实现“3060”双碳目标的核心措施之一是持续推进使用风能、太阳能等绿色能源替代传统的化石能源。而在绿色能源电价补贴退潮的大背景下,如何提高风电场的运维水平、加强风电机组运行状态监测技术的信息化、自动化和智能化已成为风电行业的重要研究课题之一。本文使用获取成本低、测点类型丰富的数据采集与监视控制（Supervisory Control and Data Acquisition,SCADA）系统的历史和实时数据作为数据源,研究了基于正常行为建模的风电机组状态监测方法。本文的主要研究内容如下:1.详细介绍了正常行为建模方法的相关信息,具体包括数据处理、数据驱动建模、残差分析三方面核心内容。数据处理包括异常数据检测和处理、特征选择等;数据驱动建模是指基于正常运行数据,建立能够记忆和学习被监测设备正常运行时行为和特征的模型;残差分析是指使用状态变量的估计值与实测值间的残差计算量化状态监测指标,并可以结合预警阈值等进一步计算表征设备运行状态的离散量。2.对于正常行为建模的数据处理技术:提出了一种基于风电机组技术参数、状态码和运行数据统计特性的异常SCADA数据检测方法,能够有效检测出大部分异常数据且复杂度较低;提出了一种基于最大条件互信息的特征选择方法,能够有效度量已选特征和待选特征间的冗余信息,可以得到冗余变量更少、建模精度更高的特征子集。3.对于正常行为建模的数据驱动建模技术,研究了属于非参数方法的多元状态估计技术（Multivariate State Estimation Technique,MSET）:证明了 MSET 算法中矩阵DT（?）D的一些性质;提出了一种基于集成学习和软聚类的改进MSET算法,能够在保留估计精度高等优点的同时,充分利用大量数据训练作为结合器的参数回归方法以改善精度,解决了算法无法利用记忆矩阵以外数据的问题;提出了一种基于k最近邻的动态MSET算法,能够从训练集中在线选择与当前输入数据距离较近的部分数据构造动态记忆矩阵,对比相同规模的固定记忆矩阵,算法的精度得到了显著提高;提出了一种基于增量学习的改进MSET算法,能够在线将新的正常运行数据加入训练集并删除冗余数据,使算法在长期运行中持续保持较高精度和较低误报率,同时提出了一种新的动态记忆矩阵构造方法以提高在线计算速度。4.对于正常行为建模的残差分析技术,研究了基于相对熵的残差分析方法:针对连续型相对熵,提出了一种基于Box-Cox变换的残差分析方法,先将残差进行变换、改善数据的正态性后再计算正态分布下的相对熵,能够强化监测曲线的变化趋势和故障敏感度;针对离散型相对熵,提出了一种适用于滑动窗口数据的增量式计算方法,计算复杂度显著降低、提高了相对熵的在线计算速度。