大规模风电并网能减少化石能源的消耗,并能减轻对环境的污染,但是风电出力的不确定性和波动性给电力系统的安全和经济调度运行带来了较大的挑战。在此背景下,研究高风电渗透率电力系统经济调度问题,具有十分重要的意义。现有的含大规模风电并网的经济调度依赖于准确的风电出力概率函数,然而在实际中很难获取准确的风电概率密度函数,往往只能从历史数据中获取风电的部分统计信息。因此,需要研究基于数据驱动的日内与日前经济调度方法,并考虑能够和不能获取完备风电历史数据时的影响,以应对大规模风电并网给电力系统带来的不确定性。本文首先研究基于数据驱动的大规模风电场不确定性建模方法和鲁棒经济调度模型,为解决当能获取完备风电历史数据时日内与日前经济调度问题提供了基础。对于日内调度,针对风电数据完备的场景,研究了基于数据驱动的鲁棒日内经济调度与备用配置模型,克服了现有日内经济调度过于保守的缺陷;针对风电历史数据不完备场景,研究了含条件风险补偿函数的分布鲁棒日内经济调度与备用配置模型,避免了日内经济调度在数据不完备的情况下过高的弃风和切负荷风险。对于日前调度,针对完备数据场景,研究了含储能的多阶段鲁棒日前安全约束动态经济调度模型,解决了长时间尺度调度面临的多种不确定性问题和多资源的协调优化调度问题。本文针对上述问题从以下四个方面进行论述:针对现有不确定性集合由于没有充分考虑多风电场之间的相关性而使不确定性集合包含一些不可能发生但会令优化结果过于保守的场景,本文提出了基于数据驱动的大规模风电场不确定性集合建模方法。该方法首先采用非参数狄利克雷过程高斯混合模型对风电历史预测误差数据进行建模,然后采用变分推断公式获取高斯混合模型的参数,最后基于所提取的参数信息,构建基于数据驱动的多面体不确定性集合,采用实际风电预测误差数据来测试本文所提的不确定性集合的性能,仿真结果表明,与传统不确定集合相比较,本数据驱动不确定性集合在相同数据覆盖率下,覆盖容量更小,该特性在多风电场中表现更为明显。针对现有的日内经济调度方法在历史数据完备的情况下没有充分利用数据中的参数分布信息而使调度结果过于保守,本文基于所提数据驱动的不确定集合,提出了基于数据驱动的日内鲁棒经济调度和备用配置模型。本文将该模型转化为主子问题框架并采用列和约束生成算法求解所提模型,其中主问题决策机组出力与正负备用容量,子问题进行鲁棒可行性检测。典型系统仿真结果表明,在保证相同鲁棒性的条件下,基于数据驱动的鲁棒优化方法的备用费用和运行费用明显优于传统鲁棒优化方法。针对现有的日内经济调度在历史数据不完备的情况下存在较高的弃风和弃负荷风险,本文提出含条件风险补偿函数的分布鲁棒日内经济调度与备用配置模型（DREDRCVa R）来控制日内运行的风险。由于传统分布鲁棒经济调度模型具有过高的弃风和切负荷风险,因此,本文引入条件风险补偿函数（CVa R）来控制系统的失负荷和弃风风险。本文将DREDR-CVa R推导转化为半正定规划（SDP）问题,并采用DCG（Delayed column Generation）和ACS（Alternate convex search）算法搜索构成SDP半正定约束的顶点集合。典型系统仿真结果表明,与现有的基于数据驱动的鲁棒优化方法相比,所提的含条件风险补偿函数的分布鲁棒经济调度与备用配置模型可以依据调度人员对于风险的厌恶程度来制定相应的机组出力和备用调度方案。针对现有的日前经济调度模型没有考虑系统面临的多种不确定性以及风电不确定性的衍化过程,本文提出了含储能的多阶段鲁棒安全约束动态经济调度模型（SMRDEDS）来处理电网日前调度中面临的多种不确定性。针对随机对偶动态规划方法（SDDP）无法收敛的缺陷,以及在多阶段中考虑N-1安全约束求解效率过低的问题,本文提出一种结合鲁棒对偶动态规划算法（RDDP）和Benders分解方法求解所提模型,该方法首先采用Benders分解方法将SMRDEDS模型分解为主问题和子问题,然后采用鲁棒对偶动态规划算法（RDDP）求解所提多阶段模型,所提鲁棒对偶动态规划算法采用外在近似方法和内在近似方法求解未来最恶劣费用函数的上下界,并采用前向递推和反向递推迭代更新上下界,当上下界一致时,收敛并获得全局最优解。典型系统与大电网仿真结果表明与自适应鲁棒动态经济调度方法相比,本SMRDEDS模型经济性更优并能提供全局最优解,与多阶段随机动态经济调度方法相比,本SMRDEDS模型都能确定性的收敛,与传统的确定性事故备用设置方法相比,本模型根据系统运行的状况采用储能和机组共同提供事故备用,因而本模型在保证N-1安全约束的条件下有更小的备用费用和备用容量。