近些年来,我国的水电建设事业取得了突飞猛进的发展,形成了一批具有电站级数多、装机规模大等特点的梯级水电站群。大规模水电站群的不断投入运行,对水电系统运行管理问题构成了严峻挑战。预报和调度是水电系统运行管理中的两大核心问题,其中,及时可靠的径流预报信息是科学制定水电调度方案的重要依据,而合理的调度方案则是充分利用水能资源的重要保障。对于径流预报问题,模型参数率定效率及精度是评价模型性能的关键指标,也是当前研究径流预报所面临的难点；对于调度问题,随着梯级电站级数的不断增多,精细化调度对于梯级水电站群的意义越来越大,梯级间的水流滞时对中期发电调度的影响不容忽视。因此,研究如何提高径流预报精度和发电优化调度的求解效率以及合理评价因水流滞时产生的滞时电量问题,对于提升水电系统运行管理水平具有重要意义。本文以我国南方的水电站群为工程背景,针对中长期径流预报问题,深入研究了具有较高预报精度的人工智能技术建模方法：针对水电站群调度问题,研究了并行智能算法求解技术,同时研究了考虑水流滞时的水电系统中期发电优化调度问题。主要成果如下：(1)针对前馈神经网络在径流预报中常采用梯度下降的参数率定方法,存在计算耗时长和容易陷入局部最优等缺陷,建立了基于极端学习机算法(ELM)的小波神经网络(WNN-ELM)中长期径流预报模型。该模型结合小波分析强大的数学分析功能,首先利用atrous小波变换对原数据序列进行分解,然后将小波分解系数作为单隐层前馈神经网络模型(SLFNs)的输入,实际径流数据作为输出建立模型；同时充分利用ELM算法极快的学习速度和良好的泛化能力,将其应用于小波神经网络模型参数率定。以我国西南地区的漫湾和洪家渡两座水电站的月径流预报为例进行验证,并与SLFNs-ELM模型和支持向量机(SVM)进行比较,结果表明,SLFNs-ELM模型峰值预测精度略优于SVM,而WNN-ELM模型的预报精度明显优于SLFNs-ELM 和 SVM模型。(2)针对回声状态网络(ESN)在径流预报中因采用线性回归率定模型参数容易出现过拟合问题,建立了基于贝叶斯回声状态网络(BESN)的日径流预报模型。该模型将贝叶斯理论与ESN模型相结合,通过权重后验概率密度最大化而获得最优输出权重,提高了模型的泛化能力。通过安砂和新丰江两座水库日径流预测实例表明,BESN模型是一种有效、可行的预测方法,与传统BP神经网络和ESN模型对比,进一步表明BESN模型具有更好的预测精度。(3)针对差分演化算法(DE)求解水电站群优化调度问题时易陷入局部最优问题,同时为提高DE算法计算效率,建立了水电站群长期优化调度并行混合差分演化算法(PCSADE)。首先,结合混沌理论随机性和遍历性强等优点,利用tent映射生成DE算法的初始种群并实现对控制参数(缩放因子和交叉因子)进行动态调整；其次,利用模拟退火算法,依据Metropolis准则改进DE算法的局部搜索能力：最后,基于Fork/Join并行框架技术,实现了对改进算法(CSADE)的并行化计算,并测试了不同种群规模下PCSADE算法的性能。以红水河流域梯级水电站群长期优化调度为应用实例,表明所提混合算法CSADE具有较好的寻优能力,而所提出的并行混合算法PCSADE不仅能大幅度提高求解效率,而且提高了求解质量。(4)针对梯级电站因最上游和最下游距离较远而存在中期调度水流滞时问题,建立了考虑滞时电量的期末蓄能最大模型,并采用基于两阶段次梯度法乘子更新策略的拉格朗日松弛法进行模型求解。首先利用逐步优化算法求解发电量最大模型,以确定调度期内的系统出力过程；然后建立期末蓄能最大模型,根据系统负荷需求,利用拉格朗日松弛法进行模型求解,并在建立对偶问题的基础上,以逐次逼近算法求解对偶问题,以两阶段次梯度法进行乘子更新。以澜沧江中下游梯级水电站群中期优化调度为例,将所提模型与未考虑滞时电量的模型进行对比,结果表明,中期滞时电量对计算结果有一定影响,中期调度需充分考虑调度结果的后效性。最后对全文做了总结,并对有待深入研究的问题作出了展望。