风能作为一种可再生清洁能源,其在一次能源中的占比日益提升,如何在风力发电中能更有效的利用风能,使机组的性能进一步优化提升是风力发电研究的核心问题。风力发电技术发展至今遇到的瓶颈在于:其性能优化依赖于多维度的控制参量,同时由于自然因素等使控制过程存在大量的不确定性和非线性,使得传统算法难以在控制性能及精度上继续提高^[1]。机器学习方法是智能化方法的典型代表,核心思想是采用隐式算法迭代学习完成任务。机器学习的一个重要过程是模型训练和验证,这伴随着庞大的数据与计算能力的需求。随着硬件计算能力的提升以及算法在运行性能上的优化,深度神经网络与集成学习方法作为人工智能中重要的角色再次扛鼎。本文基于风电场运行大数据,采用人工智能方法研究了风电机组功率预测、性能优化,以及不同功率点机组功率提升。研究主要内容包括:对于风场历史数据的特征工程,基于统计学算法对数据进行预处理、特征筛选以及降维分析。利用时序统计数据采用深度学习方法完成风电机组风速校正以及端到端功率预测。在风机不配备昂贵的测风装置条件下,也可通过模型校正获得较为准确的风场数据,进而使风机能够精准地跟踪最大功率曲线。验证结果数据表明,该模型能够有效地校正风速误差,同时具有较好的泛化性能,可以通过迁移学习在不同风机上搭载。在功率预测模型中,由于风场环境的特殊性,训练速度的提升会给实际应用带来较大的灵活性提升,因此本文采用了新式的SRU简单循环单元进行训练,相比于LSTM在速度上有较大的提升。测试结果表明:在超短期功率预测中能够较为准确地实现预测任务,短期功率预测中精度也能够满足电网资源调配的要求。在功率提升任务中,提出了一种基于多粒度级联森林与模糊控制规则的风向角校正模型,使机组在各个功率点更充分的利用风能。这种新的集成学习与深度学习结合的模型能够自适应地控制模型规模,在保证准确性地同时具有很强的泛化性能。验证结果表明能够实现机舱的偏航校正,其性能比神经网络及支持向量机模型均具有一定的优势。