风能具有无污染、资源分布广泛的特点,因而风力发电得以大力发展。但是又由于其具有波动性,在并网之后会使电力系统的不确定性显著增加,给系统的安全经济运行带来巨大难题。所以研究含风电的电力系统动态经济调度问题具有很大的现实意义,该问题包括风电功率预测以及经济调度两方面。针对影响风电功率预测准确度的因素较多以及风电功率预测是时间序列问题,本文提出了一种宽度-深度神经网络（Wide and Deep Neural Network,WDNN）与时序卷积神经网络（Temporal Convolutional Network,TCN）组合的预测模型,用TCN替代WDNN的深度部分。首先为了提高预测精度,将风电历史运行数据集基于DBSCAN算法进行噪声识别并处理掉噪声,再将风电历史数据集输入WDNN-TCN模型中,其宽度部分输入月份、风向等离散特征进行变换组合,深度部分输入整体特征提取历史信息以及特征中的深层信息,最后通过实例验证了预测方法的有效性,与现有单一的预测方法相比精度得到提高。针对风电并网带来的影响,建立了含风电的电力系统动态经济调度模型。其中发电成本包含火电机组成本、风电预期成本以及上升旋转备用容量成本,约束条件与传统动态经济调度模型相比增加了正负旋转备用容量约束。又由于市场大环境影响,从经济、环境等多方面考虑经济调度问题更贴合实际,所以完善模型在发电成本最小化的基础上增加了污染气体排放量最小化以及电压偏差最小化目标函数,建立了三目标优化模型。针对高维复杂的动态经济调度是具有不规则前沿面的问题,采用AR-MOEA算法对动态经济调度模型进行求解。将AR-MOEA算法与其他多目标优化算法在测试问题以及算例上进行对比,验证了该算法的良好性能以及在动态经济调度问题上的可行性与有效性。并针对AR-MOEA算法存在的分布多样性问题,提出基于双重繁殖策略的改进AR-MOEA算法,并在测试问题上取得了较好结果,同时将改进的算法与其他算法应用于算例,验证了算法分布多样性得以提升且在对经济性要求高的动态经济调度问题上更具有实际意义。