风力发电具有资源丰富、经济竞争力强、气候变化缓解等优点,是未来最有前途的可再生能源技术之一。但风力发电机运行时所处的地理环境复杂、多在荒芜人烟的地区,极易发生故障,随着风电产业的日益增长,对风力发电机的故障诊断所消耗的时间和经济也越来越多,这对风力发电机的可靠性提出了极大的挑战,及时有效对风力发电机发生故障进行诊断,提高风力发电机的可靠性,降低风力发电机运维成本已成为亟待解决的关键问题。本文利用FAST仿真软件得出的风力发电机组故障数据,通过提出的基于量子进化最小二乘支持向量机与贝叶斯概率分析的故障诊断方法,对风力发电机组故障诊断进行研究。(1)本文首先对风力发电机组的基本结构和工作原理进行了简述,并对风力发电机组的故障进行了分析。介绍了FAST仿真软件的基本理论,通过FAST对风力发电机组故障进行仿真,并详细说明了故障的生成,得到了研究需要的故障数据。(2)针对各种不确定性和噪声对数据的影响问题,提出一种基于量子进化最小二乘支持向量机故障识别模型,采用最小二乘支持向量机建立风力发电机组故障识别模型,引入量子进化算法优化正则化参数以及核函数参数,利用量子进化中的比特编码方式和量子旋转门更新策略提高种群的多样性。通过得到的故障数据与传统LS-SVM和PSOLS-SVM方法进行比较,证明了基于量子进化最小二乘支持向量机故障识别模型具有较好的效果。(3)风力发电机组是一个多组件耦合的复杂系统,其故障的发生也存在一定的耦合性,而以往大多数的风力发电机组故障诊断方法虽然可以对风力发电机的关键部件故障做出判断,但其得到的结果均具有唯一性和排他性,即仅能得到单一的、确定性故障结论,背离了现场技术人员对风力发电机设备维护检修操作的习惯。并且,一旦出现故障误报,无法给出其他可能的备选故障,针对以上问题,本文在风力发电机组故障识别的基础上引入贝叶斯概率公式对故障识别结果进行分析,给出了每一个故障发生的概率,以此作为故障诊断的结果,并给出了故障检修顺序。