在“碳达峰与碳中和”的国家战略背景下,持续推动高比例清洁能源利用,构建以新能源为主体的新型电力系统是能源电力行业的必然选择。为应对新能源出力不确定性带来的电网运行风险,传统模型驱动方法利用鲁棒优化、随机优化等理论构建不确定性机理模型,但其内在机理复杂,求解问题的效率通常会随着系统规模的扩大而降低很多;同时由于建模与求解的过程中需要采取一定的假设和近似处理,从而与实际问题存在偏差,导致调度决策的精度有限,进而影响到新能源的消纳。因此,如何有效解决传统模型驱动方法的弊端,是电力系统优化调度领域亟需解决的问题;而机组组合是新能源电力系统优化调度中最重要的功能之一,本文聚焦于研究机组组合问题。新型电力系统具有电力大数据的天然优势,可有效支撑数据驱动方法在机组组合问题中的应用。结合海量数据与人工智能技术,通过分析高维数据的复杂特征发现电网运行的内在规律及潜在风险,可有效提升电网的感知能力;同时,依托深度学习等技术可提供快速决策功能,精准实现端到端的直接控制,使电网具备快速、精确的决策能力。因此,使用数据驱动方法研究机组组合问题,对促进新能源高效消纳、实现新型电力系统转型升级具有重要意义。论文的主要工作如下:（1）为有效提取机组组合数据的深层特征,降低机组出力预测误差,在保证求解精度的同时提升求解效率,提出了一种基于卷积-双向长短期记忆神经网络-注意力机制（CNN-BiLSTM-AM）的新能源电力系统机组组合决策方法。首先基于k-means++算法将历史数据聚类处理,并针对不同特征进行归一化,将风速数据的时间尺度与负荷数据相匹配。在模型训练过程中,利用卷积神经网络对数据进行特征提取,构建特征向量;并引入注意力机制对输入信息赋予权重,突出重要特征影响;为增强模型对时序特征信息的提取能力,采用双向长短期神经网络提取前向与后向的特征信息。实验结果表明,所提模型具有较高的计算精度,且适用性较高,可作为辅助性决策工具为调控人员提供参考。（2）为进一步提升电网的决策能力,并解决机组组合动作空间过大导致训练效率较低的问题,提出了一种结合深度强化学习与领域知识的新能源电力系统机组组合决策方法。首先照马尔可夫决策过程,通过定义电网环境反馈的奖励函数,综合考虑系统运行成本、新能源机组消纳量、系统功率缺额,使深度强化学习模型能够考虑多个目标优化方向。然后将深度强化学习方法与机组组合领域知识结合,在离线学习阶段中强制进行电网运行约束校验,将系统运行约束、机组约束等限制条件切实考虑在内,保证机组组合决策结果的安全性。最后,智能体通过观测电网运行环境的实时状态,利用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法求解最优的火电机组出力调整动作;通过对智能体调控策略的评价,将智能体动作的奖励值即时反馈给智能体,辅助智能体进行探索和决策,沿着最大化奖励的方向进行学习。（3）由于研究内容（1）和（2）中的机组组合模型是基于直流潮流建立的,忽略了无功功率和电压的影响,导致调度决策结果可能会导致电压越限,且不一定是原机组组合问题的可行解,影响了电网调度决策的有效性。为解决此问题,提出了一种考虑交流潮流约束的数据驱动机组组合决策方法。首先采用二阶锥松弛技术将基于交流潮流的非凸机组组合问题松弛为凸优化问题,将原模型转化为二级锥规划（Second-Order Coneprogramming,SOCP）模型,得到原问题的全局最优解。然后引入数据驱动方法,求解SOCP模型得到机组组合初始数据,利用深度学习方法学习机组组合优化结果,形成端到端的映射函数,从而无需在决策过程中调用优化算法。最后经算例分析验证了所提模型结合了 SOCP模型与数据驱动方法的优势,在线应用时能够快速求解得出考虑交流潮流约束的调度决策,保证决策的有效性。