随着传统的化石能源资源正在面临枯竭以及环境污染问题的加剧,风电等可再生能源凭借其清洁、无污染等优势得到了快速发展。然而风电出力具有随机性和波动性的特点,风电功率的预测精度远低于负荷预测精度,大规模风电并网势必会给电力系统的安全稳定运行带来严峻的挑战。因此,对风电出力的随机性和波动性进行合理刻画,对系统内各种资源进行合理配置,对于促进可再生能源消纳、提升系统运行的经济效益和灵活性水平具有重要意义。本文以大规模风电并网为背景,基于场景集的方法刻画风电出力的随机性和波动性,并围绕含风电和储能的电力系统经济调度和灵活性优化调度展开研究。本文的主要工作如下:（1）提出了一种面向风电并网系统经济调度的场景学习方法。基于自组织特征映射神经网络和粒子群算法对传统的k-means聚类加以改进,应用于场景削减过程,生成一个既能保留原始场景集特征,又能极大削减场景集规模,适用于经济调度研究的风电出力场景集。在大规模风电并网系统中引入储能来平抑风电出力波动,建立了以综合发电成本最低为目标的联合经济调度模型。算例结果表明,该方法能够兼顾聚类结果的有效性和经济调度结果的合理性。（2）建立了大规模风电并网系统灵活性优化调度模型和以系统经济性和灵活性均达到最优为目标的多目标优化调度模型。两组模型中系统的灵活性分别以约束条件和目标函数的方式呈现。提出了一种机组启停优化方法改善调度过程中的机组启停状态,该方法快速、实用,在不显著增加计算时间的情况下可以取得良好的优化结果。经验证,两组模型均能提升系统的灵活性水平,表明了考虑系统灵活性对于促进可再生能源消纳、降低失负荷风险的有效性。算例结果同时表明了储能在降低系统发电成本和提升系统灵活性水平方面的有效性。