的综合相关性指标进行了研究,并采用综合相关指标对风电机组实例数据进行了分析,揭示了风电机组状态参数之间的相关规律。其次,开展了风电机组状态参数异常辨识模型的研究。对输入参数对目标参数的影响程度进行了量化分析,研究了状态参数预测模型的自动参数选择方法,建立了基于反向传播神经网络(Back-propagation neural network,简称为BPNN)的参数自动选择子模型;通过对基于最小二乘支持向量机(Least squares support vector machines,简称为LS-SVM)、径向基函数神经网络(Radial basis function neural network,简称为RBFNN)和BPNN的状态参数组合预测方法的研究,建立了基于参数预测残差信息熵的状态参数异常分析子模型。由参数自动选择与参数异常分析子模型构成的广义模型,对风电机组状态异常实例具有良好的应用效果,获得了准确的状态参数异常辨识结果。第三,研究了计及工况的风电机组运行状态评估模型。在对风电机组状态参数劣化度计算方法研究的基础上,研究了采用状态参数劣化度和工况参数作为输入参数的风电机组运行状态BPNN评估模型,同时对BPNN模型的结构进行优化设计,并与RBFNN和LS-SVM模型的评估结果进行了对比分析。实例分析表明,采用状态参数劣化度作为输入参数与BPNN结合,评估结果较好地反映了风电机组的运行状态,优化BPNN比两种对照评估模型具有更高的准确率与更短的计算时间。最后,开展了风电机组短期可靠性预测模型的研究。对风电机组的初始停运概率模型进行了研究,分析了数据采样率和状态转移概率的统计区间对停运概率的影响;通过分析风电机组实时状态对停运概率的影响,研究了具有时变特征的状态转移概率矩阵,建立了综合考虑风电机组整体运行状态和状态参数异常程度的短期停运概率预测模型。实例分析验证了采用时变状态转移概率的短期可靠性预测模型,比传统的马尔可夫可靠性模型更能准确反映风电机组的运行可靠性。上述工作是对风电机组智能运维关键技术研究的积极探索,对提高风电机组运行可靠性和降低风电场运维成本具有良好的应用价值,为进一步建立风电场集电系统的安全评估模型并获得应用提供了支撑。