风力发电因其无污染、低成本的特点,近年来备受关注。风电具有较强的不确定性和波动性,风电的不确定性导致对其预测时会产生较大误差,风电的波动性易引发风电爬坡事件。因此,大规模风电并网会影响电力系统的安全稳定运行,轻则造成弃风,重则造成切负荷。储能系统因具有较好的削峰填谷,减小供电不平衡的能力,近年来在促进新能源消纳领域运用广泛。但目前储能系统的配置和使用成本较高,需更加合理的协调利用。另外,为更好地消纳风电,含风电的电力系统调度模型变得越来越复杂,对优化求解算法提出了更高的要求。因此,如何建立合理的调度模型促进风电消纳,如何对优化模型进行快速、准确的求解,成为此领域的研究热点问题。基于此,本文研究内容如下:(1)针对电力系统经济调度模型的最优化求解问题,提出一种改进的径向移动算法(Improved Radial Movement Optimization,IRMO)。该算法结合遗传算法种群变异的思想,在迭代过程中随机对一部分粒子进行突变,改善种群多样性,避免陷入局部最优;并引入凹抛物线式的惯性权值非线性递减策略,提高算法中后期的搜索精度,更易找到全局最优解。利用测试函数和调度模型分别验证了该算法的全局寻优能力。(2)为解决风电预测误差造成的问题,提出一种基于概率最优数据特征提取的风电预测误差估计方法。通过对历史数据的统计,分析与预测误差相关的影响因素,得到提取其概率最优数据特征的方法,并以概率最优相关系数为权重将所提取的数据特征进行整合,得到预测误差估计指标;建立了基于实时误差补偿的电力系统多时间尺度滚动调度模型,在实时补偿环节根据预测误差估计指标修正火电机组出力,并利用储能系统作进一步补偿,从而促进风电消纳,降低发电成本。算例分析验证了预测误差估计方法的准确性及模型的有效性。(3)为应对风电爬坡事件,提出一种基于变分模态分解-长短期记忆神经网络(Variational Mode Decomposition-Long Short Term Memory,VMD-LSTM)的风电爬坡事件预测方法。引入VMD将风电信号分解为3个模态分量,利用LSTM对各分量进行深度学习和预测;提出并建立了应对风电爬坡事件的火/储协调策略和调度模型,通过提前协调火电机组,使其在爬坡时有充足的可调备用容量,并利用储能系统提前补偿,将风电爬坡速率降低至机组爬坡速率以下,促进风电爬坡情景下的风电消纳,保障系统安全运行,同时可降低对储能功率和容量的需求,节省成本。算例分析验证了预测方法、协调策略和调度模型的有效性。