近年来,风电产业迅速发展,风能作为一种高效且取之不尽的清洁能源,在控制温室气体的排放、应对气候不断变化的新形势下,越来越得到世界各国的关注。随着我国装机容量不断增长,大型风电机组的状态监测和性能评估对机组正常运行意义重大。风电机组的功率曲线是机组的设计依据,也是考核机组发电能力的一项重要指标,其在风功率预测、机组状态监测等方面具有重要作用。本文以风电机组的实际运行数据为基础,建立了多变量功率曲线模型并对风电机组进行状态监测,具体包含以下几个方面:1、分析SCADA系统记录的风速-功率数据的分布情况,说明产生异常数据的原因,引入DBSCAN聚类算法对机组异常数据进行识别并滤除,保留符合机组出力特性的数据。2、由于SCADA系统采集到的关于机组运行状态的变量较多,提出了采用偏最小二乘算法分析输出功率与其他变量之间的相关关系,降维筛选出了对输出功率解释能力最强的5个变量作为功率曲线模型的输入,既提高了建模精度,同时大大降低了建模过程的复杂度。3、针对输入变量与输出功率之间非线性关系较强的问题,提出了对非线性关系表达能力强的深度神经网络模型对功率曲线进行建模。4、提出了基于自组织核回归功率曲线建模的风电机组状态监测方法。自组织核回归模型具有参数较少,模型与计算量少等特点,将其作为大规模风机群在线建模和检测的方法。针对预测残差序列,采用滑动窗口进行分析,当预测残差序列的滑动均值或滑动方差触发报警阈值时,能够及时提醒工作人员关注机组运行状态。