由于海上风电场拓扑结构的复杂性,在潮流计算中使用传统的加权平均参数法难以准确描述等效模型,同时由于风电的快速发展与其在电网的比重增加,风场的功率控制显得尤为重要。因此,本文针对风电场在潮流计算中难以准确描述的问题与缺乏有效功率分配的问题,采用稳态数学模型、神经网络、改进粒子群算法构建了一个双神经网络的等效模型,在满足电网调度指令的前提下,以达到快速准确地进行供电能力评估和功率最优分配的目的。本文先针对风电场在潮流计算中难以准确描述的问题,采用了稳态数学模型结合神经网络的方法进行探究。以双馈感应发电机（DFIG）为例,建立了一个简单的反向传播（BP）神经网络模型用于等效单个DFIG,该模型根据实际DFIG仿真得到神经网络的训练数据,其中风速、定转子电压作为输入,发电机有功和无功功率作为输出。在此基础上,利用实际的102MW含34台双馈风力发电机组,由统计风速、等效电压及其数据误差作为输入,建立了基于双馈风力发电机组的BP模型,并对其进行了训练。仿真结果表明BP神经网络能够对风电场进行有效建模,能够对风场供电能力进行快速评估,一定程度解决了风电场在电力系统潮流计算中难以简化的问题,并具有较高的精度。然后本文针对风电场功率优化分配问题,采用改进粒子群算法结合神经网络的方法进行探究。将海上风电场内每台双馈发电机的功率值作为优化变量;根据海上风电场双馈发电机的功率调节方式和风机状态获取每台风机的功率可调范围,将其作为约束条件,同时确保风场的输出与电网调度指令之间的误差在足够小的范围内,也将其作为约束条件。以风电场线路损耗最小为优化目标,通过改进粒子群算法获得功率分配优化数据,并以此优化数据作为人工神经网络聚合模型的学习数据。以风电场出口电网侧有功、无功需求和各风机的风速作为人工神经网络的输入,将各双馈发电机直接功率控制的有功和无功参考值作为输出,搭建了某海上风电场34台3MW双馈发电机构成的四层36-102-102-68节点人工神经网络聚合模型。根据上述方法解决风电场功率的快速优化分配问题。由仿真结果表明该方法在功率可调节区域显著降低了线路损耗,具有良好性能;同时具有快速响应的特性。一定程度解决了在保证输出精度前提下的功率快速准确优化分配的问题。最后,本文针对构建海上风电场功率控制体系的问题,通过上述构建的等值神经模型与功率分配神经网络模型相结合的方式进行研究,形成了一个自上而下的风电体系,通过对优化传统模型、非优化传统模型、优化神经网络模型和非优化神经网络模型的特点进行分析比较,发现优化神经网络模式是最适合风场优化控制的模型,一定程度解决了海上风电场优化体系构建的问题,该模型兼具响应快、误差小、性能指标优的特点,可以在满足电网调度侧指令前提下,实现准确快速地向电网调度侧反馈供电能力,并在内部实现功率优化策略,该模型在风电场等值及其功率优化控制中具有明显优势。