可再生能源应用技术发展,对各国的能源安全、环境保护等具有重大意义。中国将能源生产和消费革命定位至国家战略层面,风能发电占比迅速攀升,大大增加了电力系统中的不确定性。天然气机组具备灵活性和快速响应能力,电力、天然气和风能等多能互补的能源系统架构有利于能源消费效率的提升,电-气耦合系统（IEGS）的协同调度成为一个热门的研究课题。分布鲁棒优化通过为最坏情况概率分布提供最优解,来应对电-气耦合系统中风电不确定性。然而,有限的历史风电数据影响了最坏情况概率分布的估计。通过场景生成,形成更鲁棒、更具成本效益的分布鲁棒优化具备现实意义。此外,电力系统和天然气系统通常分别由不同的公司运营,为尽可能地保护隐私,只有有限的运行信息得以交换。在处理大型分布式系统时,快速获得精确解仍是待解决问题。本文针对IEGS的集中式和分布式经济调度问题,重点研究了考虑机会约束的随机优化方法和分布式求解算法,主要内容包括以下三个方面:1)建立了电-气耦合系统的稳态数学模型,包括风电不确定性的数学定义、全局成本函数、电力和天然气系统的约束条件、子系统之间的耦合方程。此外,三种典型的随机优化方法,即高斯分布下的随机优化、对称分布鲁棒优化和分布鲁棒优化,可以将优化目标和机会约束转化为可解的形式。2)面对考虑风电不确定性的电-气耦合系统集中式经济调度问题,本文提出了一种基于数据驱动的数据增强分布鲁棒优化方法。作为人工智能领域的一个重要突破,生成对抗网络可以从原始数据中直接学习复杂的不确定性参数概率分布,并生成服从相同分布的数据。基于有限的历史数据,数据驱动的生成对抗网络生成了风电数据。生成的数据与原数据结合有助于改进分布鲁棒优化中最坏情况的概率分布的估计。此外,通过控制辅助数据的数量,可以经济有效地调整优化解的鲁棒性。在一个算例研究中,与四种典型的优化方法相比,所提出方法的优化解在几乎可以忽略的成本增加的情况下实现了更低的机会约束违反概率。3)对于考虑风电不确定性的电-气耦合系统分布式调度问题,本文提出了一种谱惩罚因子迭代策略来加速优化过程,在原ADMM基础上发展了适用于分布式电-气耦合系统优化的求解算法。由于风电出力的波动性,分布式系统的运行工况随之改变,求解的问题不断变化。典型的交替方向乘子法（ADMM）适用于求解IEGS的分布式调度优化问题,但其惩罚因子的选择对迭代收敛影响较大。面对风电出力变化的分布式问题时,人工经验调整和预设惩罚因子难以调整跟随,而惩罚因子的自适应迭代有利于降低初始值灵敏度和收敛的鲁棒性。算例研究表明,该自适应ADMM对惩罚因子初始值具有鲁棒性,且收敛速度有明显的提升。