生态环境的恶化迫使世界各国亟需开发新型能源结构,风力发电因其资源广泛、技术完善的优势脱颖而出。随着大规模风电场的持续增加,如何确保风电系统的安全运行成为了行业内必须解决的重要问题。因此,对风电系统的运行状态开展评估工作具有深远意义。本文以河北某风电集控中心为依托,遵循从单一设备到整体系统的研究思路,分别从风电机组与风电场的多空间尺度出发,逐层分析其运行状态的变化规律,为风电系统的监控与维护工作做出理论指导,降低重大不可逆事故的发生概率。论文详细研究工作如下:(1)详细分析了风电机组主要结构与运行特性、监控系统功能与监测参数。对系统存储的原始数据进行处理,进而获得数据驱动模型的样本集。数据处理工作主要分为两部分:第一,对数据做出清洗,删除因传感器故障、通讯失效、风机弃风等因素造成的非正常数据。第二,对缺失数据做出填补,因数量不同,填补策略分为单个填补、部分填补以及大量填补三种。以上分析与处理工作为后面研究内容的开展提供了理论与数据支持。(2)构建风机状态评估模型。首先,利用Pearson相关性系数来弥补Relief F算法不能消除参量间冗余性的缺陷,并通过该组合算法完成状态评估参量的筛选。其次,采用支持向量回归算法预测状态评估参量的理想运行值,并通过改进果蝇算法解决最佳参数问题。改进后的果蝇算法不仅能够自动调整搜寻范围,也可以保证搜索过程中种群的多样性。最后,设计动态权重整合所有状态评估参量的运行偏差,获得风电机组劣化度,进一步对其进行等级划分,完成风机运行状态的评估。(3)构建风电场的出力可靠性评估模型。首先,选择隐马尔可夫模型来分析风电场运行状态。其次,结合风电场输出功率特性,对其运行状态划分等级,确定隐藏状态链,并选择风电场平均风速作为可观察参量,对其进行离散化处理,确定观测状态链。然后,分析风电场运行状态的变化规律,并对状态转移概率矩阵进行化简,降低模型计算难度。最后,计算不同时刻下风电场处于各种状态的概率,进而获得风电场的出力可靠性水平。(4)仿真验证上述模型的有效性。首先,选择风机正常状态下的数据集测试本文构建算法的性能,并与未改进算法和BP神经网络进行对比。然后,选择风机故障发生前的数据集,验证状态评估模型能准确地描述风机运行状态的变化过程。最后,选择包含风电场所有状态变化的数据集,验证出力可靠性评估模型能真实反映风电场的出力水平。