✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Smart Grid期刊2026年issue1推送（第3期/共6期）。本期推送共包含11篇研究论文简介，内容聚焦于高比例可再生能源接入背景下电力系统的稳定性控制、优化调度与网络安全等前沿领域。具体主题涵盖：针对风电并网系统通信不确定性的非周期采样负荷频率控制、基于人工智能的直流微电网关键设备数据驱动控制、直流微/纳米电网的先进鲁棒控制策略、考虑电动汽车与极端场景的配电网风储系统优化配置、利用新型神经网络提升配电网优化调度效率、网络物理系统的深度学习攻击与主动防御模型、多母线直流微电网的分布式协调控制、交流微电网的分布式能量管理算法、基于强化学习的配电网服务恢复策略，以及面向小样本与不平衡数据的电力系统强迫振荡可解释识别方法。这些研究为构建更安全、高效、智能的未来电力系统提供了创新的理论方法与技术方案。
本期目录
📖 第1篇：考虑数据包丢失与延迟的离散时间反馈互联模型下风电并网电力系统非周期采样负荷频率控制
📖 第2篇：直流微电网中直流固态变压器的人工智能数据驱动控制
📖 第3篇：面向直流纳米电网的无抖振鲁棒终端滑模控制
📖 第4篇：电动汽车参与下配电网极端场景分布式风储系统优化配置
📖 第5篇：基于部分输入凸神经网络的配电网日前联合机会约束优化调度
📖 第6篇：DeepLR：基于深度学习的网络物理电力系统负荷重分布攻击模型
📖 第7篇：多母线直流微电网的分布式控制：实现集群间与集群内的电流共享与电压调节
📖 第8篇：基于预设时间动态事件触发的交流微电网分布式双模能量管理
📖 第9篇：配电网服务恢复：一种分布鲁棒强化学习方法
📖 第10篇：动态配置PMU以防御隐蔽多时段虚假数据注入攻击：提升电力系统混合量测状态估计的安全性
📖 第11篇：面向类别不平衡与有限实测数据的可解释网络框架用于电力系统强迫振荡识别
📖 第1篇
📌 考虑数据包丢失与延迟的离散时间反馈互联模型下风电并网电力系统非周期采样负荷频率控制
Aperiodic Sampling Load Frequency Control of Wind Power-Integrated Power Systems With Packet Losses and Delays Under Discrete Time Feedback Interconnection Model
作者：Te Yang，Xiaobin Han，Guoliang Chen，Jianwei Xia，Ju H. Park
随着风电等可再生能源大规模接入电网，电力系统的频率稳定性面临严峻挑战。风电的间歇性和波动性加剧了频率调节的难度，而现代电力系统开放、分散的通信架构又引入了传输延迟和数据包丢失等不确定性因素，进一步威胁着负荷频率控制（LFC）的可靠性与性能。传统的LFC方案多基于连续时间模型或周期采样，难以有效应对这些复杂的非线性和不确定性。本文针对风电并网的多区域电力系统，提出了一种创新的非周期采样LFC方案，并系统性地解决了通信延迟和数据包丢失带来的稳定性问题。研究的核心创新在于：首先，将多区域连续时间LFC模型转换为离散时间模型，并通过引入线性算子来统一刻画通信延迟、数据包丢失和非周期采样间隔等不确定性，从而将系统构建为一个由不确定算子和线性时不变系统组成的反馈互联模型。这一模型转换方法为后续的稳定性分析提供了清晰的框架。
本文综合利用积分二次约束（IQC）理论、线性矩阵不等式（LMI）技术和Bohl-Perron原理，推导出了系统指数稳定的充分条件。该条件能够计算出非周期采样间隔和通信延迟的上界，为系统设计提供了明确的稳定性边界。理论分析表明，相较于现有方法，本文提出的稳定性判据能够获得更大的采样上界和延迟容忍度，这意味着系统在更恶劣的网络条件下仍能保持稳定。基于上述稳定性条件，本文进一步设计了一种控制器迭代优化算法。该算法有效处理了由通信延迟、数据包丢失和非周期采样引起的非线性耦合项，从而求解出能够确保系统鲁棒运行的控制器增益。
仿真研究在一区域、三区域LFC系统以及标准的IEEE 39节点测试系统上展开。结果表明，与已有的PI控制、鲁棒H∞控制等方案相比，本文所设计的控制器在存在延迟和丢包的情况下，能够更快稳定系统频率，表现出更小的频率波动和更优越的控制性能。综上所述，本研究为高比例风电并网环境下电力系统的频率稳定控制提供了一套完整的理论框架和实用解决方案。所提出的非周期采样LFC模型、基于IQC的稳定性分析方法和控制器设计算法，不仅提升了系统对通信不确定性的鲁棒性，也为未来智能电网中更复杂、更开放的LFC系统设计奠定了重要基础。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11181202
📖 第2篇
📌 直流微电网中直流固态变压器的人工智能数据驱动控制
Artificial Intelligence Data Driven Control for DC Solid State Transformer in DC Microgrid
作者：Xiangqi Meng，Yanbing Jia，Chunguang Ren，Pei Zhao，Jingkuan Li，Lei Wang，Peng Wang
随着新能源和随机性负荷的广泛接入，直流微电网系统日益复杂，其核心组件——直流固态变压器（DCSST）面临着精确建模困难、系统稳定性受扰等严峻挑战。传统基于精确模型的控制方法（如模型预测控制）在高度非线性、难以准确建模的复杂系统中难以有效实施，且建模成本高昂。为此，本文提出了一种创新的数据驱动无模型控制（DMFC）方法，该方法深度融合了深度强化学习（DRL）和改进的卡尔曼滤波器（IKF），旨在不依赖精确系统模型的前提下，确保DCSST在大信号扰动下的稳定运行。
研究首先建立了DCSST的数据驱动模型，绕过了对精确物理模型的依赖。随后，设计了一种专为DMFC定制的改进卡尔曼滤波器（IKF）。该IKF能够同时校正测量误差、滤除噪声并估计系统中不确定的扰动，其设计过程同样不依赖于精确的数学模型，与数据驱动的核心理念高度契合。在此基础上，引入了DMFC控制器，该控制器利用系统的输入输出数据直接进行设计，能够保证系统在大信号扰动下的稳定性。
为了进一步提升系统性能，本文创新性地将基于DRL的TD3算法作为子控制器集成到DMFC框架中。该智能子控制器能够根据系统实时状态，自适应地调整DMFC的主控制信号，从而有效提高控制精度、减小稳态误差，并显著增强系统对不同运行工况的适应能力。此外，针对DCSST中各个双有源桥子模块的参数差异，论文还设计了输入电压均衡补偿控制，确保各模块输入电压的平衡，提升系统整体运行的可靠性与效率。仿真与实验结果表明，所提出的基于DRL的IKF-DMFC复合控制策略具有显著优势，能够自适应应对大功率负载阶跃等严重扰动，表现出更快动态响应和更优稳态性能。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11215658
📖 第3篇
📌 面向直流纳米电网的无抖振鲁棒终端滑模控制
Chattering-Free Robust Terminal Sliding Mode Control for DC Nanogrids
作者：Muhammad Kashif Azeem，Waqas Hassan，Michael Negnevitsky，Evan Franklin，Pooyan Alinaghi Hosseinabadi
直流纳米电网作为一种新兴解决方案，为农村及家庭提供经济实惠的电力，但其较差的瞬态响应限制了实际应用。本文提出了一种具有有限时间稳定性和无抖振鲁棒终端滑模控制策略，致力于提升直流纳米电网的稳定性与运行效率。
直流纳米电网集成了光伏发电、电池储能、本地直流负载及DC-DC变换器，灵活结构适合未来低压配电网络。可再生能源间歇性、负载瞬时变化及控制律饱和带来动态变化和不确定性，尤其是传统滑模控制的抖振问题，导致功率损耗和电磁兼容噪声，甚至系统不稳定。针对这些，本文设计了一种新颖的无抖振有限时间终端滑模控制器，通过非线性滑动面与控制律根本性解决抖振问题。
与传统渐近及高阶滑模控制不同，CFTSMC策略集成了积分型切换面和非线性控制律，引入多个独立可调控制增益，实现控制输入端抑制抖振，同时确保在非线性与不确定条件下的快速收敛和鲁棒性。研究基于李雅普诺夫理论严格证明了闭环系统的有限时间稳定性。通过MATLAB/Simulink仿真和IMPERIX硬件实验验证，结果显示该控制器在瞬态响应速度、稳态误差与抖振抑制方面表现显著优越，保障了纳米电网的稳定高效运行。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197018
📖 第4篇
📌 电动汽车参与下配电网极端场景分布式风储系统优化配置
Configuration of Distributed Wind-Storage System for Extreme Scenario of Distribution Network Under EV Participation
作者：Hu Yaogang，Deng Qinhan，Liu Shunqiang，Ran Linxiang，Zou Zhihua，Shi Pingping
随着高渗透率分布式风电接入配电网，其固有的波动性及电动汽车负荷快速增长，叠加极端天气事件，极易引发节点电压越限，严重威胁电网安全。针对电动汽车参与的配电网极端场景，本文提出了分布式风储系统优化配置方法，旨在提升配电网电压稳定性与经济性。
研究建立了风电出力、负荷及电动汽车不确定性模型，采用蒙特卡洛方法生成大量源-荷运行场景数据，并创新提出基于源-荷平衡熵的极端场景提取方法，通过信息熵量化源-荷时序分布平衡度，有效识别对电网安全有严重威胁的极端运行场景。
针对极端场景，提出基于固定聚类中心的配电网集群划分方法，以风电场为中心按电压灵敏度划分集群，避免风电出力分配复杂性，使电压调节控制更简便。基于集群划分，建立风电场自配置储能容量优化模型，综合考虑安全约束和经济效益。仿真实验（IEEE 33节点）表明：所提方法在极端场景下实现电压越限次数为零，并将网损降低48.23%，兼顾电动汽车调度潜力，有效降低储能容量，提升经济性，保证电动汽车用户收益。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11162564
📖 第5篇
📌 基于部分输入凸神经网络的配电网日前联合机会约束优化调度
Day-Ahead Joint Chance-Constrained Optimal Scheduling for Distribution Networks Using Partial Input Convex Neural Networks
作者：Jie Zhu，Yinliang Xu，Nengling Tai，Yurong Xie，Qiangyu Wen，Hongbin Sun
随着可再生能源渗透率提升，其固有不确定性给系统日前优化调度带来挑战。传统随机优化计算负担重，鲁棒优化则过于保守，影响经济性。机会约束规划（CCP）允许一定概率约束违规，灵活平衡鲁棒性和经济性。但处理多个约束耦合的联合机会约束（JCC）存在保守性或计算复杂性问题。本文提出了基于部分输入凸神经网络（PICNN）的日前联合机会约束优化调度方法，利用PICNN作为代理模型近似JCC分位数函数，输出对决策变量凸，对参数允许非凸，兼具高逼近能力与计算效率。
与基于MLP的样本平均近似法需求解NP难混合整数规划不同，本文方法约束复杂度仅与神经元总数正比，与约束数量无关，实现高扩展性；引入保形校准和信赖域技术，对网络输入输出严格界定，确保逼近误差存在下仍满足概率违约要求，保障代理约束可靠性。
案例研究包括改进的IEEE 33节点和141节点配电网，结果显示：方法保证样本外约束满足，运行成本仅增加0.94%-1.1%，计算效率提升2-3个数量级。该方法适用于处理高维不确定性，为大规模配电网经济安全运行提供了新工具，具备卓越工程应用前景。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11185155
📖 第6篇
📌 DeepLR：基于深度学习的网络物理电力系统负荷重分布攻击模型
DeepLR: Deep Learning Assisted Load Redistribution Attack on Cyber-Physical Power System
作者：Praveen Verma，Pallab Dasgupta，Chandan Chakraborty
随着信息通信技术与电力系统的深度融合，网络物理电力系统面临严峻的网络攻击威胁。负荷重分布攻击通过向负荷测量数据注入虚假信息，误导调度决策，可能导致线路过载与非经济运行。然而，现有模型存在计算耗时长、依赖实时机密拓扑信息及需操纵全网负荷等缺陷，限制实用性。本文首次提出DeepLR数据驱动深度学习攻击框架，将传统优化问题转化为深度学习问题，通过离线训练深度神经网络，实现无需实时拓扑信息的实时攻击生成，降低攻击门槛提高隐蔽性。
同时提出基于数据驱动的攻击区域识别方法，基于线路潮流相关性进行聚类，筛选关键负荷，仅控制少量负荷却引发严重经济影响。实验在IEEE 14及39节点测试系统展开，结果显示DeepLR能构建与传统方法等效但信息需求更低、攻击速度更快的攻击方案，针对识别区域攻击导致成本显著增幅。
与五种先进攻击模型对比，DeepLR展现出更快实时攻击生成速度、更低信息需求和更少负荷操纵优势。该框架不仅为信息受限场景脆弱性评估提供新工具，也为设计针对性防御机制指明方向，标志电网安全分析的人工智能进展。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11146670
📖 第7篇
📌 多母线直流微电网的分布式控制：实现集群间与集群内的电流共享与电压调节
Distributed Control of Multi-Bus DC Microgrids for Current Sharing and Voltage Regulation
作者：Tiannan Li，Lantao Xing，Meng Zhang，Bo Sun，Changyun Wen
随着可再生能源快速发展，直流微电网因高效率与高可靠性成为清洁能源整合有效方案。多母线直流微电网中，每母线连接多分布式发电单元（DG）集群，核心目标是实现母线电压调节与电流比例共享，以及集群内部DG间电流均衡。现有基于“领导者-跟随者”框架的分布式控制方案存在单点故障和通信脆弱性问题。
为克服局限，本文提出基于无领导者通信网络的新型分布式控制方案，分解控制目标为集群间控制和集群内控制。集群间通过生成期望参考电压实现稳定与按比例电流共享；集群内采用基于虚拟电压降（VVD）的PI型控制，补偿下垂控制带来的电压偏差，精准实现电流均衡。
创新点包括：处理每母线多DG集群的复杂场景，通过分层控制策略协调双重目标；摒弃易受攻击领导者-跟随者结构，采用完全分布式无领导者通信，显著提升系统可靠性与鲁棒性。仿真与硬件在环实验涵盖多种工况，展现该方案的快速精准电流共享及优异电压恢复与抗干扰性能，优于传统方案。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11185163
📖 第8篇
📌 基于预设时间动态事件触发的交流微电网分布式双模能量管理
Distributed Dual-Mode Energy Management for AC Microgrids via Prespecified-Time Dynamic Event-Triggered Approach
作者：Jiaming Liu，Feisheng Yang，Meng Zhang
伴随能源需求增长与波动，交流微电网作为灵活有效的能源解决方案受到关注。其包含传统发电机、柔性负载、可再生能源及储能，核心挑战在于快速经济地能量管理以最小化运行成本。传统集中式方法存在单点故障、扩展性差、通信负担重问题，且现有分布式方法在收敛速度和通信资源消耗方面仍有不足。
本文提出创新的预设时间收敛引理，实现精确且可预先指定收敛时间。基于此，设计了预设时间动态事件触发机制的新型分布式优化算法，拥有更精确的时间控制和灵活收敛。动态事件触发通信机制利用内部动态变量作为触发阈值，较静态机制更节省通信资源，减轻带宽负担。同时引入状态分解机制保障增量成本信息安全，避免隐私泄露，算法适用有向图通信拓扑，增强实用性。
算法通过李雅普诺夫函数严格证明在预设时间内收敛，并排除Zeno行为。仿真实验验证其在孤岛与并网双模式的快速收敛性能，及负载变化和模式切换的良好动态响应。与固定时间和静态事件触发方法相比，算法提升了收敛速度与通信资源节约，为微电网的高效安全能量管理提供理论与实践支持。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11165094
📖 第9篇
📌 配电网服务恢复：一种分布鲁棒强化学习方法
Distribution Service Restoration: A Distributionally Robust Reinforcement Learning Approach
作者：Seyed Saeed Fazlhashemi，Mohammad E. Khodayar，Mahdi Khodayar，Jianhui Wang
极端天气频发下，配电网故障后的快速服务恢复成为关键，涉及维修人员调度、资源管理和网络重构等挑战。传统数学规划虽能提供最优解，但难适应实时不确定性，且计算成本高昂。本文提出一种多智能体分布鲁棒强化学习方法，应对维修人员调度问题。
将环境建模为部分可观测马尔可夫博弈过程，每个维修人员为智能体，行动抉择包括维修故障点或返回补给站，且仅能获得局部观测信息，模拟通信带宽受限场景。为克服状态-动作值函数估计误差，开发了分布鲁棒多智能体柔性执行者-评论家算法（DR-MASAC），在策略评估阶段引入基于KL散度的不确定性集合，学习鲁棒恢复策略。
在改进的IEEE 37和123节点测试系统上进行验证，DR-MASAC比多智能体柔性执行者-评论家及深度确定性策略梯度算法表现出更高平均累积奖励和更低奖励标准差，说明恢复负荷更多且性能更稳定。且其平均回合长度更短，以更少行动完成任务。测试阶段以未供电负荷成本与总量作为指标，DR-MASAC显著降低恢复成本，展现优越性能。本研究创新性建模维修调度问题为POMG，提出DR-MASAC应对有限交互不确定性，为极端事件下配电网恢复决策提供智能化新方案。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11129194
📖 第10篇
📌 动态配置PMU以防御隐蔽多时段虚假数据注入攻击：提升电力系统混合量测状态估计的安全性
Dynamic PMU Configuration for Stealthy Multi-Snapshot FDIA Mitigation: Enhancing Security in Hybrid-Measurement-Based State Estimation in Power Systems
作者：Shutan Wu，Qi Wang，Jianxiong Hu，Yujian Ye，Yi Tang
随着电力系统转向高时空分辨率状态感知的赛博物理系统，基于混合量测（PMU与SCADA）的状态估计普及，但带来了网络安全挑战，特别是隐蔽性强的多时段虚假数据注入攻击，可绕过传统检测，威胁电网稳定。
从攻击者视角系统性研究安全漏洞，发现攻击者可利用量测异构性，构造跨多时间断面的协同攻击序列，使攻击在状态估计中持续隐匿，误导调度决策。为此，本文提出动态PMU配置策略，根据拓扑与量测冗余自适应调整PMU部署及采样，破坏攻击可观测条件。
建立攻防博弈模型，证明动态配置能显著提高攻击成本，迫使攻击者暴露更多特征，提升检测概率。该方法首次系统分析了多时段协同攻击隐匿机制，提出前摄性防御范式，相较静态加固，在不显著增加硬件的情况下平衡安全与经济，为智能电网主动防御提供新思路，对电力系统安全运维具有重要实践价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11184615
📖 第11篇
📌 面向类别不平衡与有限实测数据的可解释网络框架用于电力系统强迫振荡识别
Forced Oscillation Recognition With Interpretable Network Framework for Class Imbalance and Limited Real-World Data
作者：Xiaomei Yang，Tao Shan，Haonan Xiong，Xianyong Xiao，Xingrui Huang，Yang Wang
深度学习在电力系统强迫振荡（FOs）、自然振荡（NOs）与共振识别方面潜力巨大，但大多为黑箱模型，且面临类别不平衡和实测数据规模有限等挑战，影响实际识别准确率。
为应对，本文提出集成平衡数据处理、可解释识别网络和微调学习策略的识别框架。引入DeepSMOTE1D方法，结合编码器-解码器结构及改进SMOTE策略生成合成样本平衡类别，无需判别器降低复杂度；构建含离散小波变换（DWT）嵌入的DWT-CNN-LSTM网络，提升模型可解释性，有效学习时频特征与长程依赖。
通过在仿真数据上预训练后，在有限且平衡处理的实测数据上微调，提升了模型泛化能力。实验（基于ISO新英格兰实测数据）展示模型在准确率、精确率、召回率和F1分数上的优异表现。利用梯度加权类激活映射（Grad-CAM）可视化，证实嵌入DWT后的模型聚焦关键时频特征，增强决策合理性与可解释性。该研究为电力系统安全稳定分析提供了适用于小样本环境的高精度智能诊断工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11200994
点击关注 获取更多精彩