新能源电力系统在源-荷双侧正在面临着高不确定性的挑战。在电源侧,由于风速、太阳辐照的内在固有随机性和波动性,高比例新能源电力系统供电能力具有不可控的特点;在负荷侧,智能电网的建设、分布式新能源/电动汽车的接入、需求响应的实施大幅增加了电力系统负荷的不确定性。针对新能源电力系统中日益增加的不确定性因素,电力系统学科亟需解决复杂态势下风电、光伏发电、低压负荷、电价等随机变量的不确定性量化与分析问题,以应对不确定性因素对电力系统安全可靠经济运行的挑战。点预测及概率预测能够提供随机变量未来状态的期望值和概率分布估计,为不确定性下的电力系统运行控制提供关键的信息支撑。概率最优潮流是分析电力系统在不确定性影响下稳定运行状态的基本方法,是评估不确定性因素对电力系统影响的有效手段。为提高新能源电力系统应对不确定性因素的能力,本文系统研究了数据-模型融合驱动的新能源概率预测及概率最优潮流方法,主要工作和创新点包括:（1）提出了基于混合集成深度学习的低压负荷确定性和概率预测方法。首先利用深度信念网络构建低压负荷多层学习模型,结合多种集成方法和深度学习算法,构建了六种初级集成深度学习模型,基于数据挖掘算法自适应加权组合上述六种方法获得确定性预测结果,将预测误差分解成模型估计和数据不确定性两部分并分别估计,实现低压负荷的不确定性量化。该方法利用深度学习强大的非线性拟合能力和集成学习良好的泛化能力,突破了低压负荷波动性强、难以预测的难题,提升了确定性预测和概率预测的准确性和适应性。（2）提出了自适应集成数据驱动的负荷非参数概率预测方法。直接从历史记录数据中挖掘与预测目标不确定性相关的信息,实现对未来预测目标的概率信息估计。提出了相似模式度量方法和相似数量确定方法,挖掘与预测目标匹配的相似模式数据集。考虑多个相似模式数据集的匹配程度差异,提出了自适应加权集成方法,有效提升了数据驱动概率预测方法的适应性和鲁棒性。该方法无需回归模型构建和参数分布假设,具有优良的准确性和计算效率。（3）提出了数据驱动的风电功率非参数概率预测方法。利用不同加权距离度量和多种条件估计方法,构建了四种兼具准确性和多样性的初级密度估计方法,并采用最近邻和概率分布差异性度量方法,自适应加权组合上述四种初级估计值以得到最终的概率预测结果。该方法通过赋予特征和相似样本对应的权重,提高了初级密度估计方法的精确性。不同的距离度量和估计方法保证了集成学习中基学习器的多样性。提出了能够反映初级密度估计方法预测能力的自适应加权组合方法,实现风电功率复杂不确定性的准确量化。（4）提出了考虑高维相关随机变量的配电系统概率最优潮流计算方法。针对分布式新能源发电功率时空相关性显著的特点,建立了一种考虑时空相关性的条件概率预测模型,并将概率预测结果作为传统吉布斯采样中的条件分布,以实现高维相关变量的快速准确抽样。基于采样样本的确定性最优潮流,得到不确定性下配电系统运行状态和决策变量的概率分布。所提方法将多维变量间的相关性蕴含在概率预测结果中,克服了高维变量采样中效率低、相关性建模不准确等问题,实现了高维相关不确定性下的配电系统状态与决策变量不确定性的有效量化。