传统的海上风电通常采用基于贪婪思想的控制方法,在该方法下,风电机组的风轮始终正对来风方向且保持最大推力系数以捕获单机最大风能。但该方法忽略了上游风电机组产生的尾流对于下游风电机组造成的负面影响,尾流效应会导致下游风电机组的发电效率低下,从而导致海上风电场的发电效率低下,并且会加重风电机组的载荷,从而增加风电机组发生故障的概率,减少风电机组的寿命。针对上述问题,本文展开一系列研究,主要内容如下:首先,针对尾流效应,基于CFD方法对尾流进行描述。结合Navier-Stokes方程、Prandtl混合长度湍流模型和风轮致动盘模型对风电场进行建模,通过有限体积法和混合差分法对Navier-Stokes方程进行简化、离散后求解。然后对影响尾流效应的因素进行分析,为后续建立考虑尾流效应下的海上风电场控制模型提供理论基础。其次,针对因风电机组数量带来的高维度问题,选择风电机组的入风风速、输出功率、风电机组在二维坐标系中的坐标作为聚类指标,采用并改进高斯密度距离聚类算法,将其用于海上风电场的分组。高斯密度距离聚类算法同时使用密度与距离信息来获得数据集的属性,能够在没有任何先验信息和参数的情况下找好尽可能最好的聚类。聚类完成后,基于轮廓系数与Davies-Bouldin index对聚类结果进行质量评价。然后,基于相关性分析选取旗舰机,对分组后的风电机组的控制统一以旗舰机的控制动作为标准,从而降低了优化问题的维度。最后,针对海上风电场的控制问题,采用模型预测控制框架,建立以提升风电场输出功率、降低风电机组推力载荷为目标的集中式模型预测控制和分布式模型预测控制。对于分布式模型预测控制,提出一种基于穷举搜索的协同迭代优化算法,该方法能够使风电场状态逼近帕累托最优。然后以Horns Rev I风电场为例,在MATLAB环境中进行仿真分析,结果表明了方法的有效性。