风电行业在高速发展的同时，也面临一系列因快速发展带来的挑战：尽管数据采集技术积累了海量多态数据，但其整体应用水平仍处初级阶段，如何深度利用数据优化机组性能是核心问题；其次，机组分布广、机型杂，管理难度大，亟需建立有效的健康评估体系以实现精细化管控；机组偏航误差年均导致的发电损失超过1%，需建立基于风资源特征的偏航优化设计流程。 本项目提出了基于机理模型+机器学习（双模态）数字孪生建模的新方法，将风资源、叶片气动、主控系统控制逻辑等物理机理模型与基于海量SCADA数据、事件与故障数据等多源异构数据的机器学习模型深度结合，提高了模型预测的准确度。提出了风向湍流强度的评价指标和相应的数学模型，引入了频率特性分析与波动强度评价，建立风速、风向和机组发电功率的三维内在联系，为偏航系统的智能控制和偏航阈值的优化提供了更精准的技术支撑，并通过现场调整，提升发电量超2%。通过提取功率偏差、风况适应度、偏航偏差等多维度性能健康特征，并结合side-by-side机器学习算法得到的电量差异，实现了风机性能健康量化评估与分级，形成了与机械部件健康并行的运行性能健康评估分级体系，并开发了机组健康评估、异常检测系统。 项目成果为集团首个用于风电机组性能健康评估、异常检测的技术支撑平台，通过构建多源异构数据融合、性能异常检测、机组性能健康评估与分级、机组性能优化与发电量提升量化评估等功能模块，为全集团风电机组的设备分级评价与管理提供了技术支撑，实现了风电机组全寿命周期管理的技术支持及数字一体化管控，有效提升了风电机组的健康管理水平和全寿命周期的发电效能，在实际工程应用中发挥了巨大作用。 截至目前，系统共接入集团内各区域数百个有效风场数据信息并进行分析，创造经济效益约4480万元，其中2023-2025年集团内各分子公司依托该系统产生间接效益约2340万元。 经中电联成果鉴定，项目成果达到国际领先水平。