短期风电预测可为电力系统调度提供依据，防止风电波动对电力系统产生冲击。为解决现有用于短期风电预测的深度学习模型预测精度低的问题，考虑优化模型结构，提出基于多尺度卷积-残差网络的短期风电预测方法。所提出的多尺度卷积-残差网络具有特征提取尺度全面和稳定性强的特点。多尺度卷积部分并行使用了卷积核大小分别为3×3，5×5，7×7和9×9的卷积层，同时提取输入数据的局部细节和全局信息，残差部分引入跳跃连接，解决了卷积神经网络中梯度消失的问题。使用纳塔尔378 d数据集仿真结果表明，所提出方法能够实现对未来24 h的风力发电功率的准确预测。比DarkNet19，InceptionResNetV2，InceptionV3，ResNet18，ResNet50，ShuffleNet和Xception这7种对比算法的均方误差小43.55%以上。

针对光伏出力预测准确率较低的问题，提出一种结合变分模态分解的三重卷积神经网络（VMD-TCNNs）预测模型。采用变分模态分解（VMD）分解每一天的气象数据，实现固有模态函数的有效分离，将由固有模态函数拼接、重构和压缩而成的4维图片输入到三重卷积神经网络（TCNNs）中进行训练和预测，再将TCNNs获得的初始预测结果经过全连接层、dropout层和回归输出层进行预测，以获得最终结果。将VMD-TCNNs用于预测巴西纳塔尔市提前一天每小时的光伏出力功率，用实际光伏出力和气象数据进行仿真试验并与26种算法作对比。试验结果表明，VMD-TCNNs模型的平均绝对误差、均方误差和均方根误差分别为49.05 W，7 403.94 W²和86.05 W。经对比，VMD-TCNNs的各评价指标均低于其他对比模型，且MAE数值比其他26种对比模型至少小33.074％，验证了所提模型的有效性。

随着绿色能源理念的不断发展，风力发电因其可再生和无污染的特性而成为研究的重点。然而，风力发电的输出存在显著的波动性和随机性，对电网的功率调度构成了挑战。为准确预测风电功率，实现电网的供需平衡和稳定运行，提出了一种变分模态分解-反向传播-双向长短期记忆网络（VMD-BP-BiLSTM）组合模型作为预测工具。该模型首先利用相邻数据的平均值对原始数据进行异常值检测和替换，然后对数据进行归一化，以减少不同数据之间的差异和干扰。预处理完成后，采用VMD将历史风电功率分解为多个具有不同特征的模态分量。然后，将这些模态分量和对应气象数据等输入到BP神经网络和BiLSTM的组合模型中，并对各个分量进行独立的预测。对西北地区风电站进行风电功率预测仿真试验，与传统的BP神经网络、BiLSTM、极限学习机（ELM）以及卷积神经网络-长短期记忆（CNN-LSTM）等模型相比，VMD-BP-BiLSTM模型展现出更精确的预测能力。VMD-BP-BiLSTM组合模型为风电功率的预测提供了新方法。

电网碳排放因子是衡量电能对环境影响程度的重要指标，对未来时段电网碳排放因子的高精度预测是引导用户主动参与需求侧响应，实现电能利用清洁化和低碳化的关键。基于电网能量流的典型时空融合特性，提出一种基于T-Graphormer图神经网络的小时级电网碳排放因子预测模型。模型利用电网节点连接拓扑信息及历史电网碳排放因子数据，通过门控时间卷积块将电网碳排放因子映射到高维空间，将中心编码和位置编码嵌入节点特征，进而利用编码器与解码器进行时空数据挖掘，最后通过多层感知机得到电网碳排放因子的预测值。基于英国国家电网划分区域的电网碳排放因子数据对所提预测模型性能进行了验证，预测效果优于传统图神经网络预测模型。

由于传统化石能源的不可再生性和污染日益凸显，新型清洁能源的研究和应用越来越深入、广泛，其中风能发电在电力系统的占比显著增长。风能的间歇性和随机性提高了含风电场电力系统经济调度问题的解决难度。针对这一复杂问题，构建了一个综合考虑经济成本和环境成本的含风电场电力系统经济调度模型。该模型以提高电网调度经济性和环保性为目标，并纳入系统负荷功率平衡和机组出力约束作为约束条件。此外，提出经过Tent混沌映射和自适应权重改进的多目标改进非洲秃鹫优化算法（MOIAVOA）以处理复杂调度问题。对经调整后的IEEE 30节点系统进行了针对不同目标函数及运行状态的仿真测试，以低风电渗透低负荷的情况为例，MOIAVOA的折中解得分相较于多目标粒子群优化算法（MOPSO）、非支配排序遗传算法（NSGA）、多目标灰狼优化算法（MOGWO）、多目标原子轨道搜索算法（MOAOS）和多目标非洲秃鹫优化算法（MOAVOA）分别提高了59.105 6%，88.451 8%，37.349 2%，10.147 7%，12.700 3%。仿真结果证明了含风电场电力系统经济调度模型和MOIAVOA在实际电力系统中的可行性与适用性。

质子交换膜燃料电池（PEMFC）在诸多领域有着广泛应用，但其性能衰退会降低功率输出和能源转换效率、缩短使用寿命，准确预测剩余使用寿命对维护系统、降低成本及保障供电稳定极为关键。基于PEMFC功率随时间的变化趋势，提出了一种结合改进的哈里斯鹰优化（HHO）算法、长短期记忆（LSTM）网络和自注意力（Self-Attention）机制的PEMFC剩余使用寿命预测模型。基于电流和电压数据关系得出时间-功率变化曲线，采用小波自适应去噪和指数平滑相结合的方法对时间-功率数据进行分解去噪和重构；针对LSTM训练参数过多、计算量大等不足，提出了一种Logistics混沌映射与HHO算法相结合来优化LSTM的方法，以提高模型的训练速度和预测精度；基于Self-Attention具有聚焦关键信息和提高模型训练准确率的优点，构建了HHO-LSTM-Self-Attention预测模型。试验结果表明，与HHO-LSTM，LSTM，麻雀搜索算法（SSA）-LSTM，粒子群优化（PSO）-LSTM等预测模型相比，该模型具有更高的预测精度。

质子交换膜燃料电池（PEMFC）的空气流量和压力之间耦合性强，导致电池系统输出稳定性差、响应速度慢等，针对此问题，基于空气供给系统前馈补偿解耦结构，提出采用蛇优化（SO）算法和模糊控制改进的自抗扰控制策略。基于前馈补偿解耦结构建立空气供给系统状态空间方程，推导流量、压力耦合矩阵，设计解耦矩阵消除二者的耦合性。设计改进自抗扰控制，将自抗扰控制中反馈控制律增益分为2部分，采用模糊控制对第1部分进行粗调；采用改进SO算法对自抗扰控制中状态观测器增益与反馈控制律增益第2部分参数精确整定。其中，改进SO算法融合了基于序列的正弦分段混沌映射（SPM）策略初始化种群，增强种群多样性；动态惯性权重和三角形游走策略解决了勘探阶段前期寻优速度慢等缺陷；透镜成像和贪婪组合策略扩大搜索范围，防止陷入局部最优解。搭建3 kW燃料电池系统，验证所提出控制策略的正确性和有效性。试验验证了该策略在解耦方面和目标值跟踪方面具有良好的控制效果，系统超调量、调节时间以及系统振荡显著减小，该策略提高了燃料电池系统的响应速度和动态性能。

针对多种因素影响下电化学储能电站的功率分配问题，提出一种基于改进多目标黑翅鸢优化算法 （MOIBKA）的电化学储能电站最优功率分配策略。建立电化学储能电站的拓扑结构，并提出了电站运行的3个评价指标。在储能电站传统功率分配模型的基础上建立包含储能电站总运行成本最低、储能单元健康状态损失最小、荷电状态（SOC）一致性最好的多目标功率分配模型，并通过多策略MOIBKA进行求解。通过对比仿真分析以及运行评价指标证明了所提策略可以有效减少储能单元充放电次数，降低储能单元的健康状态损失以及提高储能单元SOC一致性，实现了储能电站的最优功率分配。

住宅屋顶作为一种闲置且几乎不受阴影遮挡的空间，为光伏系统的部署提供了理想条件。然而，光伏发电的波动性和间歇性，以及光伏发电与住宅用电之间在不同时间段的供需不匹配问题，使得住宅能源管理系统在实现供需平衡方面面临显著挑战。光伏发电预测作为能源系统优化调度和提升系统效率的重要环节，对于有效应对这些挑战至关重要。为此，提出了一种基于粒子群优化（PSO）算法与反向传播（BP）神经网络相结合的改进预测模型。该模型通过PSO优化BP神经网络参数，显著提高了光伏发电功率预测的精度和稳定性。试验结果表明，改进模型在四季的预测精度均优于传统BP神经网络，RMSE平均降低42.31%，R²平均提高2.22%，全年平均预测精度达到90.00%以上，其中冬季预测精度最高，为99.46%，为光伏住宅建筑光伏发电系统的优化调度提供了可靠的预测数据，具有重要的实际应用价值。