机组组合是电力系统中一个重要的控制过程,通过决定机组的开关机状态和发电量,确保电力系统运行的经济性和可靠性。为减少对化石能源的依赖和缓解环境污染问题,我国大力推行风能等可再生能源并网,使得电力系统发电侧的不确定性不断增加。与此同时,随着分布式电源、储能系统以及电动汽车等新兴设备接入电网,电力系统中用户用电量呈现灵活多变的特性。因此,来自发电侧和用电侧的混合不确定性给电力系统调度带来了严峻挑战。此外,我国智能电网的的建设不断完善,以智能传感器和信息系统为基础的数据采集与监视控制系统在电力系统中日益普及,使得可再生能源发电量信息与用户用电信息得以被实时地收集到控制中心。在新形势下,如何使用电力系统运行中产生的数据,构建机组组合优化模型,使得电力系统在发电侧和用电侧的混合不确定性下能经济、可靠、环保地运行,成为当前研究的一项重要课题。本文主要研究动态不确定性下数据驱动的机组组合优化问题。首先,针对风电和负荷的混合不确定性,提出了一种数据驱动的多目标机组组合优化模型。为弥补传统参数估计方法的不足,采用非参数核密度估计方法拟合风电和电力负荷的经验分布,并提出同时优化带宽和机组调度方案的带宽选择机制,使得不确定性表示为机组组合优化服务。考虑到鲁棒机组组合优化过于保守和随机机组组合优化计算复杂度过高的问题,提出将风险价值作为系统可靠性的评价指标。然后,为有效捕捉风电和负荷的不确定性,提出了一种基于深度学习的多目标风电区间预测算法。在已有预测区间评价指标的基础上,为使得区间预测更有效地服务于机组调度,提出了将区间预测误差作为区间构建时的度量指标。最后,提出了基于深度学习的滚动机组组合优化模型。为有效地结合预测与优化,提出了一种滚动预测和滚动优化相互协同的框架。