针对电力系统N-k连锁故障源发场景多样、故障传播路径复杂、保护策略实施对象难以界定等问题，提出一种结合极限梯度提升（XGBoost）与贝叶斯超参数优化的高危断面辨识与保护配置模型。通过搭建高危N-k故障集，随机模拟0.1~10.0负载率下的连锁故障，构建以线路负载率为输入、剩余负荷为输出目标的连锁故障数据集；使用贝叶斯优化算法调整XGBoost模型超参数，选择最优参数组合；辨识高危N-k故障场景下的保护资源配置策略。在IEEE 39节点系统上的仿真结果表明，对高危N-k故障集中88%的场景，通过调整高危断面3条线路的潮流承载能力，系统剩余负荷可维持在80%以上。

随着新能源-变流器馈入的数量增加，电力系统等效惯量不断降低，导致系统在高比例和大规模电力电子设备接入的情况下面临频率失稳风险。临界惯量是反映电网频率安全边界的最小惯量，是判断电网频率安全状态的关键参数，但求解具有非线性特征，复杂难求。提出一种新能源并网系统的临界惯量线性化计算方法。引入频率最低点和最大频率变化率边界约束指标对应临界惯量，通过建立电网等效转子运动方程，并对同步机组一次调频响应过程线性化处理，实现对临界惯量线性化解析求解。针对某实际电网模型，采用PSASP软件仿真验证了计算结果的精确性。

城市电网信息物理系统（CPS）安全态势的及时预警是保证其安全稳定运行的关键。针对多元扰动下城市电网CPS运行态势预警难题，提出了一种基于核极限学习机（KELM）的安全态势预警方法。结合元胞自动机理论构建电网物理层与信息层耦合模型，探讨安全风险跨空间传播机理；采用集成KELM预警模型，通过径向基核函数映射实现多维数据深度融合，并通过集成结构提升预测精度；构建预警指标体系，并根据熵权法动态分配指标权重，划分安全态势预警等级。基于IEEE 33节点配电网的仿真试验表明，所提方法在分布式电源接入场景下，电压波动预测准确率的均方误差较传统极限学习机方法降低了12.49%，验证了模型的高效性与鲁棒性。

由于太阳辐射的间歇性和不稳定性，光伏发电功率具有较高的随机性和波动性，给电网的稳定运行带来了挑战。为提高预测精度，采用带自适应噪声的完全集合经验模态分解对光伏发电功率数据进行分解，得到不同频率的本征模态分量；基于样本熵对这些分量进行K-means聚类，划分为高频、中频和低频分量，然后进一步对高频分量采用变分模态分解进行细化分解；结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力（Attention）机制构建了复合深度学习预测模型，并利用鱼鹰优化（OOA）算法对超参数进行优化。试验结果显示，所提基于模态二次分解和OOA-CNN-BiLSTM-Attention的组合预测模型的均方根误差为4.11 kW，平均绝对误差为2.88 kW，平均绝对百分比误差为3.08%，决定系数为98.89%，优于其他模型，表明该方法能够有效捕捉光伏发电功率的多尺度特征，具有较强的泛化能力和应用潜力。

为提高不同气象场景下风电机组输出功率预测的准确性，提出了一种基于自适应噪声完备集合经验模态分解（CEEMDAN）-卷积神经网络（CNN）-长短期记忆（LSTM）网络模型的风电机组功率回归预测方法。采用CEEMDAN算法对原始风电功率数据进行分解，利用本征模态函数（IMFs）和残差项（RES），并考虑风速等5种气象因素，结合CNN提取特征；采用LSTM网络对每个子序列进行回归预测，并将预测结果进行叠加重构，得到最终预测值，使用平均绝对误差和均方根误差评估预测精度。仿真结果表明：CEEMDAN-CNN-LSTM模型在预测精度上明显优于随机森林-LSTM（RF-LSTM）和支持向量机-LSTM（SVM-LSTM）模型，尤其在复杂气象条件和极端天气下，模型预测精度和泛化能力显著提升。

极端天气下准确预测光伏发电量对保障能源供应和电网稳定至关重要，但此类天气的突发性导致光伏电站历史数据稀缺，难以有效预测极端天气场景下的光伏功率。针对上述问题，提出一种基于时间序列生成对抗网络（TimeGAN）的少量历史数据扩充预测方法，捕捉光伏功率和天气条件中的复杂时间依赖关系，根据光伏电站已有少量历史数据，生成逼真的时间序列数据，模拟极端天气发生的过程，进而展开光伏功率预测。试验结果显示，相较于采用传统生成对抗网络（GAN）扩增小样本数据，采用TimeGAN扩充小样本后的预测结果有较好的拟合性，数据扩增25%后平均绝对误差（MAE）降低了1.14 MW，均方根误差（RMSE）降低了1.09 MW，数据扩增50%后MAE降低了1.08 MW，RMSE降低了0.99 MW，精确度得到了明显提高。

针对综合能源系统负荷预测存在的多源异构数据融合与不确定性量化机制不足问题，利用卷积神经网络（CNN）提取负荷数据局部特征，通过双向长短期记忆网络（BiLSTM）捕捉双向时序依赖，采用随机森林（RF）处理高维非线性关系并借助核密度估计（KDE）量化预测不确定性，从而建立CNN-BiLSTM-RF-KDE混合模型；同时，构建电-热-气多能流耦合模型，分析不同碳价区间对调度策略的影响。算例分析显示：训练集上电、热负荷预测的决定系数分别为0.93，0.96；测试集上电、热负荷预测的决定系数分别为0.79，0.84。预测出的各设备发电、发热量与均值趋势高度吻合，表明运用该模型能够得出更接近准确值的负荷量，以此为基础数据，可以对综合能源系统进行更为可靠的分析与调度。

针对传统差分进化（DE）算法在多园区微电网风光储系统优化配置中易陷入局部最优、物理可解释性弱的局限，提出了改进DE算法与物理机理融合的优化框架。构建以日供电成本最小化为目标的风光储配置模型，嵌入储能充放电效率及荷电状态约束；设计三重自适应改进DE算法：采用双阶段线性衰减机制调节缩放因子和交叉概率，融合精英历史经验复用策略提升收敛速度，引入双模振荡扰动增强多样性；从源荷适配的物理本质出发，剖析储能配置与风光负荷曲线的内在规律。算例表明：改进DE算法较传统DE、粒子群和遗传算法效果更好，联合运行成本降至15 424.06元；联合运行的供电成本较独立运行总和的供电成本降低6.11%，储能总功率与容量分别节省30.77%和50.00%，弃风弃光量归零；储能配置具有最大单时段弃电量决定功率、最大连续弃电总量决定容量的普适规律，基于此的B园区物理估算方案成本为5 065.43元，较优化算法结果（5 066.22元）更低。通过算法改进与物理规律挖掘，为风光储系统优化配置提供了高精度、强可解释性的解决方案。

为研究电动汽车（EV）参与虚拟电厂（VPP）调度时的主从博弈情况，并分析条件风险价值（CVaR）对虚拟电厂收益产生的影响，文中建立考虑CVaR的含EV的VPP主从博弈调度双层模型。建立VPP与EV的主从博弈双层模型，其中VPP为上层领导者，制定电价并引导下层EV有序充电。在上层中引入CVaR理论衡量风光等可再生能源给模型带来的风险，建立以VPP收益最大，CVaR风险最小的上层目标函数，下层目标函数为EV充电成本最小。使用Matlab+Cplex求解器对该主从博弈调度模型进行求解，结果表明：EV参与VPP的比例不同，对VPP总收益产生的影响也不同，EV类型集中时获得的VPP收益最高，所建模型能够有效指导VPP规避风险，并使EV充电成本最小。