针对传统油中溶解气体分析（dissolved gas analysis，DGA）在油浸变压器故障诊断过程中不能够有效地利用故障信息，以及变压器故障样本类型不平衡致使模型诊断结果较差的情况，提出了基于数据扩充和故障特征优化的SCNGO-SVM-AdaBoost变压器故障诊断技术。首先，针对不平衡样本数据集利用安全级别合成少数过采样技术（safe-level synthetic minority over-sampling technique，safe-level SMOTE）对原始的变压器故障样本集进行了数据扩充，然后利用核主成分分析（kernel principal component analysis，K-PCA）算法对比值化后的油色谱数据进行故障特征优化提取。其次在北方苍鹰优化算法（northern goshawk optimization，NGO）中融合了正余弦和折射反向学习策略，利用测试函数验证该算法的稳定性和利用SCNGO优化算法提高其寻优能力。最后通过实际的对未扩充样本诊断和其他方法诊断进行对比分析，结果证明该方法能够有效地提高变压器故障诊断的性能。

虚假数据注入攻击对电力信息物理系统造成严重安全威胁。由于受到攻击样本与正常样本之间存在类别不平衡特性，导致机器学习检测方法偏向于多数类的预测，影响其对攻击的检测精度。为此，提出了基于Focal Loss^IM-Transformer的虚假数据注入攻击检测。Transformer利用其自注意力机制能够捕捉数据中的长期依赖性，进而识别不平衡的虚假数据注入攻击数据。Focal Loss^IM通过引入调制因子来更好地匹配虚假数据注入攻击样本的分布和特性，来增强检测方法对不平衡数据的识别能力，以提高检测方法对攻击的检测精度。通过在IEEE 14节点系统、IEEE 30节点系统和IEEE 57节点系统进行仿真，验证了所提方法的有效性。相较于传统损失函数和其他检测方法，所提方法显示出更好的泛化能力和对少数类的识别能力，且辨识精度高、误报率低。

在可再生能源高渗透率的背景下，电力系统的负荷频率控制（load frequency control，LFC）面临虚假数据注入攻击（false data injection attack，FDIA）的安全威胁。现有检测方法难以有效区分控制输入攻击和测量数据攻击，影响系统的稳定性和安全性。为此建立了包含可再生能源及储能系统的LFC状态空间模型，并分析了FDIA对系统动态特性的影响。通过状态空间分解方法将攻击信号解耦为控制输入攻击和测量攻击，提高检测精度。基于滑模观测器设计攻击估计方法，实现对攻击信号的实时检测。进一步结合H_{\mathrm{\infty }}控制理论，提出了抗攻击控制（attack⁃resilient control，ARC）策略，以增强系统在攻击环境下的鲁棒性。仿真算例表明：与传统方法相比攻击估计均方误差降低约30 %，系统频率响应稳定性显著提升。结果表明，该方法能够有效检测FDIA并提高电力系统的安全性和抗干扰能力。

随着国际形势日趋严峻复杂以及智能化和信息化技术在电力系统中的广泛应用，电力系统已成为网络攻击的重点目标，其网络安全的重要性愈发突显。为了构建研究电力网络安全风险演变的利器，支撑网络安全风险预测指挥工作，提出了一种面向电力网络安全演变的兵棋推演方法，通过策略层面的兵棋仿真推演，构建了基于可组合性和最小操作单元理念的推演框架，实现了大规模电力网络安全场景建模并提高了仿真效率，同时能够高效地识别网络中的潜在风险。通过实验验证，该方法在大规模电力信息网络安全推演中表现出优异的性能，能够为电力网络安全风险演变研究、网络安全策略优化和网络安全指挥作战提供强有力的支撑。

为提高配电网的运行效率和电压质量，结合深度强化学习和分布式广义快速对偶上升（SAC-GFD）算法，提出了一种基于状态-响应框架的优化策略。首先，利用软演员-评论家（soft actor-critic，SAC）算法将配电网运行优化问题建模为马尔可夫决策过程，智能体在含有可再生能源波动和负荷不确定性的环境中进行交互与探索，获得对不确定性环境具有鲁棒性控制策略。将配电网运行优化问题转化为马尔可夫决策过程，从而训练出能够快速输出配电网设备最优有功功率和无功功率的智能体。其次，计算当前配电网的潮流分布、节点电压状态以及有功功率和无功-电压灵敏度矩阵。然后，用户基于当前配电网状态，采用分布式方法计算自身负荷的最优调整值，确保配电网的安全运行。最后，在IEEE 33节点系统上的仿真结果表明，相较于传统的深度强化学习算法，所提算法能更有效地降低网络损耗和节点电压偏差，且具有更快的训练速度和更好的优化结果。

面向配电网环境下智能台区内部灵活性可调资源，提出了一种基于场景生成方法的配电网运营商主从博弈定价与电动汽车（electric vehicle，EV）充电管理策略，以引导用户侧灵活性资源通过市场化手段实现与配电网的高效互动。首先针对EV负荷，基于条件密度网络（conditional density networks，CDNs），采用Gibbs抽样方法得到计及EV用户多类型充电特征联合概率分布的负荷预测结果，同时构建EV聚合模型以降低模型维度；在配电网环境下得到基于二阶锥最优潮流模型的配网节点电价（distribution locational marginal pricing，DLMP），在此基础上构建配电网运营商主从博弈定价策略与用户侧激励机制；利用Karush-Kuhn-Tucker （KKT）条件和最优对偶理论将主从博弈双层模型转化为混合整数线性规划问题进行求解，最终得到全局最优定价策略，并采用功率分配模块实现EV用户充电功率的合理分配。基于改进IEEE 33节点配电系统的算例仿真结果验证了所提策略的有效性。

风光-氢-储耦合一体化系统是提高新能源消纳和促进氢经济发展的重要手段之一，但风光氢负荷的高随机性和系统模型求解速度慢的问题给系统优化调度带来了困难，为此提出了一种基于鲁棒模型预测控制（model predict control，MPC）-粒子群（particle swarm optimization，PSO）的多时间尺度优化调度模型。首先，为更精准地剖析风光负荷中的不确定性因素，采用变分模态分解（variational mode decomposition，VMD）技术，并采用动态时间规整（dynamic time warping，DTW）算法与K-medoids聚类方法结合，得到风光负荷的不确定性以及系统运行场景；而后，构建风光-氢-储耦合系统模型和基于鲁棒MPC-PSO的多时间尺度优化调度模型；继而，采用鲁棒MPC和PSO算法结合，实现系统运行滚动优化的快速解耦求解；最后，建立风光-氢-储耦合系统仿真算例进行分析。结果表明，所提方法提升了制氢的经济性和风光消纳率，与单一鲁棒MPC相比所提方法提高了求解效率。

精确的短期电力负荷预测对新型电力系统日发电计划的制订和实时调度至关重要，为取得准确可靠的负荷预测结果，针对真实用电负荷数据的时序性、不确定性等特征，提出了一种基于Attention-GAT-LSTM的智能算法，并应用在实际的新型电力系统中。在原始数据的处理中创新地结合了自注意力机制，引入了数据处理单元附加权值，并采用跳跃连接机制防止结果出现过拟合；将处理后的数据传递到图注意力网络（graph attention network，GAT）进行空间节点的特征提取，再传递到长短期记忆网络（long short-term memory，LSTM）进行时间特征的提取；通过前向传播、反向传播和梯度下降方法，使LSTM层的权重和偏置得到迭代更新，有效地减少信息在迭代过程中的丢失并突出关键时间点信息。最后通过多种不同模型的对比分析，验证了该方法在短期电力负荷预测（小时级）时具有较高的预测精度，可以为新型电力系统的运行调度、规划建设提供数据支持。

海上具有极为丰富的风资源，研究海上风电制氢技术和荷侧需求响应对风电消纳及平抑海上风电波动性具有重要意义。为此，提出了一种含海上风电制氢（offshore wind power hydrogen production，OWHP）和多重需求响应的含氢综合能源系统（integrated energy system，IES）源-荷多时间尺度优化调度策略。首先，探究了海上风电制氢系统运行机理，构建了含风电制氢、氢气压缩、海水淡化、输氢管道以及气体储氢的海上风电制氢模型，并构建了含燃气掺氢、氢气甲烷化和氢燃料电池的氢能多重利用模型。其次，分析了荷侧资源在各时间尺度的调节特性，提出了多重需求响应模型。最后，为降低海上风电的预测误差对IES运行影响，提出了日前-日内-实时三阶段的多时间尺度优化模型，平抑系统功率波动。算例仿真结果表明所提模型可有效消纳海上风电资源，提升IES经济、低碳性，并缓解源、荷不确定性对系统运行的影响。

随着风电机组渗透率的提高，电力系统惯量水平逐年下降。同时，频率响应存在分区特性，以区域为单位评估电力系统惯量更加灵活和准确。因此，提出了一种基于一维压缩激励残差神经网络（one-dimensional squeeze and excitation residual neural network， 1D-SE-ResNet）的系统动态分区惯量评估方法。首先，计算频率曲线趋势和数值近似距离，采用k-means聚类方法对系统进行动态分区并由S-C指标确定分区数量。然后，通过增加压缩和激励模块对一维残差神经网络进行改进，为每个通道提供权重从而提升网络性能，采集系统不同惯量水平和负荷扰动下的区域簇中心节点频率和频率变化率数据作为一维特征输入，区域有效惯量为输出，训练网络实现区域惯量评估。最后，在含风电的IEEE 39和IEEE 118系统上进行仿真。结果表明，在动态分区的基础上，训练好的1D-SE-ResNet可实现区域惯量的准确评估。

近年来，以深度学习为基础的负荷分解方法得到了广泛应用。但是，目前的研究主要局限于传统欧氏空间序列的输入，难以精确刻画电气设备工作过程中的时序相关性，从而降低了对电气设备的解析精度。此外，家电开关动作可能在时间序列数据中产生长距离影响，但现有模型很少考虑负荷数据的长距离依赖问题。针对上述问题提出了一种基于图卷积网络（graph convolutional network，GCN）和双向长短期记忆网络（bidirectional long short-term memory，BiLSTM）的非侵入式负荷分解模型。该方法基于图理论将总负荷序列转换为包含节点和边的图结构数据，充分考虑节点之间的相关性特征，并利用GCN进行特征提取。同时，引入BiLSTM神经网络以处理长时间序列数据的局限性。通过算例分析验证了所提模型在分解精度和效果上显著优于传统方法。

针对复合电能质量扰动（power quality disturbance，PQD）识别中的特征混叠问题，基于离散余弦变换（discrete cosine transform，DCT）构建频域解耦层作为深度网络的输入层，提出了一种适用于复合PQD识别的深度频域注意力网络（deep frequency attention network，DFAN）。首先，基于DCT理论构建频域解耦层模块对PQD信号进行分解，减少不同扰动之间的特征混叠。其次，将不同频率的PQD分量作为多个通道输入，结合卷积层提取包含不同频率信息的高维特征。同时，采用注意力机制为每个频率通道自适应的分配权重，实现频率分量选择和噪声去除。最后，对所提频域解耦层的计算过程进行优化，将部分参数在构建网络时计算并保存到网络结构中，避免在网络训练的正向传播过程中反复计算，减少网络的训练时间。仿真实验表明，相比于其他常见PQD识别方法，所提方法能有效处理多种PQD的混合问题，对复合PQD识别的精度更高。

分布式光伏在用户侧的大量接入增加了净负荷预测的难度。为了提高预测精度，提出了一种基于天气分型和神经网络的短期净负荷概率预测模型。首先，为了更好地描述气象条件，将对光伏出力影响最大的云量和环境温度进行加权求和，构造出一种综合的气象影响因子，并提出了一种基于气象影响因子波动率的天气分型方法。同时，针对气象因子对净负荷的影响存在时间差异性，采用最大信息系数帮助模型分段选择输入特征。最后，将样本选择结果作为输入，通过分位数回归和门控循环单元（quantile regression and gated loop unit，QR-GRU）组成的神经网络进行概率预测，并利用核密度估计生成概率密度曲线。通过仿真验证了该模型具有良好的预测性能。

随着“双碳”目标的深入推进，近年来我国风电行业迅速发展，如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题，提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制（long short term memory-attention memory，LSTM-AM）短期风电功率预测模型。首先，利用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，Lasso）回归进行输入特征优选，减少冗余；然后，采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型；最后，通过欧氏距离计算提取相似历史样本，与模型输出加权作为最终预测值。实验结果表明，所提出的方法相比传统方法预测性能更优，在风电功率预测中表现出更高的准确性，能够为电力系统规划运行和可再生能源的深入应用提供支撑。

新能源电源通过逆变器实现并网，其并网系统的电压幅值、相位、频率等物理量在电磁、机电等多时间尺度均存在强交互耦合，准确把握并网逆变器的同步稳定主导行为特征是目前的热点问题。为此，提出了一种多次密度空间聚类（density-based spatial clustering of applications with noise，DBSCAN）算法来分析多逆变器并网系统同步稳定的物理表征。首先建立了跟网型和构网型逆变器并网模型，分析了其同步控制单元的同步特性；其次利用所提算法实现对并网逆变器与公共连接点的相位差、逆变器功角、系统频率等仿真数据的聚类和分类；最后通过仿真分析表明，逆变器并网系统同步稳定特征表现为功角逐步恢复原来运行状态和新稳态，此外，系统同步稳定与频率稳定具有一致性。区别在于跟网型同步控制单元成功锁相可以表征其系统的同步稳定，而构网型同步控制单元无法表征。