风力发电作为当今技术最成熟、效率最高的清洁能源而受到各国的普遍关注及应用。双馈风电机组输出功率受风速变化的影响，造成风电机组输出功率的间歇性和波动性，给电力系统的稳定运行带来巨大的挑战。本文重点研究双馈风电机组在恒电压运行方式下的优化控制方法及基于流场特性的双馈风电场的等值建模。针对双馈风电机组恒电压控制系统中PI控制器参数不能动态整定的不足，提出了基于BP神经网络与基于蚁群优化算法的PI控制器参数动态整定策略。基于BP神经网络的动态整定算法中采用三层神经网络结构，通过神经网络各层神经元对样本的学习得出最优的权值，从而在网络输入变化时动态调节PI控制器的参数；基于蚁群优化算法的PI参数动态整定策略以PI控制器的两个参数作为蚁群中的蚂蚁，采用控制双馈风电机组机端电压实际值与其参考值的绝对误差积分函数作为优化目标，在控制过程动态调节PI控制器的参数。当风速变化和电网电压跌落两种情况时，对动态整定PI控制器参数和非动态整定方法进行了对比分析。当前风电场建模是将整个风电场看成一个大容量的风电机组，没有考虑风电场内部的流场特性对风电场建模的影响，针对这种建模方式的不足，提出一种基于流场特性的双馈风电场等值建模方法。该方法在考虑地形和尾流效应对风电场流场特性影响的基础上，建立风电场内流场的计算模型，计算各台风电机位置处的风速，以该风速作为风电机组模型的输入风速，研究风电场生产过程的动态特性。利用该方法对含有15台风力机的双馈风电场进行等值建模，并与用测风塔风速作为模型输入的方法进行对比研究。本文研究内容的对比分析表明：基于BP神经网络与基于蚁群优化算法的PI参数动态整定控制方法能够提高双馈风电机组的并网电压稳定性，并减小响应时间；基于流场特性的双馈风电场的等值建模，更准确的反应风电场生产过程中的动态特性。