随着社会经济不断发展,电力负荷需求不断增长,与此相适应,电网规模不断扩展,结构也日益复杂。近年,可再生新能源发电渗透率不断增加,其出力随机性和间歇性对电网运行的影响日益凸显。考虑新能源发电出力和负荷变化的随机性和相关性变化规律,实现大规模复杂电网的可靠性量化评估,已经成为当前的重要研究热点。鉴于此,挖掘新能源出力和负荷需求的内在变化规律,实现其概率不确定性和相关性的准确建模,成为亟待解决的首要问题。然而,大规模电网内含的多风电场和多节点负荷使其面临复杂的高维不确定性建模问题。此外,大电网可靠性评估中考虑高维随机性模型,可靠性评估的计算复杂性显著增加,如何在保证计算精度的前提下提高大电网可靠性评估效率也成为具有挑战性的难题。针对上述两个问题,论文开展了以下针对性研究工作:（1）论文创新地提出了风电出力和节点负荷变化的非参数概率降维解集模型。在高维相关性概率模型建模上,针对现有文献在高维联合概率密度估计时不但忽略集总约束,而且面临维数过高时的维数灾问题,本文基于非参数概率解集技术的核心思路,即基于集总约束实现集总变量（例如系统负荷）到非集总变量（例如节点负荷）的概率分解,创新性地提出了一种分层降维方法,把高维条件概率密度估计问题新颖性地转换成多个低维条件概率密度估计问题,有效缓解了维数灾问题。在高维相关性概率模型的抽样上,进一步针对该降维模型提出了三阶段条件抽样方法。从而从建模到抽样形成了完整的非参数概率降维解集模型,并将该模型用于大电网含高维相关随机变量的大电网可靠性评估,以改进的含风电场IEEE-RTS79和IEEE-RTS96系统为例,结果表明该模型的正确性和有效性。该模型不仅适用于含高维相关性随机变量的大电网可靠性评估,亦能适用于其他面高维相关性建模的电网概率分析应用领域。（2）论文开展了非参数概率降维解集模型的交叉熵重要抽样研究,以有效提高含高维相关性随机变量的大电网可靠性评估效率。由于失效事件的稀疏性对蒙特卡洛仿真有重要影响,基于重要抽样技术改变随机变量的概率分布,以凸显失效时间的出现概率,可以显著提高蒙特卡洛仿真效率。基于交叉熵的蒙特卡洛模拟法是近年提出的一种高效重要抽样方法,但目前研究集中于离散随机变量和一维连续随机变量的概率密度分布参数的交叉熵优化,对高维相关性随机变量的概率密度分布参数优化有待进一步探索。虽然非参数概率降维解集模型能够准确建模高维随机变量之间的相关性,但对于高可靠性系统,基于非参数概率降维解集模型的大电网可靠性评估存在抽样效率低下问题。因此本文将交叉熵优化理论和非参数概率降维解集模型有机融合,对其集总变量的概率密度分布参数进行交叉熵参数寻优,通过对集总变量的重要抽样及抽样值的概率分解,间接实现了高维随机变量的重要抽样。在含风电场的改进IEEE-RTS79和IEEE-RTS96等可靠性测试系统中验证了该方法的精确性和高效性。