基于SCADA数据实现提前预警和定位的准确度较低；新建风场的风电机组能够获取的故障样本较少，训练样本不均衡，容易出现过拟合，而已有风场风电机组与新建风场风电机组结构、运行环境差距较大，采用已有风场风电机组的故障数据训练的诊断模型不能有效地对新建风场风电机组进行故障诊断；新建风场的风电机组一些故障仍未发生，故障样本缺失。
针对以上问题，本公司提出如下技术需求：
(1)利用生成对抗网络(GA)的高质量生成优势和变分自动编码器(VAE)的高质量学习后验分布的优势，同时利用字典学习提取原始数据的内在特征。以三组有故障的风电机组作为案例，验证模型的准确性和及时性，同时采用SCADA各参数的残余误差实现故障定位。
(2)针对新建风场CMS故障样本较少的问题，基于元学习和度量学习两种思路，改进模型无关元学习和动量对比学习，提出两个风电机组小样本故障诊断模型。从5-shot和1~shot两个方面，对比所提模型与已有模型的分类精度，验证所提模型的优越性。
(3)针对新建风场CMS故障样本缺失的问题，从生成未知类、空间嵌入、迁移学习三种思路实现未知故障类别的检测。改进条件生成对抗网络和胶囊网络，以故障特征频率构建语义属性特征，通过对健康数据提取关键特征，以各故障的语义属性为条件，采用健康数据生成故障数据；训练好的模型根据未知类的语义生成未知类数据，己知类和生成的未知类数据共同训练分类器标域模型；通过风电机组齿轮箱故障案例验证模型的效果。