随着全球气候变暖,可利用的能源日益减少,可再生能源因其清洁和安全而成为国家能源战略的一个组成部分。风力发电机是可重复利用可再生能源的巨大储备,因而越来越多的学者把更多的精力放在风力发电机的研究上。如今,数据挖掘催动了新技术的革新,已经广泛应用并渗透到各行各业,风电行业也在其中。本文将风电机组运行状态的监测评估、SCADA系统以及数据挖掘相结合。利用风电机组在实际中的运行数据,对风电机组的性能指标进行实时检测与评估。绕组温度超标以及齿轮箱温度是风电机组发电机发生故障的重要特征。采用温度趋势分析的方法进行齿轮箱态的监测。利用基于天牛须搜索的花朵授粉算法改进的非线性状态估计方法来建立齿轮箱的温度预测模型,并进行了实验仿真,实验表明改进后的BAS-NSET算法比NSET算法获得的齿轮箱温度预测值更接近真实值,残差更小。针对风电机组绕组温度预测问题,本文建立一个3层的BAS-BP网络,将风电机组轮的多个特性作为输入单元,利用国电和风电开发有限公司北镇风电场实际运行数据作为样本进行训练和预测,输出不同工况下的绕组温度预测值,并以该电厂内UP82-1500为例,对预测结果与实测数据进行对比分析。结果显示,所建模型计算速度快、精度高,验证了BAS-BP神经网络在风电机组绕组温度预测中的适用性。本文验证了所建BAS-NSET模型和BAS-BP模型对风电机故障预测的有效性和预测精度高的特点,这两种方法对此类故障预测具有较强的适用性。该论文有图17幅,表7个,参考文献51篇。