风电机组运行控制和故障诊断,都需要精度高的风电机组运行特性模型,由于山地地形和气象条件复杂多变,现有的风电机组运行特性模型已经不适用山地风电机组。因此,本文基于实测数据,采用机器学习的方法对山地风电机组运行特性进行建模。本文包含以下几个部分:1.结合数据清洗方法和数据均衡方法对实测数据进行了数据预处理。首先对常见的异常数据清洗方法进行了分析,采用基于数据密度的清洗方法实现了异常数据的清洗。然后基于DBSCAN算法对清洗过后的数据进行聚类来分析数据样本在各个风况分布情况,再采用ADASYN+ENN综合采样方法来解决清洗后数据样本分布不均衡的问题。最后通过实验验证了本文所提出数据清洗方法与数据均衡方法相结合的数据预处理方法的有效性。2.为了快速获取山地风电场多台风电机组整体运行情况,建立了基于SVM的山地风电机组功率曲线和功率预测的高效模型。基于异常数据清洗后的数据,在不考虑各风况数据分布不均衡的前提下,首先研究了 SVM算法的原理以及其用于与山地风电机组运行特性建模适用性的分析,提出了基于SVM算法的山地风电机组功率曲线和功率预测的高效建模框架。接下来考虑湍流强度对功率曲线的影响,采用数据挖掘和SVM算法建立了山地风电机组功率曲线的高效模型。然后将训练集采样重构后基于SVM算法建立了功率预测模型。最后基于实验验证了所提出的基于SVM算法的功率曲线模型和功率预测模型能够在保证一定准确性的同时提高建模效率。3.为了更准确地评估单台山地风电机组的运行状态,建立了基于集成学习的山地风电机组功率曲线和功率、转速预测的精确模型。基于数据预处理后各风况分布均衡的数据,首先研究了集成学习原理,通过对常见的集成学习架构与个体学习器在山地风电机组运行特性建模中的适用性分析,提出了基于Stacking集成学习架构的功率曲线和预测的精确建模框架。接下来基于Stacking集成学习框架建立山地风电机组功率曲线的精确模型。然后考虑气象条件波动的影响,对模型的输入进行希尔伯特-黄变换分解后基于Stacking集成学习架构建立了山地风电机组功率、转速预测的精确模型。最后通过实验得到基于Stacking集成学习架构的山地风电机组功率曲线模型的MAPE仅为1.48%,功率、转速预测的MAPE分别仅为0.59%和0.25%,验证了本文提出的基于stacking集成学习架构山地风电机组功率曲线和功率、转速预测模型误差小、精度高的特点。