随着国家大力推行双碳政策,我国发电系统新能源发电所占比率越来越大,风电是其中之一。电网的运行具有稳定性,然而风电因为其特殊的波动性会对电网稳定性造成影响,虽然电网运行企业已经对风电并网进行了研究与控制,但是并不是从源头解决这种问题。风力发电厂中,基本都会配备SCADA数据采集与监视控制系统,这些SCADA数据中,包含了风场的各种历史和实时运行信息,记录了风机的运行状态。风电波动性的根本来自于风能,风能的波动性来自于大自然,这是人类所无法控制的。但是,这种波动性会增加电网的不稳定性,会增加风电场的运维成本,会增加风场风机的停机率,如果能对风速波动性带来的各种影响进行预测,会对整个电力系统有巨大帮助。因此,基于风机大数据构建风机相关性能指标的预测研究模型,具有非常重要的实用价值。本文以风机的实际构造和工作原理为出发点,以风机SCADA数据为基础,以数据处理和清洗方法为辅,以机器学习算法为载体,分别建立风机功率预测模型、风机发电机轴承温度预测模型,并通过实例对比验证了模型有效性。本文的主要研究内容如下:（1）明确风电波动性的危害与产生因素确定风场风速和风机功率的对应关系,为功率预测提供理论基础;结合风场风机发电机出现的实际故障类型,统计分析所有风场中该类型轴承的故障形式,并分析故障机理。（2）为减少风电波动性产生的影响,以衡量风机发电状况的有功功率为研究对象,使用风机正常运行时的SCADA数据,构建核极限学习机（KELM）有功功率预测模型。模型中运用GRA灰色关联算法对初始SCADA数据进行降维,运用归一化的方法做数据预处理,消除不同数据指标量纲不同带来的影响,引入基于萤火虫改进的麻雀优化算法（FASSA）对预测模型进行优化,构建了基于GRA-FASSA-KELM的风机有功功率预测模型,有效提升了预测误差,并且采用对比分析,确定了使用GRA进行数据处理时的有效性。（3）针对风力发电机轴承造价高易损坏,容易造成风机故障停机这一问题,本文分析轴承失效的影响因素和表现形式,基于SCADA数据建立风机发电机轴承温度预测模型实时监测轴承状态。故障风机在大停机的前几个月里会破坏风速和功率的对应关系,分析故障机组在这一时间段风功率曲线的特征,运用一类支持向量机（OCSVM）对故障风功率数据进行辨识,并根据实际风场风机风功率散点图的分布特点,对OCSVM进行改进,通过实例验证,改进后的风功率故障点辨识模型可以对正常点和故障点进行有效辨识,并且优于已发表文献所采用的其他方法;利用长短时记忆神经网络（LSTM）可以有效处理时间序列SCADA数据的特点,结合实例,将清洗前后的SCADA数据导入LSTM模型中,可以实时监测轴承温度状态,并且采用数据清洗可以有效提高轴承温度的预测准确率。