风电机组由于子系统常暴露在恶劣环境中，机组部件易损坏发生故障，导致其运维成本居高不下。基于此，风电行业对适用于风电集群的故障诊断系统有着迫切需求。本项目利用数据采集与监视控制系统（SCADA）采集的数据，为风电集群设计了轻量化的本地故障诊断模型，基于深度学习方法实现了风电机组的故障诊断，通过研究风场聚类方法，找到风场间的相似性与异质性，并在聚类的基础上，使用联邦学习框架建立全局模型，实现了数据隐私下多风场的协同工作，设计了集成以上功能的管理信息系统。

本课题的主要目标是为风场提供科学有效的风电集群故障诊断方法。具体内容包括：基于真实风电机组数据，设计开发和优化本地故障诊断模型，为局部模型融合为全局模型打下基础；研究和使用聚类方法，对比风机和风场的聚类效果，提供可靠的聚类方案；根据聚类结果，通过联邦学习框架，在保证数据隐私的前提下搭建全局模型，优化本地故障模型性能；最后开发集成以上功能的智能管理信息系统，为相关人员提供操作简便的故障诊断解决方案。

针对使用数据集，进行了异常值剔除与特征筛选，调整损失函数缓解了样本不平衡问题。构建了CNN-LSTM、ModernTCN、QConv-BiLSTM-CSAFF模型进行故障诊断，评估模型后。针对最优模型完成了剪枝与轻量化的操作。

研究对比多种聚类算法，通过HDBSCAN、K-means、谱聚类、GMM聚类进行研究分析比较，选出最优聚类方式。聚类结果导入故障检测模型，成功提升故障检测模型的准确率，小样本存偏差但整体效果良好。

运用随机稀疏传递与低秩传递优化了参数传递方法，构建了FedAvg、FedProx、FedNova与SCAFFOLD多种联邦学习框架，评估了效果，并对其中最优的框架FedProx进一步完成了超参数优化等改进工作。