风电作为一种新型可再生能源,已经成为可持续发展战略的重要组成部分。但是风电并网也给电力系统带来了新的挑战。风电出力具有波动性、间歇性和随机性的特点,使传统潮流计算容易无解、不收敛、数据容错性差的缺点更加突出,而且对电网的网损率和潮流造成很大的影响。因此,对于大规模风电外送电网,建立一种高精度,数据容错性强的网损率计算模型,并进行优化降损研究,具有重要意义。本文对此进行相关研究和分析,具体内容如下:首先,研究了深度学习理论,分析了深度学习模型所常用的三种基本结构单元,以及其训练、学习的理论与特点;研究了迁移学习产生的必要性,以及迁移学习四种学习模型的理论特点与原理;分析了大数据研究过程中度量数据分布差异的重要性,并研究了三种度量数据分布差异的方法。其次,提出一种基于深度迁移学习的大规模风电外送地区电网网损率计算模型,通过定义最大均值差异系数,从源训练数据迁移出与待计算数据分布更接近的样本,微调预训练好深度学习模型(Deep Boltzmann Network-Deep Neural Network,DBN-DNN)的拟合层,得到基于深度迁移学习(Transfer-Deep Boltzmann Network-Deep Neural Network,TDBN-DNN)网损率计算模型。仿真结果表明DBN-DNN计算模型较传统浅层结构的BP神经网络拥有更好的非线性拟合能力;经过迁移学习后得到的TDBN-DNN比DBN-DNN模型拥有更高的计算精度,而且TDBN-DNN模型在计算数据有缺失情况下仍然可以进行计算,拥有一定的数据容错性,验证了模型的有效性。最后,建立了基于粒子群算法的大规模风电外送电网最优潮流模型,并利用关联规则和K-means法分析优化变量、风电对断面降损空间的影响。仿真算例对比分析了最优潮流与实际运行的结果;利用TDBN-DNN模型计算了最优网损率,验证了TDBN-DNN模型的优良计算性能;优化结果分析发现,当风电波动较大时,现有电网容易偏离最优运行状态,此时的运行状态具有进一步降损空间。