风能作为无污染的可再生能源,目前已被各个国家有效应用于风力发电中。随着风力发电机的广泛应用,风力发电机运行工况和环境因素的多变性以及风能出力的不确定性,对风力发电的并网发电和风电机组有效调度提出了更高的要求。因此,实现风电机组的发电功率的准确预测和风电机组的优化调度,对提高风电机组的并网发电效率和促进电力系统平稳安全运行都具有非常重要的现实意义。本文针对风能出力的不确定性和风电机组运行工况的多变性,基于风电机组的SCADA（Supervisory Control And Data Acquisition）系统数据,以风力发电机的有功功率预测和风电机组功率调度策略为研究对象,采用随机森林算法,构建相关因素的重要性分析和异常值修正;采用集成学习算法,构建机组有功功率预测模型;采用进化多目标优化算法,构建风电机组的多目标优化调度模型,并进行了相关的实例验证。本论文的主要研究工作如下:（1）确定有功功率预测的相关因素。在研究风力发电机的发电和运行原理的基础上,分析了风电机组有功功率的相关影响因素,考虑功率因素中的机械损耗、电损耗、磁损耗和环境因素,分别选取了空气密度、实时风速、桨距角、风轮转速、瞬时风向、偏航角度、风向和轴夹角、线圈电压、线圈电流、线圈温度、机舱温度、齿轮箱油池温度、主轴承温度、转子线圈温度、齿轮箱油压、实际扭矩等参数指标,并从风机SCADA系统中导出数据。（2）构建有功功率预测相关因素的预处理模型。首先,分析数据来源和不良数据产生原因,进行了数据合理性检验和异常值处理;其次,以有功功率确定的负荷等级为分类指标,基于随机森林（Random Forest,RF）分类算法,进行属性重要度分析,并根据得到的重要度结果求解相关属性的权重系数λi;然后,基于样本库案例推理（Case-based Reasoning,CBR）技术和k近邻分类（k-nearest neighbor classification,KNN）算法思想,提出一种λ-3nn缺失值补全模型,并进行了实例验证;最后,根据权重系数的阈值设定,删除不相关因素和异常数据,构建功率预测的样本数据库。（3）构建基于集成算法的有功功率预测模型。基于集成学习Bagging算法的思想,分别选择支持向量机（Support Vector Machine,SVM）、极限学习机（Extreme Learning Machine,ELM）和随机森林回归算法为基学习器;提出了一种基于粒子群算法的动态加权的集成学习策略,利用粒子群算法良好的参数寻优性能,动态选择最优且彼此间差异度最大的个体模型,实现动态优化的集成学习;分别根据正常功率和限功率样本数据库,进行集成算法模型的实例验证和性能分析比较。（4）构建基于改进非支配排序遗传算法（Nondominated Sorting Genetic Algorithms,NSGA）的风电机组多目标优化调度模型。分别以风电场整体功率偏差、单台风电机组出力波动幅度和整体机组实时健康指数为优化目标,单台风机出力约束、风电场总出力约束和风电场最大出力范围约束条件,构建风电机组多目标优化调度模型。利用进化多目标优化算法对模型进行求解,并以河北某风电场的10台风力发电机组为验证对象,在设定的调度任务要求和各机组健康状态指数的条件下,求解Pareto最优前沿边界解,经实例验证该算法具有较高的准确性和实用性。