随着负荷持续增长与风电、光伏等可再生能源快速发展,新型电力系统不确定性激增,为系统安全稳定运行带来了新的挑战。经济调度（Economic dispatch,ED）是当前电力系统制定合理发电计划、优化资源配置的基础工具之一。随着高比例可再生能源接入与电力市场的逐步开放,对电力系统经济调度计算效率要求更高,加重了现有方法的计算负担。为保证高比例可再生能源电力系统的安全稳定运行,考虑N-1安全约束的经济调度（Security-constrained economic dispatch,SCED）重要性愈发凸显。海量安全约束致使经济调度模型规模庞大,在短时间内难以收敛。同时,在高比例可再生能源电力系统中,海量不确定性场景下的经济调度模型求解致使电价风险评估的计算负担激增,亟需研究高效精确的电价风险评估（Electricity price risk assessment,EPRA）方法,实时监控电价波动给电力市场参与者带来运营和规划风险。数据驱动方法可直接建立经济调度模型输入、输出间的映射关系,有望打破上述问题的计算瓶颈。然而,电力系统运行方式复杂多变,某些运行场景下历史样本极少,需解决小样本场景下电力系统经济调度的数据驱动分析难题。为此,本文提出面向小样本学习的电力系统经济调度数据驱动方法及应用研究,主要工作如下:（1）针对数据驱动方法应用于电力系统经济调度时存在数据样本量不足的问题,本文提出面向小样本的数据驱动经济调度快速计算方法。本文基于适用小样本特性的高斯过程数据驱动方法,根据历史数据学习经济调度模型输入系统运行状态和输出机组出力计划的关系,建立高斯过程替代模型,利用数据驱动方法替代经济调度优化求解过程,提高模型计算效率。在IEEE 30节点和IEEE 118节点测试系统的算例仿真结果表明,本文所提方法可在小样本场景下大幅提高经济调度计算效率,具有良好的小样本场景适应性。（2）针对考虑安全约束的经济调度复杂程度高的问题,本文提出基于样本预分类学习的数据驱动安全约束经济调度快速计算方法,提高安全约束经济调度问题的学习精度。首先,本文提出基于边际机组特征的样本预分类方法,拆解安全约束经济调度模型输入、输出间的复杂映射关系。然后,通过数据驱动方法预先辨识安全约束经济调度的起作用约束集,减少其迭代求解次数。在IEEE 30节点和IEEE118节点测试系统的算例仿真结果表明,本文所提样本预分类方法能够有效简化数据驱动方法对安全约束经济调度模型的学习难度,在小样本场景下显著提高安全约束经济调度的计算效率。（3）针对电价风险评估需求解海量经济调度优化模型的问题,本文提出基于数据驱动经济调度的电价风险评估方法。首先,本文建立数据驱动经济调度替代模型,快速辨识经济调度问题的边际机组和阻塞输电线路等系统运行边界状态信息。然后,基于经济调度模型最优性条件（Karush Kuhn Tucker conditions,KKT）与辨识的系统运行状态信息,将节点电价计算由求解经济调度优化问题转化为求解线性方程组的问题,从而提高电价风险评估效率。同时,为保证电价风险评估的可靠性,提出误差样本验证条件筛选误差样本,保证所提方法的计算精度。在IEEE 30节点和IEEE 118节点测试系统的算例仿真结果表明,本文所提方法能够有效提高电价风险评估的计算效率,通过筛除误差样本保证了计算结果的可靠性。综上所述,本文提出了面向小样本的数据驱动经济调度计算方法。对于考虑安全约束的经济调度,结合物理模型进行了问题简化,有效加快了计算速度。在此基础上,本文应用所提数据驱动经济调度方法解决电价风险评估的计算效率问题,具有良好的工业应用前景。