新型电力系统下，风力发电并网规模不断增加，大规模风力发电并网对风力发电参与电力系统调频的能力提出更高要求。目前，风电场主要通过释放风电机组转子动能、超速减载或附加储能装置等方式提高其调频能力。然而，以上调频方法存在调频期间捕获风能损失过大或储能配置成本过高等问题，影响风电场的频率调节效率。针对上述问题，提出利用高风速区风电机组的过载能力实现风电机组与储能系统一次频率协同调节的策略。首先计算风电机组的过载能力，其次优先将调节功率分配给高风速区域的风电机组，再将调节功率分配给储能系统，实现储能系统与风电机组的协同。调频结束后，风电机组利用其过载能力帮助储能系统回收能量。实例分析表明，该策略能够提高风电场的频率调节效率。

为提高光伏发电功率短期预测的精度，提出一种结合时变滤波经验模态分解和北方苍鹰优化算法优化长短期记忆神经网络的组合预测方法。首先，利用时变滤波经验模态分解将光伏发电功率分解成多个固有模态函数分量。其次，利用北方苍鹰优化（northern goshawk optimization,NGO）算法优化长短期记忆（long short-term memory,LSTM）神经网络隐含单元的个数、最大训练次数和初始学习率，构建NGO-LSTM预测模型。最后，把每一个固有模态函数分量都输入到预测模型中进行预测，将所有固有模态函数分量的预测结果进行叠加便可得到光伏发电功率短期预测的结果。仿真结果表明，所提的预测模型可以有效提高光伏发电功率的预测精度。

为提高风电机组系统的运行效率和稳定性，提出一种基于数据驱动的风电机组能效状态分析方法，实现对机组异常状态的高效检测与预警。首先从损耗与效率的角度出发，开展各因素对机组能效的影响分析，考虑到系统各部件能量损失主要体现在热量方面，因此以温度参数为依据，建立基于能量流的能效状态指标体系。然后利用风电机组数据采集与监视控制（supervisory control and data acquisition,SCADA）系统采集数据，确定各参数基准区间，构建指标偏离度矩阵，利用改进的鲸鱼算法（improved whale optimization algorithm,IWOA）优化支持向量机，实现对能效异常状态的检测。同时引入能效异常指数来表征机组能效变化情况，利用自回归滑动平均模型-支持向量机（autoregressive moving average model-support vector machines,ARMA-SVM）组合模型实现能效的时间序列预测。最后以1.5 MW双馈异步风电机组为研究对象开展算例分析。结果表明该方法能够实现对能效异常状态的有效检测和预警，为风电机组的性能优化与故障分析提供了必要的决策参考。