风电机组通过风能的驱动促使发电机的转动从而达到发电的目的,由于风力发电机的驱动来源——风是不可控的,因此需要采用一些方法来控制风机以满足发电系统运行要求,要想控制风机最大程度捕获风能,首先就需要对风的信息进行采集分析,而控制风机发电的参考依据就是功率曲线。功率曲线是风电机组输出功率与风速三次方的关系曲线,随着风速的变化,输出功率也成一定趋势改变,当风速增大到一定值时功率达到额定值不再变化,在实际工况下,功率曲线可能会高于或低于额定值,此时就需要控制风机使其满足最大额定输出功率或保护风机不会过负荷运转,当风机出现故障时在功率曲线坐标系中会出现异常点,对异常点的分析可得到风机故障原因,因此功率曲线能够对风机性能进行评估。风机厂家提供的理想功率曲线没有考虑到风机工作的实际环境因素,因此获取最能反映实际工况的功率曲线对风机的高效安全运行至关重要。影响功率曲线的因素众多,本文通过对风场数据的采集以及对影响风电机组输出功率影响因素进行了研究,为了提高后续拟合精确度,需要对所采集到的原始风场数据进行相应处理。首先对采集数据进行修正处理与数据清洗,本文提出了一种网格法优化拉依达准则对散点图中的异常点进行检测剔除,最终得到能够进行拟合的纯净数据。本文使用了电厂最常用的三种传统参数方法对功率特性曲线进行建模,但传统曲线建模方法只是针对现有数据的处理拟合,并没有考虑到风向对输出功率的影响,也无法通过对风速风功率关系的学习进行功率预测,因此,需要拟合出更符合实际工况的功率曲线,本文通过对三种神经网络方法——BP神经网络、GA优化BP神经网络和极限学习机算法的功率曲线建模结果比较分析,最后提出了一种基于GA优化的极限学习机曲线拟合建模方法,该方法集合了遗传算法和极限学习机的优点,拟合效果更佳。在功率预测之前,首先进行风速预测,本文提出了一种EMD优化Elman建模算法,将其与Elman和EMD-BP预测算法预测结果进行对比分析,得到的预测风速对应前述提出的四种建模方法拟合的功率特性曲线进行风功率预测,通过功率预测结果得到最接近风电机组实际运行情况的风速-功率关系曲线。