风光高比例渗透成为我国新型电力系统的突出特征,风/光资源的随机性和间歇性为新型电力系统安全、稳定、经济地运行带来诸多不确定性。精准、可靠的风/光可再生能源出力准确预测及对预测的不确定性量化分析是解决上述问题的重要途径。新型电力系统中源-荷特性的多变和耦合的复杂性,使得传统的预测方法在提升风光功率超短期预测精度应用中有一定的难度。基于前沿的机器学习和人工智能技术,围绕“单个风/光可再生能源场站出力预测---区域风电场/光伏电站集群的预测----预测不确定性量化---风-光-火-抽蓄多能互补系统优化运行策略探讨”的思路,开展了新型电力系统背景下风光功率短期预测及多能互补优化运行方面的研究。论文主要工作如下:（1）提出基于数据驱动的风/光可再生能源出力自适应Stacking集成预测框架,模型根据数据动态变化自动寻优提升预测性能。针对具有完备气象数据监测条件的单个独立风/光可再生能源场站,考虑历史运行数据和气象数据的多源异质特性,基于Stacking集成学习理论,依据训练数据的拟合评价得分自适应地选取最优基模型。针对不同基模型在不同数据集上预测性能的差异,提出线性模型为元模型,基于交叉验证误差最小原则自动地获取每个基模型权重的思想。该预测框架融合多个模型优势,自适应地应对数据集变化,采集实际运行风/光可再生能源场站的数据对模型进行验证分析,算例结果表明,与基准模型相比,在不同的数据集中,其预测精度均有一定程度地提升,且预测结果较为稳定,鲁棒性能和泛化性能较好。（2）构建了一种基于注意力机制的时空动态图神经网络（AST-DGCN）,深度挖掘区域内多风/光场站出力的时空关联特性,为应对气象监测数据不完整或者缺失的预测问题提供新的思路。基于图神经网络的思想,图网络的拓扑结构表征区域多个非规则布局的风电场/光伏电站之间的空间关联特征,引入注意力机制阐释彼此之间空间相关性的动态变化特性,图神经网络模块深度学习并提取空间关联的动态信息。门控循环神经网络（GRU）模块深度提取区域风电场/光伏电站出力的时间相依性信息,注意力机制表征其在不同时间维度的依赖程度。所提出模型应用在实际算例中进行验证分析,结果表明:对于复杂高维的时空数据的输入,AST-DGCN模型具有很好的适应能力,有效的提升了区域内多风/光场站的同步预测精度,为区域风电场/光伏电站集群接入电力系统的优化运行与调度提供理论依据。（3）提出基于时序相关的无分布不确定性量化分析方法,克服了先验概率分布对数据描述的误差,使不确定性量化分析结果更加直观,便于工程应用和实施。基于（2）中风/光场站出力的时间相关性分析,采用双向长短记忆神经网络分别从正向时间相关性和反向时间相关性两个方面深度提取风/光可再生能源出力的时序依赖特征;Bootstrap误差重采样技术提升误差样本的多样性和差异性,更准确地描述预测误差分布特征;Quantile方法能够直接输出不同分位点的预测值,获取指定置信水平下的预测区间上下限。采集实际运行风电场和光伏电站的数据进行验证,不同的测试集上,所提出方法能够直观地获取指定置信水平下,高质量的平均覆盖宽度较窄的预测区间。（4）以抽水蓄能为灵活性可调度资源,考虑风/光可再生能源出力预测的不确定性,构建风-光-火-抽蓄多能互补协同的电力系统低碳运行模型。针对风光可再生能源为主体的新型电力系统,如何稳定、低碳、经济的运行是关键。首先采用相关系数和互信息熵的方法综合分析了气象因素对风光可再生能源出力和负荷的影响;其次,考虑不同的天气场景,提出互补性指标和一致性指标,明确了风光互补和风光跟踪负荷的一致性,并分析了常规水电接入对其的影响。最后,在上述研究的基础上,探究了不同天气条件,风光可再生能源高出力和低出力两种场景下,所构建模型在净负荷波动、碳排放、风光消纳三个单目标和综合经济总目标方面的优越性,为风光为主体的新型电力系统安全、稳定、低碳经济地运行提供一定的参考价值。