近年来,分布式光伏因其清洁、灵活等优点得到了迅猛发展。然而,光伏机组出力受日照影响,表现出明显的间歇与随机性,其大规模并网对电力系统的安全性与经济性带来严峻挑战。传统的确定性预测方法难以应对光伏出力的短时波动,无法为调度系统提供可靠的运行数据。本文以数据驱动的人工智能技术为切入点,研究基于机器学习的光伏出力概率预测模型及其概率场景生成方法,并应用于高比例分布式光伏接入的电网优化调度中,提高调度策略的经济性和精准性。首先,针对传统的确定性预测模型难以表征光伏的分钟级短时波动问题,本文提出了基于改进贝叶斯神经网络的概率预测方法。通过在输入端引入全连接神经网络与一维卷积神经网络的方法用以分别处理天气数据与历史数据,在此基础上构建了改进的贝叶斯神经网络光伏出力预测模型;进而采用t分布邻域嵌入算法对输入数据进行降维,减小了模型训练复杂度并提高了数据敏感度。实例验证表明,所提的概率预测方法提高了模型对光伏短期波动的不确定性预测能力。其次,针对新并网光伏机组样本数据少、模型泛化性差的问题,本文提出了基于模型迁移学习的小样本下光伏预测方法。对电网中具备足量历史数据的光伏机组进行离线训练,学习环境特征与光伏出力间的非线性映射关系。将离线训练后的模型迁移至新机组的预测任务上,根据机组累积的新数据进行在线更新,并采用权重最优化的方式对多个迁移模型进行集成,进一步提高模型的预测精度。然后,针对传统的场景生成算法中生成场景分布与真实光伏出力分布差异较大的问题,本文提出了基于改进生成对抗网络的光伏场景生成方法。利用贝叶斯神经网络的滚动预测代替传统生成对抗网络的生成器,从而突破预设场景概率分布的限制,使得生成的场景与真实光伏出力的统计特性更为接近,并能根据输入天气条件准确给出不同场景出现的概率,为优化调度提供数据支持。最后,针对高比例分布式光伏接入的配电网调度运行,研究提出了基于场景法的配电网随机优化调度模型和方法,利用场景法将随机优化问题转化为便于求解的两阶段确定性优化问题。针对场景法带来的优化调度计算量过大的问题,一方面采用基于K-means聚类的场景缩减算法提取典型场景;另一方面采用粒子群算法对优化问题进行启发式快速求解,以降低场景过多对计算速度的影响。仿真验证表明,与采用确定性方法的结果相比,本文方法能够降低光伏出力随机性的影响,提高调度策略的经济性和精准性。