风电装机容量的提高带来了巨大的经济和环境效益,也给电力系统安全稳定运行带来极大影响。风电场大规模集中分布使其出力表现出强相关性,可能会短时间大幅变化,若备用和调节能力不足以平衡,电网频率可能会降低,甚至损失负荷。风电出力具有波动性和不确定性,其预测存在误差,系统需要更多备用来应对风功率变化的影响。因此,研究风电爬坡事件快速准确预测、评估和预警,对于电力系统安全稳定运行具有重要意义。本文从这个角度出发,采用深度学习等人工智能技术对风电爬坡事件进行了预测、评估和预警研究。首先,提出一种基于堆叠降噪自动编码器(stacked denoising autoencoder,SDAE)的风电爬坡事件预测多层特征提取方法。利用K-means聚类算法将具有较高相似度的样本归为一类;针对不同类别,分别利用SDAE进行特征提取,将提取的每一个隐藏层特征都作为预测模型的输入,实现风电爬坡事件的快速准确预测。山东电网仿真分析结果表明,使用SDAE特征提取方法能够一定程度上提高风电爬坡事件预测的准确性,降低漏警率和误警率。其次,提出一种基于支持向量机(support vector machine,SVM)的风电爬坡事件预测方法,综合考虑常规机组和抽水蓄能电站的调节能力,利用SDAE提取的各隐藏层特征作为输入,训练分类模型SVM。将风电、负荷的历史数据、实时数据和预测数据等相关量作为SVM的输入,是否发生风电爬坡事件为输出,通过SVM快速预测是否发生风电爬坡事件。山东电网仿真比较结果表明,所提方法具有更高的准确性,更低的漏警率和误警率。最后,考虑到风电出力的不确定性以及负荷预测存在一定的误差,对有可能发生风电爬坡事件的情景进一步分析。利用蒙特卡洛模拟法生成多种运行场景,计算出每种场景的功率不平衡量;基于效用理论建立严重度函数对风电爬坡事件严重度进行分级;对严重度分级和评估的有效性进行分析。算例仿真结果表明,所提方法能够对风电爬坡事件的严重度进行准确分级和预警。