风能是一种目前国内外都在重点开发的可再生清洁能源,而风力发电机能否安全可靠的运行对发电总量至关重要。风力发电机一般是在相对恶劣的气候环境下工作,很容易发生故障,维修人员会定期对风力发电机进行检修,同时根据经验对其发生的故障进行判断。随着计算机的普及,通过在风力发电机的关键部件安装的传感器,风力发电机运行时的状态数据会被采集并存储在数据库中,通过对这些数据进行研究,找出数据中隐含的有意义的信息,可以为维修人员处理故障提供帮助,减少因故障停机造成的经济损失。本文通过对风力发电机数据进行研究,首先提出一种基于粗糙集和BP神经网络的风力发电机故障诊断方法。根据可区分矩阵的属性约简方法对数据进行降维处理,然后将这些参数作为神经网络的输入向量,采用等价类划分的方法提取神经网络中的规则并对风力发电机故障进行诊断。实验结果表明,基于粗糙集和BP神经网络的风力发电机故障诊断方法简单,可以有效避免冗余属性对神经网络产生噪声干扰,诊断率较高。但是研究过程中也发现,对于风力发电机齿轮箱和变桨系统发生的故障本方法在故障诊断过程中收敛速度比较慢,并且诊断准确率相对于诊断其它故障明显偏低。针对以上问题,本文以小波神经网络为基础,提出一种基于小波神经网络的风力发电机故障诊断方法。在本方法中,采用基于无监督学习的主成分分析的方法来对数据进行预处理,然后再用基于小波神经网络的方法来挖掘数据中的知识。针对参数值是否异常比较难以界定这一难点,提出故障偏移向量组的概念,不简单的认为参数的取值只分为正常和异常两种,认为参数取值的异常也分为很多种,可以用范围区间来区分,这些不同的异常可能会导致不同的故障,为更加准确的诊断故障提供保证。研究表明,本文提出的诊断方法,对于维修人员来说,只要在神经网络中输入风力发电机数据,不需要任何先验知识,就能对风力发电机发生的故障进行诊断,可以有效提高风力发电机故障诊断效率。