绿色能源开发利用和发电调度问题是电力企业节能减排管理中的关键问题。为解决风电预测精度低难以大规模并网的难题,对风功率预测问题进行研究。其主要任务是利用历史风功率数据和气象数据预测未来一段时间内的风功率。为解决发电调度和燃料库存管理之间的协调问题,对发电调度与燃料库存集成优化问题进行研究,其主要任务是考虑机组运行和燃料库存等约束,最大化企业利润,决策机组的发电量和燃料的购买量。精确地预测风功率和合理的确定电力调度方案,能够提高风能的利用率,促进企业的内部协调和整体优化,提升企业的市场竞争力。本文针对风功率预测问题,提出了动态时空序列模型进行超短期和短期风功率预测;提出了动态时空自回归移动平均模型和极端梯度增强混合模型进行长期风功率预测。针对发电调度和燃料库存管理集成优化问题,建立了随机混合整数非线性规划模型,设计了 Benders分解算法进行求解。主要研究内容如下:1)针对短期风功率预测问题中传统的差分整合移动平均自回归模型预测精度低的问题,设计了动态时空自回归移动平均模型进行改进。该方法能够减小风向等因素对预测精度的影响。实验结果验证了模型的有效性。2)针对长期风功率预测问题中统计预测方法受预测时间尺度影响大,长期风功率预测精度低等缺陷,设计了极端梯度增强模型与动态时空自回归移动平均模型的混合模型进行预测,减弱了模型对预测时间尺度的敏感性,提高了长期风功率预测的精度。3)针对电力企业高排放高成本的运营特点和市场经济下电力价格、燃料价格、电力需求的随机波动性,研究发电调度与燃料库存管理集成优化问题。利用随机规划方法刻画价格和需求的波动性,建立随机混合整数非线性规划模型。4)根据模型的特点,设计Benders分解算法对问题进行求解,并利用子问题结构的可分离特征,在算法的每次迭代中产生多个割,以加速算法的收敛。数值实验结果表明,设计的Benders分解方法优于商业优化软件CPLEX的性能,能够在较短的时间内获得满意解。