风电因无污染和可再生等特点近年来得到快速发展,风电在促进电力系统节能减排的同时也因其不确定性让电网安全运行面临严重威胁。提高风电的可控性对保障电力系统稳定运行具有重要的实际意义。本文为了解决风电出力的不确定性,从电力系统调度管理的现实情况出发,以风功率日前预测和含风电电力系统联合调度为研究对象,对预测方法、数学模型、求解策略和求解算法等关键技术进行了研究,主要工作如下:分析了风电场出力的周期性特征,总结了风电场出力的变化规律,针对每小时出力变化特点,分别以滚动多步方式和直接多步方式建立了两种具有长短时记忆(LSTM)深度神经网络结构的风功率日前预测模型,并对预测模型输入变量个数与预测误差的关系进行了分析。算例结果表明,所提模型具有较强的泛化性和稳定性,预测精度比BP神经网络模型、Elman神经网络模型和SVM模型有了明显提升。针对单一预测模型误差随预测时长容易激增的情况,提出基于变分模态分解(VMD)与LSTM深度神经网络相组合的风功率日前预测模型。该模型先利用VMD分解技术对风功率序列进行特征分解,再结合深度神经网络对特征信息进行学习。针对VMD分解个数的选取问题,考虑到VMD残差分量对神经网络学习效果的影响,提出通过设置“残差可接受范围”确定分解个数的方法。算例结果表明,所提模型有效地控制了误差增幅,提高了风功率日前预测精度。针对风功率日前预测误差的不确定性,提出基于分量相关多元正态分布的误差不确定性建模方法。研究了预测步长与预测误差的函数关系,得出日前预测误差具有扩散特性。针对日前预测误差的分布情况,分别采用正态分布和拉普拉斯分布对一维误差序列进行了拟合验证,结果表明:正态分布的适用性强于拉普拉斯分布。分别采用分量独立的多元正态分布和分量相关的多元正态分布对多维误差序列进行了拟合验证,结果表明:日前预测误差序列之间存在相关性,采用分量相关的多元正态分布,能够实现日前预测误差理论频率与实际频率的统一。针对电网调度中存在备用容量无效和备用容量冗余的情形,提出并建立了基于风电场出力场景包络区间的电力系统日前联合调度模型。针对场景包络区间范围偏大导致的风电备用容量冗余问题,采用场景缩减方法对场景包络区间进行合理调整。针对日前联合调度模型的求解,提出三阶段方法:第一阶段采用场景聚类方式求取风电场出力包络区间;第二阶段采用动态规划法和优先级列表法求取水电和火电的机组启停状态;第三阶段运用风驱动算法求取机组最优出力。算例结果表明该模型在保障风电不确定性可控的前提下,节省了系统调度运行成本。本文提出的风功率日前预测模型以及以此为基础的含风电电力系统联合调度模型,对推动和完善风电并网运行具有积极意义。