目前,风能作为可再生能源已经成为世界优先发展的新能源之一。大力发展风力发电对改善气候变化和能源匮乏问题具有十分重要的意义。但是,风能的随机性变化导致风电机组出力难以预测和控制。为了便于把握风电功率变化趋势,便于制定调度任务,本文将风电功率预测作为研究内容之一。通过分析风速和风电功率变化的影响因素,采用相关性分析法进行降维处理,降低风速预测模型的计算复杂度,并引入K-means算法以及轮廓系数对时序数据集进行聚类处理。针对神经网络风电功率预测模型收敛慢、过拟合、参数冗余等缺点,提出一种多尺度卷积神经网络的风电功率预测模型。为了降低模型误差,提出将误差作为预测值加入损失函数中,进一步改善风电功率预测模型的精准度。另一方面,风能的波动性将会导致风力发电厂并网对电力系统的可靠性、安全性以及经济性运行带来威胁,因此,引入储能设备平抑风力发电的波动性,实现削峰填谷,备用电源等作用。为了实现最小化系统经济成本,输出功率波动性和弃风率,建立了储能容量的多目标优化配置模型及约束条件。本文采取非支配排序遗传算法(Non-dominated sorted genetic algorithm-Ⅱ,NSGA-Ⅱ)作为模型求解方法。针对NSGA-Ⅱ在求解储能容量多目标优化配置模型时拥挤距离失效的问题,提出了一种潜在拥挤距离改进算法,改善帕累托(Pareto)解集的多样性和均匀性,并利用爆炸算子代替变异算子进行局部搜索。最后,为了降低决策者在Pareto解集寻找方案的难度,引入模糊理论实现无偏折中策略获取无偏最优解。