电力系统经济调度的核心是合理的分配负荷以实现电力系统经济性最优,传统电力系统经济调度问题由于不涉及风能、太阳能等输出功率不稳定的新能源,输出功率变化较为平缓,对电网调度影响较小。在风电大规模发展的今天,风能的不确定性及波动性使得含风电场的电力系统经济调度问题变得更加复杂。本文针对含风电场电力系统经济调度问题,主要进行了以下工作:首先,研究了大规模风电并网给电力系统经济调度带来的影响,根据风电场的接入给电力系统带来的净经济价值的定义,分析了系统在不同风电场配置、不同风电预测功率、不同风电渗透率的情况下,风电的净经济价值的变化,由此来研究风电场的接入给电力系统经济调度带来的影响,对系统运行成本的影响。其次,分析了传统的电力系统经济调度的数学模型,采用基于总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)的时间序列法对风电输出功率进行预测,提高了风电输出的预测精度,在此基础上建立了含风电场的电力系统经济调度的数学模型,在模型中考虑了环境因素及因风电场加入而引起的额外的旋转备用费用,并对模型进行了评价。再次,对传统协同进化多目标算法(Multi-Objective Co-Evolutionary Algorithm,MOCEA)进行改进,设计了三个协同算子和一个Pareto交叉算子,同时还引入了拥挤距离来减少外部集的大小,给出算法运行流程,并选用三个标准的测试函数来测试本章算法的性能,测试函数包含了常见的多目标优化问题特性,仿真结果与非劣遗传算法(Non-dominated Sorting Genetic Algorithm,NSGA)进行对比,验证其可行性。最后,运用改进后的协同进化多目标优化算法对含风电场的电力系统经济调度模型进行优化。首先采用粒子群算法(Particle Swarm Optimization,PSO)对含风电场电力系统进行单目标优化,分析单目标优化的局限性。随后采用改进后的MOCEA算法求解多目标优化模型,模型中兼顾了环境与经济两种因素,考虑了风电场输出功率波动带来的系统旋转备用负荷费用的增加,设计算法参数及步骤,将仿真结果与NSGA-II优化结果进行对比,验证所提出模型与算法的可行性,并对比无风场并网系统,验证风电的价值。