随着未来以风能和太阳能为主的可再生能源在供应侧电源结构中的比例持续增长,具有时空分布双重不确定性的新型负荷不断增加,电力系统供需双侧呈现出的随机性特征将更加明显,势必给电力系统的安全稳定和经济运行带来新的挑战。建立概率分析和概率预测模型对源荷功率随机性进行准确模拟和预测,不仅具有重大的学术价值,还具有重要的现实意义。本文基于不同气象条件下风电/负荷功率特性的差异,考虑风电/负荷功率的随机性、波动性、时序相关性和多风电场功率之间的时空相关性,对风电功率时序概率模型、中期风电/负荷曲线概率预测和考虑时空相关性的多风电场功率曲线概率预测方法展开深入研究。本研究得到了国家自然科学基金项目“输电网中长期状态的精细化模拟与概率评估的基础理论研究”(51177178)和“潮汐流能发电机组和集电系统的统一协调概率规划方法研究”(51607014)的资助。现有风电功率时序概率模型忽视不同气象状态下风电功率特点的差异,导致模拟结果无法准确反映不同气象状态下的风电功率随机波动,以及随机波动特性随气象状态转移的变化过程。针对这一问题,本文建立了一种考虑日间气象转移和日内风电波动的风电功率双层时序概率模型。上层模型模拟典型气象状态日间随机转移过程;下层模型模拟特定典型气象状态下日内风电功率的随机波动过程。在上层模型中,考虑气象因子对日平均风电功率的影响权重,将历史气象数据模糊聚类为不同的典型气象状态,并采用马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法建立典型气象状态在日间转移的概率模型;在下层模型中,针对传统MCMC模型精度高度依赖功率状态数的问题,除采用功率状态转移概率矩阵模拟离散功率状态的时序相关性和随机性外,还引入日初始时刻功率和不同功率状态转移条件下功率波动量的概率分布,精细模拟各离散功率状态内风电功率值的随机性和波动性。一个实际风电场算例的结果表明,所建时序概率模型可更准确地模拟日均和小时级风电功率的随机特性和时间演化特性,减轻模型精度对功率状态数的依赖。本文引入中期气象预测信息,将因子分析降维化简技术与神经网络分位数概率预测方法相结合,提出了一种中期单源荷功率曲线的概率预测方法,从而将源荷功率概率预测从目前的短期时间尺度延长到中期时间尺度,并将单变量概率预测扩展到多变量时序概率预测。该方法首先采用因子分析模型将日内24时刻的标准源荷功率序列向量分解为因子荷载矩阵、公共因子和特殊因子。其中,因子荷载矩阵反映日内不同时刻功率之间的时序相关性,公共因子的数量少且相互独立,反映日内全部时刻功率的共性特征,特殊因子反映不同时刻功率的个性差异。然后,分别以独立公共因子为预测变量,建立神经网络分位数回归模型(Quantile Regression Neural Network,QRNN),预测不同分位点下公共因子的分位数序列。QRNN模型中,考虑到负荷与风电的公共因子在影响因素和日间时序相关性方面的差异,风电公共因子的QRNN模型以当日的气象特征为输入,负荷公共因子的QRNN模型以前一日的对应公共因子值、当日的星期日类型和气象特征为输入。同时,在负荷公共因子QRNN模型参数的估计过程中,按近大远小的原则,在误差函数中引入训练样本时间权重,体现不同时间距离下训练样本对模型参数影响程度的差异。最后,在公共因子分位数序列预测的基础上,通过非参数核密度方法估计公共因子的连续概率分布曲线;并通过随机模拟服从预测分布的公共因子和各时刻特殊因子,结合因子荷载矩阵进行逐日还原,实现源荷功率预测曲线的蒙特卡罗模拟。多个风电场和系统负荷的实际算例验证了所提预测方法的准确性、适应性和高效性。在中期风电功率曲线的概率预测方法基础上,本文进一步考虑多风电场功率之间的时空相关性,提出中期多风电场功率曲线的概率预测方法。将目前仅基于历史统计规律的中长期多风电场时空功率概率建模问题,扩展到针对未来特定气象条件的中期多风电场时空功率概率预测问题。该方法基于实际多风电场历史功率数据所呈现的时空相关性差异,设计了3种考虑时空相关性的多风电场典型因子模型,明确了各因子模型的适用范围;并同样通过引入中期气象预测信息,采用QRNN概率预测方法,实现了对应因子模型下的多风电场功率曲线概率预测和随机场景模拟;最后,针对预测场景数量庞大的问题,采用公共因子最优分位点离散化和K-medoids聚类两种场景削减技术,获得多风电场功率曲线的典型预测场景和对应概率。实际算例验证了所提多风电场功率曲线概率预测方法和场景削减技术的有效性。