为解决化石能源短缺以及环境污染问题,世界各国都在大力发展新能源发电产业,风力发电由于清洁可再生等优势,其开发和利用得到了广泛关注。如何有效的利用风能以及保证风力发电机组的安全稳定高效运行是风力发电的核心研究问题,而解决这一问题需要对风电场的风能特性进入深入的研究。研究风能特性需要对风电场庞大的运行数据进行梳理分析,传统的统计分析很难实现对风能特性的深入研究,作为智能化方法的典型代表机器学习具有强大的数据分析能力和计算能力,为风能特性的研究提供了新思路和方法。合适的风速概率模型能较精确的对风速分布特性和波动进情况进行描述,对风能特性评估和风电机组并网稳定运行有重要意义。本文采用威布尔分布概率模型对所研究的风电场进行风速概率拟合。本文利用智能算法中的粒子群算法对威布尔模型的形状参数和尺度参数进行估计,并与数值法参数估计进行拟合优度比较,结果表明粒子群算法参数估计的模型拟合优度在判定系数、相关系数、卡方检验方面明显优于数值法。目前专家和学者对于风速研究主要侧重于风速校正和风速预测,关于风速的测量装置少有人研究。风电场的风速的获得仅靠机舱尾部的风速仪,风速仪对于风电机组安全稳定运行至关重要,而风速仪的工作状态无法通过运行数据准确获取,本文在特征工程的基础上提出一种基于遗传算法优化支持向量机的风速识别模型,利用风电机组运行大数据对模型性能进行了检验,验证结果表明该模型相较于神经网络和传统支持向量机有较大的优势,对风速的识别率为92.15%,该模型可以实现对风速仪的工作状态的实时检测和校正。针对风电场存在部分机组发电异常的问题,本文通过分析异常机组偏航误差角度与功率关系,得出机械式风速仪由于存在对风误差使机组不能精确的完成偏航调节,导致输出功率异常。本文利用随机森林算法构建了风机偏航校正模型,基于偏航工作原理对偏航误差区间进行划分,依据装备有激光雷达测风装置的风机运行数据对模型进行了验证,结果表明该模型的预测精确度为95.2%,能够有效的实现风电机组的偏航校正。