2021年,碳达峰、碳中和目标开启了我国能源消费的低碳新时代,其基本思路是构建以新能源为主体的新型电力系统。我国大部分的电网系统,是按照传统“源随荷动”的理念建设发展起来的,要构建新型电力系统,就要合理解决清洁能源的不稳定性可能给电网造成的问题。新能源中,风能具有随机性、间歇性和反调峰性等自然属性,给风电大规模并网工作带来了一些难题。为了实现电力行业的清洁减碳目标,也为了更加安全地消纳风电出力,有以下两条实现路径。其一,开发有控制或跟踪风能随机出力的方法,例如对风电进行高精度短期预测,其二,发掘更先进的包容风电功率随机性的电力系统经济调度方法。本文针对这两个方面进行了相关算法和模型的开发、实验与讨论,开展的具体工作如下:首先,针对风电预测的数据预处理环节,本文提出了一种基于局部预测原理和张量变换的技术路线,能够将张量映射到高维空间。这一有效重组数据特征的方法,适应性地融合了多步间隔采样、张量汉克化和相似段搜索,将原始时间序列（形式如同“风数据×时间点”）转换为高阶张量结构（形式如“风数据×相似性×时间点”）,在张量中构造了二维切片的平移不变性特征,并在具体实验中证明了该数据预处理方法能有效帮助后续预测器模型取得较高的计算收敛速度和预测精度。其次,在高阶数据处理后,本文提出了一个适用于小规模张量回归的低秩学习预测器。它包含一个滤除张量噪声的塔克分解算法和一个编码器–解码器网络（编码器为一个带注意力机制的长短时记忆网络,解码器为一个多层感知机）,可以对风速/风电功率的张量时间序列进行提前多步预测。这种深度学习网络能够很好地拟合张量片段之间的相关性,在风速和功率两个数据集上都取得了相对常见的一维点预测模型或相同高维框架下其他预测器更低的预测误差,同时在减少了信息冗余的情况下保证了计算速度。最后,精确的风电预测可以为多目标优化调度决策提供依据。因此,本文通过建立含风电的IEEE 30节点的电力系统,研究系统的燃料成本特性、污染排放特性和系统网损三个优化目标,并根据风电预测结果得到静态环境经济调度最优解集（帕累托前沿）。在优化算法的选择上,考虑到真实多目标优化问题的矛盾性和复杂性,本文进一步提出了多种群好奇搜索算法。该算法具有多新颖性搜索机制,在基准实例问题上展现了收敛性和多样性优势,本文也进一步证明了该算法在电力系统优化调度问题上的可行性。结果显示,风电预测精度的提高对降低调度误差有重要作用,而新的优化算法能够帮助找出更好的最优折中解和解决方案更丰富的最优解集。综上,针对风电超短期预测的问题,本文提出了一种基于高阶数据变换的风电预测模型,并在数据预处理和非监督学习两个方面提出了创新。同时,本文应用风电预测结果建立电力系统静态环境经济调度模型,并提出了一种新颖的启发式算法进行优化调度,可以更好地在满足风电全额消纳的同时提供更多调度决策方案。