随着全球能源需求的不断上升，实现能源的绿色低碳转型已成为能源系统的核心任务。在这一转型过程中，保障电力系统的稳定性和安全性显得尤为关键。面对自然灾害和人为因素的挑战，电力系统在极端事件下的弹性建设显得尤为重要。深入探讨了弹性电力系统的定义、特性曲线、弹性评估方法以及电力信息物理耦合系统（CPPS）的整体框架。结合文献调研情况，全面分析了弹性电力系统的态势感知（SA）技术，特别是电网SA与网络SA。结合CPPS的耦合关系研究成果，构建了CPPS的SA研究框架，研究了信息侧与物理侧的协同SA，以提升电力系统应对气候变化与能源挑战的弹性。最后对未来的研究重点进行了展望。

建筑是电力需求响应的重要潜在资源，而当前建筑需求响应数据匮乏，且建筑物理结构、围护结构、用能行为特征多样以及气象条件复杂等特点使电网难以精准而快速地判断其需求响应潜力，阻碍了需求响应市场的发展。传统潜力量化方法多适用于单一建筑，无法支撑电力市场对多样化的潜在用户进行准入条件判定，难以筛选目标用户并对申报信息的可靠性进行审查。为了解决上述问题，提出一种基于数据驱动的建筑需求响应潜力快速量化方法。考虑建筑响应潜力影响因素与市场对申报信息的要求设置输入、输出变量；采用EnergyPlus-JEPlus-Eppy的工具链条生成完备数据集，提升模型泛化能力；以数据驱动建模方式开发潜力量化模型，实现需求响应潜力的快速量化。以南京某典型办公建筑为对象，选择全局温度调节为削峰手段验证方法的有效性，算例结果显示所开发潜力量化模型均方误差为0.009 6，决定系数（R²）高于0.9。该方法面对不同建筑以及需求响应场景均能实现准确潜力量化。

随着全球可再生能源需求的持续增长，如何高效、智能地管理和预测可再生能源发电已成为能源领域的关键研究课题。探讨了人工智能技术在可再生能源发电中多维数据处理和智能预测方面的应用，并重点分析了其在处理复杂且具有高可变性的数据中的作用。从气象条件和时空特征的角度研究了多维特征挖掘技术在风能和太阳能发电数据处理中的作用。系统分析了在不同时空尺度和多场景下应用的智能预测技术，特别聚焦于机器学习和深度学习模型，这些模型因在处理非线性、高维数据时的优异表现而备受关注。最新研究成果的全面分析验证了这些技术在提升风能和太阳能发电预测准确性和效率方面的显著优势。此外，深入探讨了当前技术的优势与局限，并展望了未来的发展方向，尤其强调了提升智能预测模型鲁棒性、实时性及其在不同场景下适应能力的重要性。这些研究为进一步推动可再生能源领域的发展提供了理论依据和实践指导。

为实现“双碳”目标，新型电力系统正向绿色化、智能化和多样化转型。负荷预测对保障新型电力系统安全、经济和可靠运行至关重要。尽管传统数理统计方法在规律性明显的负荷数据预测中表现良好，但在新型系统中，高比例可再生能源和随机性用户负荷使数理统计方法面临挑战。人工智能技术，尤其是机器学习和深度学习，因其在处理复杂数据和提取模式方面的优势，成为研究热点，有效提升了负荷预测的准确性和鲁棒性。在此背景下，回顾了基于数理统计原理的负荷预测方法并讨论了其局限性，总结人工智能技术在负荷预测中的应用进展，分析传统机器学习、深度学习及组合预测模型的应用特点。针对区域系统级负荷预测、高比例可再生能源场景下的净负荷预测、多类异质能源协同互补场景下的综合能源系统负荷预测、建筑负荷预测以及电动汽车负荷预测这5类场景下的负荷预测技术难点和关键技术应用进行归纳和总结，对未来负荷预测技术的发展方向进行了展望。

在公共建筑能耗研究中，对异常负荷值进行识别与修复是不可或缺的数据处理环节。针对现有方法的局限性，提出一种基于马氏距离局部离群因子-孤立森林（MDLOF-iForest）算法和考虑斜率的K近邻改进（M-KNN-Slope）算法的负荷异常数据识别与修复方法。MDLOF-iForest算法在传统局部离群因子算法中引入马氏距离，提高了模型对数据特征间关联性的感知能力，同时将MDLOF算法与iForest算法的优势相结合，快速准确识别出异常数据。M-KNN-Slope算法利用异常数据与正常数据负荷趋势线特征相似的邻居，得到相似趋势线斜率加权平均值，完成对异常数据的修复，减少对样本数据的依赖。通过对南宁市一栋办公和一栋商业公共建筑2024年8—11月负荷数据的验证，修复后90%左右数据与正确数据差值在10%以内，且相较一般算法，M-KNN-Slope算法能够获得更多误差在5%以内的数据。分别利用极端梯度提升、长短期记忆网络、反向传播神经网络、支持向量机对修复前后的数据进行预测，均方根值分别降低了5.02%~17.83%，绝对平均误差分别降低了2.44%~13.34%。

为应对目前矿区能耗大、资源利用率低、源荷不确定性强等问题，建立了一个基于煤矿的矿区综合能源系统，引入需求响应机制和多时间尺度的滚动优化策略，以提高系统的经济运行效益。为了最大限度利用矿区各类负荷的可调度性和灵活性，针对需求侧的电力和热能负荷，构建了一个精细化的综合需求响应模型；融合多时间尺度优化策略，构建了日内多时间尺度的优化模型，该模型旨在最小化与日前计划的偏差，设定每个求解周期为4 h并每隔15 min执行一次优化操作，通过这种滚动优化策略对日前调度计划进行有效修正；通过不同的算例模拟和比较分析，证明了综合需求响应和多时间尺度优化策略在提升矿区综合能源系统低碳运行和应对不确定性方面的有效性。

针对传统风电功率曲线难以计及气象因素的影响而导致模型精度变低的问题，提出了一种考虑密度修正的风电功率曲线线性拟合模型LI-DASW。建立了基于气温、气压、湿度等气象因素的空气密度计算模型以及密度修正风速策略，既能反映气象因素变化对风电功率曲线的影响，又能保持模型的单输入单输出特性。以一阶矩替代原数据集合建模，减少冗余计算，提升建模效率；然后以一阶矩为插值点构建线性插值模型，有效规避了高阶多项式拟合带来的Runge现象，增强模型适应性。两个风电场的算例分析结果表明，LI-DASW模型拟合性能明显优于传统方法：相较于Bin法，模型的均方根误差（RMSE）分别降低了14.42%和10.16%，平均绝对误差（MAE）降幅达15.63%和9.48%；与多项式方法相比，RMSE降幅提升至20.33%和7.66%，MAE改进幅度分别为18.15%和8.06%；相较于线性插值方法，RMSE和MAE降低了6.19%∼7.37%；同时，建模效率较多项式模型提高了84.81%以上。

新能源发电、可控负荷、储能在配电网中渗透率不断提高，对电网安全稳定运行带来了挑战，增大了潮流优化及其三相不平衡问题分析的难度。引入负荷需求响应和可换相负荷概念，构建考虑可换相的节点负荷需求响应模型，通过负荷可时移、可中断及可换相特性，改善各相节点负荷功率分布情况；同时，构建节点电储能（EES）运行特性模型，进一步改善三相配电网运行指标。在Matlab环境中定义模型求解变量，设定收敛精度等参数并调用CPLEX求解器，对三相配电网最优潮流模型求解，设置不同场景对比分析，数据分析表明，在IEEE 33算例系统中多因素灵活调节能够有效降低配电网三相不平衡度指标。