新能源的大规模开发与并网能有效解决能源危机和环境污染问题,但其随机性与波动性也给传统电力系统带来了巨大的挑战。我国新能源电站多呈现集中开发模式,存在很多空间上距离较近的新能源电站,出力变化趋势相同,加剧了新能源出力的波动性。为全面分析并评估大规模新能源并网的影响及电网的接纳能力,往往需要大量中长期的新能源出力数据作为分析计算的基础。然而对于大多数新建或投运时间不长的新能源电站来说,现有的出力数据存在数据量有限、记录时长不足等问题,难以满足电力系统不同时间尺度研究问题的需要。因此为了提升含大规模新能源电力系统的稳定性和接纳能力,首先需要考虑如何利用有限的实测数据生成大量与实际数据相似程度较高的新能源出力时间序列。基于此,本文首先对如何准确描述新能源电站出力的空间相关性进行了研究,考虑采用Copula函数对这一性质进行刻画。分析发现单一Copula函数难以拟合新能源电站实际出力的多维分布,因此提出一种混合Copula函数拟合模型。仿真测试表明本文所提混合Copula函数模型能准确描述新能源电站出力间复杂的空间相关结构。然后针对现有基于马尔科夫过程的风电时序建模方法存在的状态数难以选择的问题进行了改进,结合状态数优选原则和基于累积分布函数的随机功率生成方法提出了一种优选状态数的马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)法。在此基础上,结合高维马尔科夫过程提出了一种多风电场出力时序建模方法。以不同地区实测的风电数据进行测试,结果表明本文所提风电场出力时序建模方法不仅能很好地模拟单个风电场出力的各项统计特性,也能保有邻近风电场出力间的相关性。最后对于现有光伏时序模型难以满足生成中长期数据需求的问题,提出了一种光伏电站出力时序建模方法。为保证光伏出力的整体规律性,该时序建模方法利用分解技术将实测光伏功率序列分为标幺化理想出力曲线、幅值参数序列和波动分量序列三部分。通过分析统计各部分的特性并建模生成对应的模拟序列,进而重新组合以得到所需时长的光伏出力时间序列。在此基础上,结合高维马尔科夫过程提出了一种多光伏电站出力时序建模方法。以实测光伏数据进行测试,结果表明本文所提光伏电站出力时序建模方法不仅能很好地模拟单个光伏电站出力的各项统计特性,也能保有邻近光伏电站出力间的相关性。