二氧化碳排放所导致的全球变暖问题给生态环境带来了不可逆的破坏,实现“碳达峰、碳中和”目标已成为世界各国共同努力的方向。努力提升可再生能源发电占比则是持续推进碳减排,助力碳中和最终目标实现的重要手段。风电作为可再生能源发电的主要形式,也必将迎来大规模的发展。然而由于风电自身所固有的间歇性、随机性及波动性特点,其大规模并网会给电力系统带来较大的随机波动功率,对系统频率带来不利影响。自动发电控制（Automatic Generation Control,AGC）作为电网调度中心能量管理系统中的重要组成部分,是维持系统有功功率平衡、确保系统频率质量的主要手段。如何应对风电大规模接入带来的影响,提高系统频率控制能力,是AGC领域一个新的研究热点。本文利用机器学习技术,针对AGC动态优化控制中两个核心问题开展研究,一是分钟级风电功率预测,二是AGC动态优化控制策略。主要研究成果如下:（1）提出了一种基于长短期记忆（Long Short-term Memory,LSTM）神经网络的1分钟级风电功率超短期预测方法。首先,对风电场历史数据进行预处理,以定位并修正异常数据,提升数据整体质量;然后,利用Spearman秩相关系数法对影响风电功率的气象因素进行筛选,提升模型计算效率;其次,考虑到风电功率具有短时连续性,通过分析风电功率时间序列的自相关性,确定模型时间步长,以提高模型预测精度;最后,利用LSTM神经网络构建了1分钟级风电功率单步和多步预测模型。采用我国北部地区某风场实际数据对本文所提模型进行验证,结果表明本文所提方法可以有效提高风电功率超短期预测的精度。（2）提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的AGC动态优化控制策略。首先,将考虑风电并网的AGC动态优化控制转化为马尔可夫决策过程,以最大化累积奖励为控制目标进行多个连续时间断面优化;其次,利用离散型强化学习算法深度竞争Q网络（Dueling Deep Q Network,Dueling DQN）构建AGC动态优化控制模型,并给出其求解策略和工作模式;进一步,考虑到离散化带来的误差以及在求解大规模问题时存在的维数灾难问题,提出基于连续型强化学习算法近端策略优化（Proximal Policy Optimization,PPO）的AGC动态优化控制策略。最后,利用改进的IEEE-14和IEEE-39节点系统,对所提出的基于深度强化学习的AGC动态优化控制策略的可行性和有效性进行验证。