随着能源结构的调整与转型,以风电为代表性的新能源在电网中的渗透率不断提高。在外界不确定因素的作用下,风电场并网系统运行过程中会发生谐波与振荡并发的问题。采用数据分析方法对风电场运行进行研究成为一个重要的手段,这是因为在当前风电场规模动辄上千台风电机组的现实下,风电场采取精确数学建模的方法进行研究是困难的,即使能够建立精确的风电场数学模型,遇到“维数灾”问题导致模型难以求解。在实际运行中,风电系统每时每刻产生海量数据,同时这些多源、异构、复杂的数据也蕴含着与风电场相关的有价值信息。本文探索适合于风电场大数据的研究方法,从而为识别和分析风电场中存在的振荡现象打下坚实的基础。本文首先介绍了当前风电的发展状况,关注了风电并网系统的机网相互作用与谐波问题,了解了常见的用于识别与分析振荡的方法。其次,针对当前风电场数据研究的现状,研究了风电场数据的分层处理方法,探索了风电场中的数据采集方案,设计了面向大规模双馈型风电场的大数据采集系统,研制了一套模块化数据采集装置,并搭建了一套小规模的数据采集与处理的系统。再次,结合建模与FFT方法、HHT变换、Prony算法等多种数据分析方法探究了双馈型风电并网系统中存在的复杂振荡现象并对各种振荡模态进行识别。最后,运用改进的FFT方法和k-medoids聚类算法对双馈型风电并网系统中存在的谐波问题进行了研究,通过k-means算法和Apriori算法揭示了风速/电压聚簇与风电机组振荡模态的关联度,基于长短期记忆网络对风电功率进行了预测,从而用于预测机网相互作用问题。本文的研究工作揭示了双馈型风电系统中的谐波和机网相互作用现象,其研究成果可用于指导实践。