风电等新能源大规模集中接入电网,因其出力波动性,会造成电网电压短时间内多次变化,增加电网企业的输电成本,影响供电质量。因此,结合人工智能等新技术的发展,适时提出一种适应新形势的电网无功电压优化控制策略非常有必要。当前及未来,分级电压控制仍然是解决大电网无功电压优化控制的重要举措。因此设计了风电集中接入并网的场景,对分级电压控制中大电网的分区,二级电压控制的主导节点选择等问题进行了研究,并以此为基础,尝试采用人工智能算法谋求一种快速形成控制策略的二级电压控制新方法。分区是降低控制规模的重要手段。为解决如何确定分区数目的难题,引入能自适应数据结构并自动形成聚类数目的AP聚类算法。构建了以风电期望出力为基础的电气距离矩阵,采用AP聚类算法完成了PQ节点的分区,获得了各区域的聚类中心。考虑到发电机节点对负荷节点电压的控制作用,构建了无功源控制空间以获取其与聚类中心的电气距离,实现了发电机节点以聚类中心为基础的分区归并。最后,引入量化分区质量的指标,以IEEE39节点系统为基础验证了所提方法的合理性。主导节点能代表分区后区域的整体电压水平,二级电压控制的任务就是使得主导节点的电压在目标值附近。主导节点的选择包括数量和地址两方面,利用分区方法中建立的电气距离矩阵,采用主成分分析法确定主导节点数量,主导节点选址工作计及风电波动的影响,将风电集中接入点作为一个主导节点,其余主导节点的选址以分区后获得的聚类中心为基础进行。算例表明选择的主导节点能很好的代表区域电压,并且所提方法的计算量小,适用性广。分区和主导节点选择是分级电压控制的基本工作,也是解决强化学习算法状态/动作空间“维数灾”的关键举措。三级电压控制采用粒子群算法以全网网损最小为优化目标,发电机机端电压为优化变量,进行全网优化,获得主导节点电压目标值。二级电压控制基于强化学习算法,以电容器组和变压器抽头调压装置为对象构建多个智能体,设计了考虑多种因素的动态训练环境、状态和动作集以及Q价值表,多智能体经过大量训练,给出最佳动作策略,最终使得主导节点电压向目标值靠近。算例表明所提方法能有效改善电网的电压质量,智能体兼备离线和在线训练能力,可以在紧急情况下快速给出动作策略。