进入二十一世纪以来，人类社会面临全球变暖、石油危机、能源安全和环境保护等诸多挑战。在新形势下，发展可再生能源发电（风力发电、光伏发电等），并将其作为分布式电源(Distributed Generation；DG)接入电网，是解决能源、交通、环境问题的重要手段，符合世界各国可持续发展的战略需求。然而，大量间歇性的可再生能源发电接入电网，将给电网的安全与经济运行带来新的问题。在保证安全运行的前提下，提高电力系统的运营效率成为了广泛关注的核心问题。为此，本文针对数目庞大、地域分散的小容量分布式电源的优化调度问题，考虑风场最大出力的不确定性，引入虚拟电厂、可交易绿色证书概念，基于Copula函数、极端学习机(Extreme Learning Machine, ELM)、粒子群优化算法，提出了一种计及风电出力不确定性的分布式电源参与系统调度、市场竞争的新方法。首先，针对风电出力不确定性问题，采用两参数Weibull分布刻画了风速的随机特性，结合风场出力模型，导出单风场最大出力的概率分布函数。考虑多风场最大出力的概率相关性，借助Gumbel-Copula函数构建了多风场最大出力的联合概率分布。算例结果表明，两参数Weibull分布能准确地拟合实际的风场风速概率；将Gumbel-Copula函数与Normal-Copula函数、t-Copula函数、Clayton-Copula函数、Frank-Copula函数以及不考虑多风场最大出力相关性的函数进行对比分析，说明了Gumbel-Copula函数可以更好地构建多个风场最大出力的联合概率分布。其次，引入虚拟电厂概念，通过优化调度风场、燃料发电机组、储能装置以及可中断负荷等分布式电源的输出功率，实现分布式电源的聚合和管理，从而具有与常规电厂相似的可调控的运行功能，以参与电力市场的交易和系统调度。以分布式电源出力为调度对象，在最大化利用风场出力以及满足电力网络安全运行约束和分布式电源设备自身容量约束的前提下，以虚拟电厂经济效益的期望值最大为优化目标，提出了虚拟电厂随机优化调度模型。该模型中，考虑了风场出力的不确定性，在风力发电成本中计及了当风场被调度的输出功率高于低于最大出力时的惩罚成本。借助极端学习机构建风电惩罚成本与风场出力之间的非线性映射关系，并将该映射关系以一组等式约束方程融入到优化调度模型中，从而获得可计算的虚拟电厂随机优化调度模型。为了提高虚拟电厂随机优化模型的求解效率，将标准粒子群算法中种群的进化机制和ELM良好的非线性映射能力相结合，提出了基于ELM的改进粒子群算法，通过定量模拟粒子进化过程，引导种群的进化方向，有效提高了粒子群算法的全局收敛速度。算例仿真验证了ELM刻画多风场惩罚成本与风场出力之间的非线性映射关系的可行性，并将BP神经网络、支持向量机、最小二乘支持向量机、相关向量机四种方法与ELM进行对比分析，结果说明了ELM在保证良好的泛化能力的基础上，具有非常快的训练速度；以15节点、118节点的虚拟电厂随机优化调度为例，说明了本文提出的基于ELM的改进粒子群算法比标准粒子群算法收敛速度快、全局收敛性更加优良。进一步，分析了绿色证书交易机制对虚拟电厂随机优化调度的影响，以完全竞争、寡头竞争两种市场为背景，构建了绿色证书交易下的虚拟电厂随机优化调度模型。算例分析表明，引进绿色证书交易机制，能够极大地提高风场出力，改善风电参与电力市场的竞争能力，从而有效促进风力发电的发展；并且，通过合理选择可再生能源发电配额额度，能优化虚拟电厂的资源配置，极大降低虚拟电厂的总出力成本。