在能源革命和“互联网+”等国家战略的背景下,能源互联网能够将能源和互联网深度融合,已经成为当前国际学术界和产业界关注的新焦点。风电能源作为一种高效和绿色的可再生能源,在全球能源互联网的背景下得到了前所未有的迅猛发展,在中国更是出现了跳跃式增长。根据风电能源并网的实际情况,电网运行人员发现大规模的风电功率出现短时间快速的增加或减少,导致发生所谓的“风电功率爬坡事件”,对电力系统的安全稳定运行造成严重威胁,引起世界范围内专家和学者的关注。尽管如此,国内外关于风电功率爬坡事件问题的研究仍然处于刚起步的探索阶段,国内的研究成果更是极为稀少。基于上述研究背景,本文以风电功率爬坡事件为主要研究对象,分别从检测、预测和应用等三个角度出发,首次较为详尽地综述了关于风电功率爬坡事件的国内外研究现状,研究了基于改进旋转门算法的爬坡事件检测算法,提出了爬坡事件的确定性和概率性预测方法以及考虑电网应用背景的预测方法,并尝试将风电功率灵活爬坡产品引入新型机组组合调度模型,以期积极有效地利用风电功率爬坡事件,提高风电能源在能源互联网中的利用效率。在爬坡事件问题综述方面,首次对国内外关于爬坡事件的定义、检测方法、预测方法和调度模型中爬坡产品研究等问题的研究现状展开综述,使用详细的文献统计数据说明爬坡事件问题将会成为新的研究热点。在爬坡事件检测算法方面,提出一种基于改进旋转门算法(Optimized Swinging Door Algorithm, OpSDA)的爬坡事件检测方法,使用动态规划算法对传统旋转门算法(Swinging Door Algorithm, SDA)得到的分段时间区间进行优化整合,并分别对bump事件和趋势爬坡事件进行再处理,得到最终的检测结果。仿真结果表明改进旋转门算法能够有效地检测出风电功率爬坡事件,并且比传统旋转门算法的表现效果更好,同时该算法比L1滑窗算法消耗更少的计算时间。在爬坡事件预测方法方面,基于双字典集原子稀疏分解和神经网络组合预测法,提出一种风电功率爬坡事件的确定性预测方法；介绍了随机场景生成模型的基本概念与原理,提出一种基于神经网络的随机过程模型,所提随机过程模型能够较好地模拟真实风电功率随机过程模型,并对预测出的爬坡事件概率分布特征进行统计分析；建立了考虑频率偏差量的含风机的准稳态潮流计算模型,并将频率偏差量和滑差修正量引入雅可比矩阵中进行潮流计算,提出了预测爬坡事件发生后的频率偏差指标(Post-Ramp Events Steady Frequency, PRESF)和近似爬坡事件发生后的稳定频率(Approximate Post-Ramp Event Steady Frequency, APRESF)频率偏差指标。在爬坡事件系统应用方面,基于以上爬坡事件的预测结果,建立了一种考虑风电功率爬坡产品和电网调度灵活性的改进机组组合模型,将风电功率爬坡事件作为一种爬坡产品进行有效利用。由于计及了风电功率爬坡产品,传统机组组合模型中的约束条件均进行了相应改进,包括机组爬坡能力约束、有功出力约束和灵活爬坡产品需求约束等,仿真结果表明考虑风电功率爬坡产品后,旋转备用成本和总生产成本费用均出现不同程度地降低,同时不影响常规火电机组的出力安排。