近年来,中国风电产业快速发展并在能源结构调整中扮演重要角色。随着风电运行数据的不断积累及数据资产的日益重要,数据驱动的风电智能运行与控制技术获得越来越多的关注。然而,由于传感器故障、通信丢包、记录缺失及外界干扰等难以避免的原因,风电运行数据中存在一定数量的异常值。此外,由于中国弃风限电的频发,造成限功率数据大量出现。在建立表征风机或风电场最大出力特性的风速-功率曲线时,这些限功率数据成为堆积型异常数据,大大影响数据挖掘或建模的可信度。因此,如何优化识别异常值以尽可能的保留有效值、提高数据质量,成为数据驱动类应用的关键。本文以风电数据采集与监视控制系统中的数据为基础,对风机/风电场异常运行数据识别、风功率曲线确定性和不确定性建模及其性能评价进行了深入研究。主要的研究工作包括以下三个方面:围绕风电数据采集与监视控制系统,从数据采集、传输、存储的各个环节,分析异常运行数据产生的原因。然后,基于实测数据,分析风机、风电场的风速-功率散点图分布特点,探究不同位置数据块的内在形成原因,初步确定正常数据、异常数据的分布特征。以风机出力特性为研究对象,首先针对不同类型异常数据识别,提出基于桨距角动作特性、基于Copula空间双向四分位法的异常运行数据识别算法。根据清洗后风机功率数据缺失特点,采用基于核极限学习机加权的双向Markov插值进行大量连续缺失数据填补。然后,基于预处理后数据,研究风机的风功率曲线回归建模以及不确定性建模方法以及评价指标体系。最后,基于实测数据验证所提方法的有效性。以风电场整体出力为研究对象,首先充分考虑自然风向的自发随机聚集特性,提出基于Markov聚类算法的风向扇区划分方法。然后,对应于所划分的不同风向扇区,提出基于K-medoids聚类、流形距离谱聚类的分步聚类算法实现风电场堆积型异常数据的有效识别。基于处理后数据,采用随机抽样一致性算法抽取建模数据,利用相关向量机算法建立风电场风功率曲线的定值回归及不确定性区间模型,制定模型性能评价体系及更新机制,提高风电场出力特性精细化表征能力。最后,基于实际数据进行仿真验证,证实整个过程的合理性和优越性。