牛盛瑜，张新燕，杨璐璐，邸强，张冠琪

(新疆大学 电气工程学院，乌鲁木齐 830047)

0 引 言

风电机组多位于野外，要经受大风等外界环境产生的冲击，同时，风电系统内部的变化也会对发电机造成一定的影响，在多种恶劣的工况下运行，发电机出现故障率也急剧上升，导致风机运行的可靠性降低，运行寿命减少。目前，减少风电机组故障率有效措施就是对其进行早期故障诊断，通过分析各类征兆信息来确定故障的部位、程度，从而快速、准确的排除故障。

目前，对风力发电机故障的诊断方法多种多样，主要可以分为：(1)传统诊断方法：如噪声检测[1]、红外线测温等。此类方法的诊断结果都很直观，准确度也比较高，但是对微弱的早期的故障并不能有效地检测出来，同时多依赖于检测者的经验判断；(2)智能诊断方法：如神经网络[2]、遗传算法[3]等。此类方法较节省时间，同时能较准确地对故障进行判断，不过通常需要大量的数据来支撑其诊断的精确度，而发电机的故障不常发生，这意味着能够采集到的故障数据量较少，因此不能保证该类方法诊断的精确度；(3)数学诊断方法：如SVM[4]、混沌分析[5]等。此类方法可以依靠少量的数据对故障进行准确地判断，且随着计算机技术及数学理论的不断发展，此类方法也能不断改进，但此类方法的前期数据处理部分对最终诊断结果的准确性有很大影响，选择适当的数据处理方法便显得十分重要。

针对上述诊断方法存在的故障样本数据量少、诊断结果精确度低等问题。……