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动态变化。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状态监测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,作者对风电机组状态异常辨识与运行风险评估方法进行了系统的研究,论文主要包括以下内容。首先,研究了风电机组状态参数预测模型。对状态参数与自然环境的相关性进行分析,研究了状态参数的分类方法;对与自然环境密切相关的状态参数,建立了基于反向传播神经网络(Back-propagation neural network,简称为BPNN)的状态参数预测模型,并与基于最小二乘支持向量机(Least squares support vector machines,简称为LS-SVM)和非线性状态估计(Nonlinear state estimate technique,简称为NSET)的预测模型进行了对比分析;对比了分别采用本机近期数据、本机历史数据与其他机组近期数据建立的预测模型的预测精度;进一步研究了样本数据中目标状态参数分布相似程度的量化方法,揭示了目标状态参数分布对状态参数预测精度的影响规律。其次,开展了风电机组状态参数异常辨识广义模型的研究。通过研究机组目标状态参数的统计分布特性,提出了风电机组的聚类方法;采用平均绝对误差(Mean absolute error,简称为MAE)评估各预测模型异常辨识结果的有效性,针对以本机历史数据和同聚类内其他机组近期数据为训练样本建立的预测模型,提出了预测模型的快速选择方法;建立了状态参数预测残差的核密度分布模型,通过统计预测残差落入不同概率区间的个数,研究了状态参数异常程度量化方法,在此基础上采用模糊评判方法实现了状态参数异常辨识。实例分析表明,本文建立的异常辨识广义模型有效融合了多个预测模型的异常辨识结果,对风电机组状态异常实例具有良好的应用效果。第三,研究了风电机组短期可靠性预测模型。以风电机组状态参数的异常辨识结果为依据,对风电机组的运行状态进行划分,采用Markov过程描述风电机组的状态转移过程,研究了机组时变状态转移概率的计算方法;对于与自然环境密切相关的状态参数,提出了基于状态参数概率预测的保护动作模型;对于具有保护动作整定时间的状态参数,提出了基于越限时间的保护动作模型;通过分析风速与风电机组停运率的相关性,建立了风速相依的风电机组统计停运模型。实例分析表明,通过融合机组异常状态信息、状态参数越限信息和统计停运信息,本文建立的短期可靠性预测模型能准确反映风电机组的运行可靠性。最后,开展了风电机组运行风险评估方法研究。根据对风电机组关键组件故障率与维修费用的分析,研究了风电机组故障模式分类方法,在此基础上对机组故障模式与状态参数的相关性进行了研究,建立了风电机组的故障特征参量体系;以故障特征参量作为输入参数,构建了采用粒子群优化(Particle swarm optimization,简称为PSO)LS-SVM的风电机组故障预测模型,并与基于BPNN、径向基函数神经网络(Radial basis function neural network,简称为RBFNN)和SVM的故障预测模型进行了对比验证;根据风电机组短期停运概率与故障预测结果,提出了计及工况的风电机组运行风险评估方法。实例分析表明,基于机组短期可靠性与故障预测模型的运行风险评估方法,能够合理反映风电机组异常运行状态停运风险的影响,获得了准确的风险量化结果。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。