当前,随着全球气候与环境问题日益严峻,世界各国都在加紧规划、建设、接入风电和光伏等新能源。然而风电/光伏出力具有波动性和随机性,其大规模并网后,将对传统电力系统安全可靠运行带来严峻挑战。构造生成风电/光伏出力序列、缩减提取典型场景,并将其计入电力系统优化规划模型是在电力系统规划阶段应对风电/光伏出力不确定性、确保电网安全可靠运行、促进新能源消纳的重要手段。其中,出力序列与典型场景的优劣会直接影响优化模型的准确度和规划电网的新能源消纳效果。基于此,本文受国家重点研发计划项目“促进可再生能源消纳的风电/光伏发电功率预测技术及应用（2018YFB0904200）”及国家电网有限公司配套科技项目（同名,SGLNDKOOKJJS1800266）资助,通过充分挖掘和利用新能源场站之间的时空相关性与气象特征来有效改善出力序列模拟及场景缩减的效果。主要研究内容如下:针对单风电/光伏场站出力序列生成而言,传统定阶马尔可夫链模型具有可利用有限训练数据进行时间序列建模的优势,然而其存在阶数固定和状态空间复杂度高导致模拟序列统计特性还原度不高的问题。针对此问题,本文提出了单场站出力序列生成的变阶马尔可夫模型。首先,为降低计算复杂度,通过遍历训练序列,建立Trie树表征出力水平之间的转移关系;然后,采用部分匹配预测算法计算各树节点间的条件转移概率,通过引入“逃逸”机制,克服马尔可夫模型中转移矩阵中存在零频率元素导致偶然事件无法表征的不足,建立单场站出力序列生成的变阶马尔可夫模型。实际算例表明:相比当前主流的统计学习方法,所提模型和方法改善了出力序列的均值、方差、四分位数等统计指标,适用于单风电/光伏场站中长期出力序列的模拟和生成。针对多风电/光伏场站出力序列生成而言,传统隐马尔可夫模型未能有效计及气象信息,且存在发射分布与实际出力分布之间相差较大的不足。针对此问题,本文提出了计及时空相关性与气象因素的多风电/光伏场站出力隐马尔可夫模型,用于出力序列生成。首先,使用层次聚类对气象数据进行划分,提取典型气象模式;然后,基于各典型气象模式间的转移概率,构造典型气象模式的隐状态转移模型,基于历史风光出力数据,通过非参核密度估计训练每个典型气象模式下的多场站出力联合概率分布作为隐马尔可夫模型的发射分布;最后,通过蒙特卡洛方法抽样生成气象隐状态序列与多场站出力序列。算例分析表明:所提方法可以有效还原历史气象规律和不同场站之间的出力相关性,与当前主流的统计学习方法相比,改善了出力序列的互相关系数、均值、方差、四分位数等统计指标还原度,适用于多风电/光伏场站中长期出力序列的模拟和生成。当前电力系统规划过程中,采用的风光典型场景缩减方法主要侧重于依据运行数据的相似性而非规划模型中日调度需求的相似性,导致优化结果成本误差较大。基于此,本文提出了一种基于谱聚类的需求导向典型日缩减方法。首先,为考虑日调度模型的相似性,通过前述生成的中长期出力序列提取日净负荷时序曲线,基于日净负荷时序曲线生成净负荷持续曲线和净负荷爬坡持续曲线,将二者合并作为日特征向量用于聚类。为考虑聚类数据在高维空间中分布的复杂性,将各特征向量视为无向图中的点,通过图的最优划分完成聚类,每个簇的中心即为一个典型日。算例分析表明:所提方法在基于线性规划和混合整数线性规划的电力系统扩展规划模型中均有效,相比其他传统方法可以得到更小的成本误差。与k-means和层次聚类相比,谱聚类算法对非超球状数据分布具有较强的适应性,得到的成本误差指标更小。