周 克，王 霄，王 坤

(1. 茅台学院酿酒工程自动化系，贵州遵义564507；2.贵州大学电气工程学院，贵州贵阳550004)

1 引言

风力发电作为目前可再生能源发电的主要形式之一，由于技术和设施都较为成熟，因此得到了大力的推广和应用。然而风电机组的结构复杂、运行环境恶劣，使得发电机组的故障率居高不下，整个系统的维修成本也不断增加，尤其在海上风电场。在风力发电中使用最多的发电机为双馈异步发电机(Doubly fed Induction Generator， DFIG)，其常见的故障设备有发电机、齿轮箱和轴承等，其中轴承故障占40%、定子故障为38%、转子故障为10%、其它故障占12%[1]，现有的风力发电机故障的研究，多集中在故障的检测和诊断方面，属于事后维修，一旦事故发生，必然会导致机组停机，再次启动机组将耗费大量人力物力，如果采用预测的方式，配合日常的维护，将大大减少停机带来的损失。

目前，对于风电机组故障的预测方法主要是基于数据驱动的预测方法，该方法利用以往和现有的数据进行分析或构建模型来进行故障的预测。常用的方法有：神经网络[2]、支持向量机[3]和灰色理论[4]以及结合其它方法进行改进的一些预测方法：如将电流信号与振动信号结合，基于D-S证据融合理论建立的预测模型[5]；利用邓氏关联分析技术和数据融合方法改进的GM(1， n)预测模型[6]。这些方法通过采集风电机组的振动信号来进行分析，需要安装相应的测量传感器，配置数据采集系统，将对电机的运行状况产生影响，提高了故障预测的成本。……