为构建清洁低碳的能源体系,实现碳达峰、碳中和目标,构建以新能源为主体的新型电力系统已成为我国电网的必然发展趋势。风、光等资源具有随机波动特性,其大规模接入导致电力系统不确定性激增,电网运行状态及方式更加复杂多变,威胁电网安全稳定运行。以概率潮流计算为代表的海量场景潮流计算是应对新能源强不确定性影响的重要工具。然而,高频率计算需求与高额计算负担间的矛盾限制了概率潮流的工程应用。基于深度神经网络的数据驱动方法具有高维复杂非线性特征逼近能力强、计算速度快（输入直接映射至输出）的特点,为解决上述矛盾提供了新思路。然而,现有数据驱动概率潮流计算方法仍难以满足面向海量场景概率潮流计算的实际需求,具体表现为:1)现有潮流样本生成方法未有效反映系统实际场景的源/网/荷变化;2)现有数据驱动模型训练方法未有效感知标准化前后潮流误差的差异,部分潮流变量训练误差异常。对此,本文针对数据驱动概率潮流计算的样本生成及误差改进方法展开研究,具体包括:（1）提出了面向数据驱动概率潮流计算的样本生成及异常误差改进框架。本文通过对现有数据驱动概率潮流计算框架进行分析,发现现有框架存在潮流样本未有效反映系统实际运行场景源/网/荷变化及部分潮流变量误差异常的问题,并基于算例仿真对现有问题的现象及其改善的必要性进行了验证说明。本文在现有框架基础上,针对上述两个问题分别提出了改进策略。首先,根据“源网荷”的变化特性,提出了考虑网络拓扑及参数变化的数据驱动概率潮流样本生成思路。然后,根据异常误差缘由及其对数据驱动模型的影响特性,提出了面向数据驱动概率潮流计算的异常误差改进思路。（2）提出了适用于源/网/荷变化的数据驱动概率潮流样本生成方法。首先,针对“源荷”侧不确定性对抽样方法的影响,对比分析了现有蒙特卡洛抽样及其改进方法与数据驱动潮流样本需求间的匹配性,选取了适用于源/荷变化的数据驱动概率潮流样本抽样方法。然后,针对“网”侧拓扑变化的有效表征,提出了基于网络拓扑变化前后的节点电压差来反映拓扑变化的拓扑不确定性表征方法。同时,针对“网”侧潮流仿真模型参数与实际参数不一致的问题,基于PMU误差及模型参数校正技术,提出了考虑网络参数变化的潮流样本生成方法。最后,基于算例仿真验证了所提方法生成的潮流样本可有效反映电力系统实际运行场景的源/网/荷变化,为数据驱动概率潮流计算训练提供准确的潮流数据支撑。（3）提出了面向异常误差改进的数据驱动概率潮流计算自适应训练方法。首先,根据深度神经网络梯度更新理论及数据标准化原理,分析得知部分潮流变量存在异常误差的主要原因为:深度神经网络仅根据标准化误差迭代训练模型,未计及潮流变量的真实学习误差以及工程实际的精度要求,因而无法及时针对误差异常的潮流变量调整深度神经网络参数。针对上述问题,提出了基于动态学习权重的深度神经网络自适应训练方法。该方法通过每轮迭代中验证集的绝对学习误差及误差统计指标,确定各潮流变量的学习权重,并将其内嵌到深度神经网络模型训练过程,以实现模型参数更新量的自适应调整。最后,在IEEE 39节点、IEEE118节点和波兰2383节点系统中的算例仿真表明,所提方法可有效降低数据驱动概率潮流计算的异常误差,提升模型整体精度。综上所述,本文提出了面向数据驱动概率潮流的样本生成及异常误差改进方法,可有效反映系统实际运行场景的源/网/荷变化特征,并改善数据驱动潮流训练模型的异常误差问题,为实现快速准确的海量场景概率潮流计算提供了技术支撑。