在环境污染、化石燃料消耗殆尽等众多问题的影响下,开发清洁能源的必要性与重要性已成为全球共识,越来越多的国家、机构逐渐投入到新能源发电研究领域中来,风力发电便也成为最为广泛应用的新能源之一。随着并网风电场规模的逐渐庞大,风能随机性强、具有一定相关性等特点逐渐被人们所认识,这也为含风电场的电力系统运行带来了一定影响,如何在接入风电的基础上保证电压稳定、系统安全运行等问题,均成为研究风电并网问题的重点。本文针对以上问题,建立了可以描述多风电场相关性的风电出力模型,并根据“先定位后定量”的无功补偿方法进行无功优化。首先,为了提高相关性分析结果的精确度与计算效率,先采用聚类的方法将历史数据分为6种分场景,分别就各场景下两两风电场之间的相关性进行分析,根据相关指标选取最适合的Copula函数。在此基础上,采用混合藤结构链接两两风电场间的相关性,从而完成三风电场相关性的出力建模。建模过程中,由于时变Copula函数可以较好的体现相关性的时变特性,并通过对比证明了时变Copula函数比静态Copula函数拟合的数据更贴合实际风电场出力,因此本文直接采用时变Copula函数与混合藤结构构成的MVTV Copula(Mixed vine timevarying Copula)方法进行多风电场的有功出力建模。为了验证该方法的有效性,采用MVTV Copula方法进行建模,并通过与单一藤结构、静态Copula建模相比较,证明时变Copula函数与混合藤结构具有更好的建模效果,建模结果也与原始数据基本重合。而后,基于“先定位后定量”的计算流程解决系统无功补偿问题。在传统灵敏度算法的基础上融入K-means聚类分析与基于密度的评价指标(Density Based on Index)对其进行改进,根据聚类分析的结果确定需要补偿的节点位置,完成“先定位”的步骤,并通过分别对改进灵敏度方法前后获得的两组不同待补偿点进行潮流计算,证明了改进后的无功补偿点能更有效减少有功网损。最后,将本文中提出的建模方法、无功补偿节点选址法与补偿量计算相结合,建立考虑多风电场出力相关性的无功补偿模型,对粒子群混合遗传算法进行改进,从而提高搜索的精度。并将改进的粒子群混合遗传算法应用于节点补偿量的计算当中,完成“后定量”的无功补偿步骤。为了验证所提方法的有效性,在IEEE33节点系统中接入三风电场,采用改进的粒子群混合遗传算法仿真得到6个风电出力场景对应的无功优化策略,并对比分析了采用本文所提方法与基础灵敏度算法获得的无功优化结果。结果表明,本文所提MVTV Copula方法可对风电场相关性进行较为全面的描述,所建模型也具有较高的拟合精度,本文所提的改进灵敏度方法与改进粒子群混合遗传算法对于无功优化问题的解决也有所帮助。