随着传统能源的日益枯竭以及自然环境的不断恶化,以风能为代表的可再生能源逐渐受到了人们的重视。大力发展风力发电,对改善能源结构、应对气候变化和能源危机具有十分重要的意义。然而风能具有波动性和间歇性等特点,大规模风电并网会对电力系统可靠运行和经济调度带来巨大威胁。提高风电功率的预测精度、建立合理的风电并网下的电力系统调度策略,可以提升风电的利用率,降低风电并网对电力系统的冲击。本文从风电场风电功率短期预测和含风电的电力系统经济调度策略两方面展开了研究,具体研究内容如下:首先在传统蜻蜓算法（DA）的基础上引入自适应学习因子以及差分进化策略,提出了改进蜻蜓算法（IDA）。通过单峰和多峰测试函数对改进算法进行了测试分析,结果表明该算法的求解精度和寻优稳定性均优于其他几种算法。然后基于支持向量机（SVM）来建立风电功率的短期预测模型。鉴于支持向量机的参数对模型的预测性能影响很大,采用改进蜻蜓算法对惩罚因子和核参数进行选择并进行建模训练,进而建立了IDA-SVM风电功率预测模型。使用风电场中秋季和冬季的真实数据集作为实验数据集,以风电场的风速,风向的正弦值和余弦值为输入,相应的风电功率为输出,对风电场的未来48小时的风电功率进行了预测。将预测结果与其他预测模型的预测结果进行比较,结果显示IDA-SVM的预测精度和预测稳定性更高,表明该模型是一种更可靠的风电功率短期预测模型。最后对含风电并网的电力系统经济调度进行了研究。以火电发电成本和风电发电成本之和最少为目标建立了电力系统静态调度模型,并采用罚函数法对等式约束进行处理。考虑风电不确定因素,按照负荷需求的固定比例对风电功率进行分配。然后提出了一种结合高斯算子的改进乌鸦搜索算法（ICSA）,将其应用于两个经典调度案例的求解,并且对比了乌鸦搜索算法（CSA）和粒子群算法（PSO）的优化结果。实验结果表明,在不含风电和含风电两种情况下,ICSA均表现出了良好的寻优特性和稳定性,可以有效降低系统运行成本,实现更为经济的调度。