进入新世纪以来,我国风力发电行业获得了高速的发展。然而,风电的随机性、波动性以及反调峰特性,对常规电力系统的运行分析、调度及控制方式提出了新的挑战,以风电功率预测技术为基础的电力系统调度管理是目前最为经济有效的解决办法。本文的主要工作包括：(1)提出基于气象数据相似度选取训练数据集的改进BP神经网络模型,来进行风电场功率预测。针对已有BP神经网络模型在选取训练数据集方面所存在的不足,分别对每个预测时段,通过数据相似度选取训练数据集。预测结果分析显示,改进BP神经网络模型相对于传统BP神经网络模型有一定的优越性。(2)提出求解含风电场电力系统优化调度问题的改进多目标粒子群算法,目标函数包括系统发电总成本、污染气体排放量和风电场输出功率短期波动引起的系统运行风险三个函数。该算法在处理机组组合问题时,首先通过所设计的启发式规则生成初始机组组合,保证初始解的机组组合的多样性和合理性,然后通过引入遗传算子,来改善多目标粒子群算法搜索机组组合的能力；在处理负荷分配问题时,通过所设计的外部档案维护策略和粒子全局最优解的选取策略,来改善多目标粒子群算法优化负荷分配的能力。最后运用模糊决策,从多目标粒子群算法所得到的非劣解集中选取最合适的调度方案,模糊决策时三个目标的权重可由决策者根据对优化目标的偏好以及负荷水平和风功率预测情况确定。仿真结果显示,风电并网可以显著降低系统总发电成本和污染气体排放量；同时,采用启发式规则和遗传算子搜索机组组合的能力要优于优先顺序法,算法有一定的实用价值。