近年来,随着电力市场化改革的进一步推进,由于大量电力新技术的应用,考虑安全约束的机组组合(Security Constrained Unit Commitment,SCUC)问题作为电力分配和调度的基础将直接面临大量挑战。传统的基于物理模型驱动的机组组合决策方法可能无法适应电力系统快速发展的实际需求。如何解决基于物理驱动模型无法适应新挑战的现状,已经成为全世界范围内共同亟需解决的重要难题。本文从数据驱动的概念出发,提出使用神经网络模型及深度学习模型直接学习历史数据中存在的映射关系,建立映射模型,由映射模型进行决策。本文重点研究了超短期风功率组合预测方法、基于长短时记忆网络以及门限循环网络的机组组合智能决策方法以及基于序列对序列技术的机组组合智能决策方法。1)本文提出一种以复数据经验模态分解的噪声辅助信号分解法和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用复数据经验模态分解的噪声辅助信号分解法将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络针对各分量建立映射模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。此部分内容主要为第三章的SCUC建模提供超短期风功率预测数据以及第三、四章的数据驱动模型建模提供理论验证和先导研究。2)基于长短时记忆网络和门限循环网络,通过构建面向机组组合决策的深度学习模型,提出了一种基于数据驱动具有自我学习能力的机组组合智能决策方法。首先基于K-means算法对历史调度数据进行聚类预处理;然后构建基于深度学习方法的机组组合深度学习模型,通过历史数据训练建立系统负荷与调度决策结果之间的映射模型,以此为基础进行机组组合决策;最后通过积累历史数据实现对模型的持续修正,从而赋予其自我进化、自我学习的能力。基于标准算例、实际电网数据的一系列仿真结果表明:相比于传统物理驱动决策方法,该方法不仅可以在实际使用过程中不断提升其决策精度和效率,且在面对不同类型的机组组合问题时适应性更强。3)基于序列对序列技术,通过构建复合门限循环网络架构,提出了一种基于数据驱动具有处理未聚类历史数据的机组组合智能决策方法。首先基于样本编码技术压缩样本维度,然后构建基于门限循环神经网络和序列对序列模型的机组组合深度学习模型,通过历史数据训练建立系统日负荷与机组启停方案之间的映射模型,以此为基础进行机组组合决策。基于标准算例的一系列仿真结果表明:相比于传统数据驱动决策方法,该方法不需要对样本数据进行聚类预处理,同时能够有效压缩机组组合样本数据的维度,具有更高的训练和决策效率。