随着全球能源和环境问题的日益突出，风能的开发和利用已经受到越来越多的关注。然而，风是一种不稳定、易变的能源，风电场大规模接入必然会对电力系统产生与常规能源不同的可靠性影响。因此，研究风电场对电力系统可靠性影响，对含风能的电力系统规划具有重要的理论指导意义和实际应用价值。当前，我国风电正向着大规模、高集中的方向发展。风电场数量的增加以及容量的增大，迫切需要更加准确的风电场可靠性模型。基于此，本文结合国家自然科学基金“风电场可靠性评估的概率模型及算法”(编号51077135)等项目，对影响风电场出力的关键因素—风速，进行研究，提出单一风速模型和计及相关性的多风电场风速模型，并将其应用于含风电场的电力系统发电充裕度评估。提出一种基于核密度估计的非参数风速概率分布模型。该方法基于数据驱动，不需假设风速分布特性，能有效揭示隐藏在历史风速数据中的统计信息。应用拒绝假设抽样方法实现核密度函数下的风速抽样，利用非线性优化方法和线性插值技术提高了抽样效率和速度。采用六个地区的风速数据对本文模型准确性和可用性进行验证，结果表明：该模型对任意风况的数据都呈现出较强的稳定性和准确性；六个地区概率分布拟合统计量R_a~2均高于0.99，年电能产量平均误差为0.47%，期望失负荷时间和期望失电量指标平均误差分别为0.22%和0.39%。风速不但具有概率分布特性，还表现出一定的时间延续性。为刻画风速序列的时间相依特性，提出一种基于连续状态马尔科夫链(continuous state markovchain, CSMC)的时序风速模拟方法。首先，利用变换技术将风速数据转至正态域；然后，在正态域内构造反映相邻时刻风速条件概率分布的连续转移核，进而得到时序风速的连续状态马尔科夫链模型。该方法克服了离散状态马尔科夫链模型存在的准确度和复杂度“选择”难题。以该构造方法为基础，利用Copula函数将连续转移核由正态分布扩展为多种分布类型，得到了基于Copula函数的连续状态马尔科夫链时序风速模型。算例分析表明：本文模型能够保持原始风速序列的概率分布特性和时间相依特性，而且降低了建模复杂度。在大规模风电并网系统中，一个地区常常出现多个风电场接入电网。由于风电场间的地理位置关系，不同地点的风速存在一定的相关性，这对风电并网系统可靠性具有一定影响。因此，多风电接入系统进行可靠性评估时，模拟产生的风速样本应计及它们之间的相关性。利用Copula函数提出一种多元风速联合概率分布模型。该方法将多元风速分布的创建过程分解为单一风速变量的边缘分布构造和风速变量间的相关结构识别两部分，其中边缘分布采用核密度估计函数刻画，相关结构采用Copula函数捕捉。该方法有效地降低了多元联合概率分布函数构造难度。算例表明：Copula函数模型能够有效地保持原始数据间的相依特性。计及单一风速序列的时间相依特性和多个风速序列之间的空间相依特性，提出了分别基于自回归滑动平均模型(autoregressive and moving average, ARMA)和CSMC模型的多元时序风速模型。首先，利用ARMA模型或CSMC模型描述单一风速序列的时间相依关系；然后，利用Copula函数构造多个风速时间序列的联合概率分布，捕捉空间相依关系；最后，组合时间相依模型和空间相依模型得到多元ARMA模型或多元CSMC模型。算例表明：多元ARMA模型能够保持时间序列的自相关特性和联合概率分布特性，但需要大量历史样本作为支撑；多元CSMC模型需要较少的训练样本，但只能保持风速序列的短期相依特性。计及风电场尾流效应、风电机组随机停运，提出了基于Monte Carlo模拟法的多风电场并网系统可靠性评估模型。将模型应用IEEE-RTS79可靠性测试系统，结果表明：本文提出的模型和算法能够有效合理的评估风电场对系统的发电充裕度贡献。