风能是一种环保、无穷无尽的清洁可再生能源。随着石油、煤炭等传统能源的枯竭和国家对环境治理的重视,风能以高效、性价比高、占地面积小、应用广泛的优势在新能源发电中超越光伏发电、生物发电等后来居上,处于新能源发电的领导地位。但是传统的风力发电机组常常在没有预警情况下触发各种故障导致风电机组停机待修,发电效率受到严重影响,因此,急需根据风力发电机组历史运行情况,结合实际测量的关键数据,预测故障发生的部件和故障发生的时间,提前安排检修计划,提前购置备件。这样一来能提高风力发电机组的发电效率,同时也彻底改变了风力发电机的粗放的管理方式,无论是经济角度还是安全角度都将风力发电的运行管理从被动状态改为主动安排检修。本文提出通过关键数据挖掘的方法,能进行风力发电机组的故障预测,可以帮助风电场在备件损坏前进行必要的维护,提前做好维修计划,将故障引起的损失降到最低。本文利用SCADA历史数据,采用数据挖掘的方法,提出一种故障预测的解决方案,使用MATLAB建立一个基于BP神经网络的齿轮油温和发电机轴承2温度预测模型,通过模型预测曲线与真实曲线对比,可以找出离群值,作为预警信号。同时搭建了基于LABVIEW平台的风力发电机组故障监测系统,利用LABVIEW图形化开发工具,开发了故障预测系统。系统能根据导入的数据通过调用控制算法,预测风力发电机组的故障部件及故障时间,用直观的颜色告警灯显示不同等级的故障预警,不需要复杂的编程就可以提醒操作人员故障的时间和部件,此方法可在SCADA系统触发故障报文前做出诊断预判,现场技术人员可根据系统提示制定有效措施,降低维修成本和安全隐患。本预测系统经过云南东部某风电场的实际运行和检验,测试结果表明该故障预测的解决方案可靠性很高,因而具有一定的推广使用价值。