近年来,随着新能源行业的不断发展,通过分析新能源的特性将有利于电网稳定进行和经济调度,于是对新能源的不确定性进行建模变得越来越重要。现有的方法通过随机生成场景基于真实负荷数据对风电出力进行概率建模,进行抽样进而生成场景,但是该方法模型准确性不高、计算复杂度又高。因此提出了一种基于条件变分自动编码器的源-荷概率分布方法,相比较已经有的概率建模方法,本文中的方法可以非监督地学习风电负荷数据特征,并按条件有效地生成符合观测特点的数据,不需要进行繁琐的场景简化。同时为了提高新能源的消纳能力,需要从电网规划角度出发进行源荷之间价值匹配,从而达到新能源就地就近的消纳能力。本文首先阐述了面向电力领域的源-荷的研究意义及相关背景,同时介绍了源-荷的国内外研究现状。其次概述了相关的基础知识,神经网络及其分类,详细介绍了神经网络的前向传播和反向传播算法。介绍了自编码到变分自编码的过程及其思想,阐述了变分推断的计算过程及损失函数的选择。然后本文主要介绍了基于变分自编码的源-荷概率分布模型的建立,通过利用深度学习的模型变分自编码,来基于实测的风电数据进行概率建模。该方法可以非监督的学习风电数据的特征,并可以按条件有效的生成符合观测特点的新数据,而且无需进行场景简约过程,大大的提高了场景生成的效率及质量。接下来本文针对诸多不确定因素(例如天气、风速等),提出一种源-荷价值匹配的方法,该方法是通过计算匹配度来进行源-荷价值匹配,用来提高新能源的就近风电消纳能力,从而达到提高新能源利用率的目的。本文设计了六种方案并进行实验来验证该方法的可靠性及实用性。本文中是通过匹配度的大小来衡量,匹配度越大越好,匹配度大的方案就是其最佳的就近风电消纳方案。结合前几章的理论基础,本文利用了Python等技术构建了一个基于Django架构的新能源与多元负荷价值匹配软件系统,并在论文的最后对本文在源荷概率分布及匹配方法所做的工作进行了总结和展望。通过实验验证了本文中提出的理论方法是有效可行,对新能源与负荷的分析是有一定程度上的帮助,并为该领域未来的研究提供了一个新思路和经验。