随着世界范围内环保意识的增强以及风能成本逐渐下降,风力发电产业已取得较大进展,风电机组的安全性能和经济成本制约着风力发电的进一步发展。由于自然环境恶劣,风力发电机的运行状况频繁变化,采用阈值法对风电机组进行状态监测,难以在实际应用中取得良好的效果。因此从防范风电机组的运行风险,降低风力发电运行维护成本的角度考虑,研究风电机组运行状态监测与评价方法具有重要意义。本文对基于运行数据的风电机组状态监测与评价方法进行研究,对风电场的运行参数进行深入分析,建立了基于深度信念网络(Deep Belief Network,DBN)的状态参数模型,并与基于反向传播神经网络(Back–propagation neural network,BPNN)的预测模型进行对比分析。结果证明,基于互信息的特征选择工作对模型精度具有影响,DBN算法具有较好的大数据信息处理的能力,同时验证了DBN算法对于风电机组建模比BPNN算法具有更大优势。基于DBN状态参数模型,本文提出了一种融合多模型的风电机组状态评价方法,利用DBN模型残差概率密度对机组的运行状态进行评价分析。机组的运行状态在参数数据上有所体现,多模型评价方法可以实现整体运行状态的评价,概率密度分析方法相较于设置残差阈值方法更为客观。实例分析表明,相比单模型阈值评价方法的误判,融合多模型的状态评价方法能更早地发现异常运行状态,实现故障的早期预警。