受土地资源和集电系统投资所限,大型风电场中以某种方式排列的机组前后间距不宜过大,尾流效应彰显,引起下游风速降低、湍流强度增加,进而造成尾流区内风电机组的输出功率降低、疲劳损伤加剧。快速计算风电场尾流分布,并据此优化调度场内机组间的负荷分配,可减少风电场尾流引起的风电功率损失、降低机组疲劳损伤。因此,研究风电场尾流快速计算和风电场内有功功率优化调度,是风电场运行和维护理论与技术的重要课题。围绕此课题,完成了4个方面的工作：针对风向对风电机组间流动相关性的影响,提出了一种平坦地形风电场内风电机组间流动相关性的计算方法,用于计算不同风向下风电机组间的流动相关性；提出了一种风电机组间尾流叠加区域面积计算方法,用于计算不同叠加情况下,风电机组间尾流的叠加面积；综合风电机组间流动相关性计算方法和风电机组尾流叠加区域面积计算方法,建立了风电场尾流分布快速计算模型。以丹麦海上风电场Horns Rev为例,分别对风速为8.5m/s和12m/s,风向为222°和270°的情况进行计算分析,结果表明：在不同风速风向下所建立的尾流分布快速计算模型能够准确描述风电场尾流分布。研究了一种自然风流经风电机组时的短时风速模型,并对该短时风速模型进行计算分析,计算结果表明了短时风速模型能够真实反映自然风流经风电机组时的动态特性。研究了基于极值搜索控制的双馈风电机组最大功率跟踪方法,以6kW双馈风电机组为对象,对极值搜索控制方法和爬山法进行了对比分析,分析结果表明了极值搜索控制方法优于爬山法。研究了变速风电机组工况参数与风电场尾流分布间的耦合关系,建立了基于风电机组工况参数的风电场尾流分布模型。计算结果表明了尾流风速随轴向诱导因子或推力系数的增加而减小,风电机组输出功率随轴向诱导因子或推力系数的增加而增大。为解决风电场优化调度具有高维数、非线性、多参数耦合的复杂问题,研究了基于遗传算法(Genetic Algorithm, GA)和粒子群算法(Particle Swarm Optimization, PSO)的风电场优化调度模型。该模型以风电场整体输出功率最大为目标,以风电机组的轴向诱导因子为优化变量,GA和PSO算法为优化算法,结合风电场尾流分布快速计算模型,实现对不同风向和风速下的风电场输出功率进行优化调度。以丹麦Horns Rev风电场为例进行计算分析,结果表明：当来流风速和风向为8.5m/s和270°时,GA算法优化后风电场整体输出功率提高了4.88%,PSO算法优化后风电场整体输出功率提高了9.96%。采用PSO算法的风电场优化调度效果好于采用GA算法的风电场优化调度效果。对于机组数量多且流动耦合性强的大型风电场,GA算法和PSO算法难以求解到最优解,为此,研究了一种适用于大型风电场优化调度的多智能体(multi-agents, MA)计算方法；定义了具有风电机组特性的智能体结构,以及智能体目标函数、网格环境、学习算子,编程实现了MA优化调度算法。以丹麦HornsRev风电场为例进行计算分析,结果表明：当来流风速为8.5m/s,风向为270度时,MA算法优化后风电场整体输出功率提高了10.74%,证明了MA算法在求解大型风电场优化调度最优解时的优越性。