而风能作为一种取之不尽、用之不竭的可再生能源,因具有无污染、无废弃物等诸多优点被广泛利用,并网风力发电则是目前最具大规模开发条件的清洁能源生产形式。目前我国风电产业正在由粗放式运行管理向高效科学精细化方式转变,如何提高单台风电机组的发电效率,优化风电机组的发电性能是风电产业发展方式调整转变过程中亟待解决的关键问题之一。在此背景下,本文基于变速恒频大功率风电机组,利用风电场的数据采集与监视控制(supervisory control and data acquisition,SCADA)系统,针对机组关键部件的故障原理与特性以及其功率曲线建模与监测方法展开研究,实现基于数据挖掘技术的机组在线监测,从而确保机组运行的稳定性和经济性。叶轮作为风力机关键部件之一,其性能的好坏直接影响风电机组运行的安全性、稳定性与经济性。为了降低风电机组维修难度与成本,增强关键部件故障诊断的可靠性,本文首先针对风力机叶轮质量和气动力不平衡原理进行了讨论,并系统地研究了风轮气动力特性模型、传动系统模型、发电机模型和桨距控制模型,并结合MATLAB/SIMULINK仿真平台,搭建变速恒频风力发电系统在正常、质量不平衡和气动力不对称三种不同状态下的仿真模型。基于某风电场采集的实际秒级风速数据,利用仿真模型对机组不平衡故障进行研究。结果表明:机组功率信号在风轮转速频率附近会产生激振现象;并且随着不平衡故障严重程度的增加,其振动幅值增大;在得到故障特征值与故障严重程度关系曲线的同时,还给出了相应的故障维修建议。与此同时,为了更好地实现机组风能预测、状态监测与功率控制,笔者设计先进的随机梯度提升回归树(stochastic gradient boosting regression tree SGBRT)算法,结合偏互信息法,对机组功率曲线进行精确地建模。该文利用偏互信息方法,计算风电机组外部因素与输出功率的相关度,并按其重要性选取风速、风向、桨距角、偏航误差、叶轮转速、叶尖速比、齿轮箱油温和发电机温度八个变量作为外部输入;采用SGBRT算法,建立机组多变量功率曲线模型。最终与典型的IEC-12-1模型、差分进化的五参数法模型、人工神经网络模型以及XGBoost算法的建模效果比较,结果显示SGBRT算法所得功率曲线模型具有最小的最大标准化预测残差(6.56%)与最小的预测误差(占额定功率的2.09%),SGBRT算法用于功率曲线建模的精度有了大幅提高,所提方法的准确性和优越性得到了验证。