随着国际社会对环境保护与能源安全等问题的日益重视,降低化石燃料消耗,加快可再生能源的开发利用已成为各国的共识。近年来风电成为世界上增长速度最快的清洁能源之一,风电的渗透率随着风电装机规模和并网容量的增大不断提高,使得电源侧的运行方式变得更为复杂多变,给电网的安全稳定运行带来极大的挑战,严重影响了系统对风电的有效并网和充分消纳。因此,评估风电消纳能力,辨识影响风电消纳的关键因素以及优化风电消纳措施是当前研究的重点,对保证电网安全稳定运行、提升可再生能源利用率、保护生态环境具有重要的现实意义。本文对电力系统风电消纳能力评估的典型场景生成方法、风电消纳能力预测方法以及风电消纳措施优化等内容开展研究,具体如下:针对风电-负荷典型场景选取的随机性与不确定性问题,提出了面向风电消纳能力评估的风电-负荷典型场景生成方法。计及风电出力与负荷的相关性,提取面向风电消纳能力评估的特征指标,构建风电出力的特征曲线,并分析比较原始曲线与特征曲线的相似性。基于此,利用分层的思想,面向风电消纳能力评估场景,建立了基于AHC-改进K-means双层聚类的风电-负荷典型场景生成方法,上层采用AHC聚类算法对风电特征曲线进行聚类,下层采用改进的K-means算法对风电-负荷耦合曲线进行聚类,对风电-负荷聚类结果进行了算法性能与风电消纳能力评估分析,验证了所提算法的有效性。算例分析表明,该双层聚类模型在算法性能上优于单层聚类,其误差远低于单层算法,并且通过聚类产生的典型场景代替所有场景分析系统的风电消纳能力,在保证计算精度的情况下,计算时间大大减少,提高了计算效率。典型场景有利于电网对电力系统的运行进行短期调度以及中长期规划以提升系统的风电消纳能力。为充分利用历史数据对风电消纳能力进行预测,并分析影响消纳能力的关键因素,提出了基于DNN-XGBoost的风电消纳能力组合预测模型。分别建立DNN风电消纳预测模型与XGBoost风电消纳预测模型,采用网格搜索法分别对DNN模型的隐藏层数与神经元数参数以及XGBoost模型的Booster参数进行优化;结合DNN模型的预测准确性与XGBoost的模型可解释性,采用误差倒数法建立组合预测模型并对风电消纳能力进行预测,进而对影响因素进行分析。对该组合模型与多种回归算法进行模型评分以及误差分析对比,验证该模型的准确性以及各影响因素对风电消纳能力的影响程度。对风电消纳量的预测以及关键因素的分析将有助于电网针对不同场景提出不同的改进措施以提升系统的风电消纳能力。为充分分析电力系统灵活性潜力,针对提升电力系统风电消纳能力具体措施,提出了火电机组灵活性改造与储能联合优化规划模型。基于影响风电消纳能力的关键因素,分析了源荷端的灵活性潜力,基于目前的火电机组灵活性改造技术,提出了考虑机组改造成本及机组低荷疲劳寿命损耗成本的电力系统规划运行模型;同时通过对储能的选型对其功率及能量的规划配置,建立了计及火电机组与储能的联合优化规划模型。以改进的IEEE30节点系统为例,进行了多种场景的仿真计算分析,算例分析显示,所构建的模型通过配置不同的火电机组改造深度与储能容量能够在提升电力系统运行经济性的同时促进高比例风电消纳。