随着电网规模的不断增大,发电侧与用电侧的物理特性逐渐多样化,风光等新能源的大规模应用与海量的可调度单元使得调度优化问题变得愈发复杂,传统基于模型的调度优化方法的局限性开始逐渐凸显。结合数据驱动的智能调度与学习优化成为新一代电力系统的重要支撑手段与发展趋势,其核心思想在于通过学习优化一个通用的、前向的、无迭代的且计算复杂度低的映射模型以表征电网调度问题中高复杂度的决策优化过程,从而提升决策效率。然而现有数据驱动的学习优化方法在面对需要精细化输出、强逻辑关联以及应用场景多变的电力调度任务时,普遍存在着缺乏自适应性、灵活性不足以及学习效率不高等诸多问题。此外,现有方法对调度数据的表征不足,难以挖掘各类调度数据之间的关联映射。当电网运行方式发生变化时,对关键数据缺乏足够的泛化能力,限制了数据驱动的智能调度优化方法的实际应用。因此,为了解决上述问题,本文针对大电网调度,依托监督学习与深度强化学习方法展开相关研究。本文主要的研究工作与成果包括以下四个方面:首先在监督学习的框架下,以调度运行原始数据为基础,构建了由母线负荷数据、拓扑数据、检修数据与发电计划共同组成的专家数据集,为数据驱动的智能调度方法奠定了实现基础。基于此,提出了以均方差或平均绝对差最小为目标的基于卷积神经网络的调度策略学习优化算法（Convolutional neural network with Mean Squared Error/Mean Absolute Error,C-MSE/MAE）,实现了对专家数据间关联关系的挖掘,同时分析了C-MSE/MAE方法在准确度与泛化能力的表现上有所不足的原因。进一步,本文引入Kullback–Leibler（K-L）距离构建混合损失函数,提出了基于生成对抗机制与均方差损失结合的调度策略学习算法（Convolutional Generative Adversarial Network with Mean Squared Error,CGAN-MSE）。所提方法有效提升了参数化调度策略在日前计划生成问题上的性能,降低了优化求解的时间成本,提高了调度过程的整体决策效率。其次,研究了在缺少专家数据的情况下,如何通过智能体的自主学习实现调度策略的优化。在构建电力调度序贯决策模型的基础之上,提出了一种专门面向电力调度优化的考虑连续动作的策略梯度算法,并设计了离线学习-在线决策的自主学习优化算法框架。在无专家数据指导下,该方法在保证电网安全的同时,可快速输出高经济效益的发电计划。提出了一种并行多源荷场景学习优化方法。方法的应用有效提升了参数化调度策略的学习效率与优化效果,增强了调度策略在应对随机多变的源荷场景时的泛化性与适应性。然后,针对惩罚代价权重与探索空间削减两种方案在学习负荷平衡时,学习效率、稳定性与最优性方面的缺陷,提出了面向负荷平衡方程的策略网络动作解算方法,以求探索动作同时满足机组上下限与负荷平衡方程两类约束,并保留完整的动作探索空间。基于此,设计了射线动态截取（Ray-shooting with Dynamic Interpterion,RDI）与参数投影（Parameter Projection Method,PPM）两种算法。通过对IEEE标准算例的仿真发现,相比于权重惩罚代价与探索空间削减,在学习效率与学习稳定性等多个方面RDI与PPM展现了较大的提升。最后,以国家电网“新一代调控系统”为依托,将调度策略自主学习优化方法应用到工程实际中。给出了学习优化与决策的交互框架、调度策略自主更新的基本方法以及工程应用的技术方案,并在软件示范应用平台上开发并部署了基于自主学习优化的实时计划生成模块。软件模块在示范平台上保持稳定运行,可在省级电网机组实时计划生成过程中为调度员提供参考。