风能,作为一种清洁、低成本的可再生能源越来越受到世界各国风电企业关注。风电机组的装机数量和装机容量与日俱增,机组结构更加复杂,风电机组故障频发。因此,亟需研究风电机组的故障诊断方法。数据采集与监测控制系统（Supervisory Control and Data Acquisition,SCADA）数据凭借其数据量大、易获取、无需额外传感器的特点,成为研究风电机组故障诊断方法的重要数据支撑。风电机组SCADA数据变量繁多,且变量之间存在复杂的耦合关系,另外SCADA数据在时间上也存在前后相关性。本文根据SCADA数据多变量时间序列的特点,考虑到故障样本少、正常样本多的数据不平衡情况,针对风电机组SCADA数据中蕴含的故障特征难以有效提取的问题,分别提出了多核融合卷积神经网络模型（MKFCNN）,时空融合神经网络模型（STFNN）,时空多尺度神经网络模型（STMNN）,解决了SCADA数据故障特征难以有效提取的难题,为风电机组故障诊断提供了新技术。所提网络模型均通过多组实验进行验证,说明方法的有效性和可靠性,使用的数据有Benchmark仿真数据集和风电场SCADA数据集。论文的主要工作总结如下:（1）对直驱风电机组的结构组成,运行原理和故障类型及其诱发因素进行讨论分析;并综合考虑经济,实用,便捷等因素,确定使用SCADA数据作为模型开发的数据基础,并对SCADA数据的特点进行深入探讨分析,为后续故障诊断模型的开发奠定基础。（2）基于一维卷积神经网络的MKFCNN的空间多尺度特征提取方法的研究。受Goog Le Net启发,针对风电机组故障特征难以提取,充分利用计算机资源,设计了MKFCNN模型。该模型增加了网络深度的同时并没有增加对资源的消耗,而且可以从多个尺度提取数据中隐含的故障特征,在Benchmark仿真数据和风电场数据集上验证了该模型的有效性。（3）基于STFNN网络模型的时空两维度,空间多尺度的特征提取方法的研究。针对风电机组SCADA数据变量繁多并且变量间存在的复杂耦合关系,在时间前后上也存在关联性的特点,提出了STFNN网络模型,该模型采用MKFCNN网络模块和长短期记忆网络模块（LSTM）分别提取SCADA数据的空间多尺度特征和时间上存在的关联性特征,最后将时空特征融合在一起送入分类器进行最终的故障诊断。该方法分别在Benchmark仿真数据和风电场数据集上进行了验证,证明了该方法的有效性和可靠性。（4）基于STMNN网络模型的时空两维多尺度特征提取方法的研究。针对SCADA数据数据量大,变量繁杂,时间序列的特点以及故障特征难以充分提取的问题,提出了STMNN网络模型,设计了多尺度深度回声状态网络模块（MSDeep ESN）和多尺度残差神经网络模块（MSRes Net）分别提取隐藏在SCADA数据中的时间多尺度故障特征和空间多尺度故障特征,并且考虑到SCADA数据存在严重数据不平衡的问题,采用代价函数focal-loss作为损失函数以减少数据不平衡问题对模型训练过程的影响。该模型在风电场SCADA数据集上进行了验证。