作为一种对环境无污染的可再生清洁能源,风能在一次能源中的比重不断增大。如何更高效的利用风能,达到发电量的最大化成为风力发电研究中的热点话题。然而,由于风具有较强的随机性,且风电机组的装机容量不断增大,使得机组的控制难度大大增加。风力发电发展至今遇到的难题在于:风电机组性能的优化依赖于多维控制参数的优化,然而传统控制方法的改进难以达到预期的目标。本文基于风电场运行大数据,对风电机组的输出功率预测模型、功率优化及评估等进行了研究,主要内容包括:基于风资源基本参数、地形地貌、机组阵列分布以及尾流等风能捕获特性的影响因素,对风场特性进行分析。基于现场大数据,建立了风电机组BP神经网络、支持向量机及长短时记忆网络功率模型,并进行了验证分析比较,结果表明:长短时记忆网络功率模型能够更加准确地预测风电机组输出功率。提出了一种遗传算法优化支持向量机的风向预测和风速分段控制偏航策略相结合的功率优化模型。在多种风向情况下,对风向预测模型进行了验证,结果表明:风向预测误差都在5以内,表明该模型能够较好的对风向进行预测,且预测性能优于神经网络。利用风电机组运行大数据,对风力机的偏航误差进行了分析,结合风速分段偏航控制策略对风电机组输出功率进行优化。验证结果表明,机组输出功率得到了一定的提升。利用某风场大数据,根据风电机组输出功率特性设计了风电机组输出功率优化评估模型,对该风场机组输出功率优化进行了评估分析,经计算得到该机组的输出功率提升比例为3.36%,表明该优化方法可以有效的提高风电机组对风能的吸收效率,提升机组的输出功率。