随着风、光等新能源发电系统的大规模并网,电力系统中不确定性源的比例陡然上升,各不确定性源之间还存在着不同程度的相关性。面对含复杂不确定性源的电力系统,辨识出其中显著影响系统运行状态的不确定性因素是非常必要的。从而,能够准确量化这些不确定性因素对系统影响的全局灵敏度分析（Global Sensitivity Analysis,GSA）方法,成为了电力系统规划和运行的重要课题。然而,在单输出GSA研究中,尚无统一的全局灵敏度指标来评估输入随机变量及变量间相关性对目标输出变量的影响。此外,电力系统本质上属于具有多输入、多输出的典型复杂系统,对潮流模型进行研究时,仅仅根据单个输出变量的分析结果来获得总体的灵敏度分析结果是不合适的,因此有必要对其进行多输出全局灵敏度分析（Multivariate Global Sensitivity Analysis,M-GSA）。为了解决目前灵敏度分析研究领域仍存在的一些问题,本文围绕以下几个方面开展了以含复杂不确定性源的电力系统概率灵敏度分析为课题的研究:（1）针对单输出模型,总结了用于输入独立和输入相关场景下的全局灵敏度指标,提出了用于计算以上指标的基-自适应稀疏多项式混沌展开（Basis-Adaptive Sparse Polynomial Chaos Expansion,BASPCE）算法。构建单输出模型的BASPCE逼近式后,当输入随机变量间相互独立时,利用BASPCE解析表达式可以直接求解全局灵敏度指标;当考虑输入变量间相关性时,可以采用逼近模型替代原始潮流模型的方法来减少每次模型的计算时间,从而实现单输出GSA的高效运算。通过在IEEE-14节点系统算例中进行实验,测试了基于BASPCE法的GSA性能,利用BASPCE法与作为基准的模拟法的对比凸显了其在单输出分析中的优势。此外,根据指标的数值结果辨识出了以系统有功网损为输出研究对象的关键输入变量。（2）针对多输出模型,考虑到输出方差信息可以涵盖多维输出的主要不确定性信息,提出了可用于输入相关情况下的基于协方差分解和主成分分析的M-GSA方法及基于BASPCE的多输出全局灵敏度指标算法。由于BASPCE法的计算效率随输出维数增多而降低,在此基础上结合主成分分析法对多维输出降维后可以显著减少需要构建的BASPCE逼近模型个数,从而能够提高电力系统多输出分析的计算效率。通过在IEEE-14和IEEE-118节点系统算例中进行实验,测试了基于BASPCE法的电力系统M-GSA的计算性能,以模拟法的结果为基准验证了基于主成分分析的M-GSA方法和BASPCE法的结合的高效性,并根据指标结果筛选出了对电力系统中的多维输出变量方差影响较大的输入随机变量。（3）针对多输出模型,为了更全面地刻画输入变量对多维输出不确定性的影响,引入了能够计及输出相关性的基于向量投影的多输出全局灵敏度指标,提出了一种基于双层抽样体系的双环无迹变换（Double-loop Unscented Transformation,DUT）算法以实现对多输出指标的高效求解。不同于BASPCE法在模型层面的提速,DUT法基于指标原始定义的双层性质减少了每层计算的样本数量,进而以减少计算总量的思路提升了M-GSA的计算效率。此外,还采用了一种简单线性化潮流模型（Linearized Power Flow Model,LPFM）来替代原始的确定性潮流模型,减少了每次潮流计算的时间。因此,将此线性化模型与DUT法结合得到DUT-LPFM法,能够进一步提升电力系统M-GSA的计算速度。利用DUT-LPFM法与模拟法在IEEE-14节点系统和分区的IEEE-118节点系统算例上进行M-GSA,验证了所提的DUT-LPFM法的有效性和高效性,并探究了输出相关性对M-GSA结果的影响,从而辨识出了对系统中多维输出不确定性整体影响程度较高的输入随机变量。