✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Smart Grid期刊2026年issue3推送（第5期/共7期）。本期推送共包含10篇研究论文，内容覆盖电力系统优化运行、新能源与分布式资源集成、人工智能与数据驱动方法等前沿领域，具体研究主题包括：基于全息框架的P2P能量交易机制、激励相容的需求响应灵活性共享策略、架空配电网非接触磁感应故障定位、大语言模型与贝叶斯网络融合的电动汽车充电行为仿真、含噪数据下黑箱逆变器接口资源动态建模、多相网状配电系统建模、电-交通耦合的协同定价与博弈分析、考虑气象时滞的负荷预测、面向混合网络攻击的网络安全控制方法，以及基于模型预测控制逼近的微电网一次控制策略。这些研究聚焦于提升电力系统智能化水平、运行效率与安全韧性，为新型电力系统建设提供了创新的理论方法和工程实践路径。
本期目录
📖 第1篇：激励通信使能的全域P2P能量交易全息框架
📖 第2篇：激励相容的灵活性共享：提升需求响应可控性与经济效率
📖 第3篇：基于非接触磁感应的架空配电网络智能故障区间定位
📖 第4篇：基于大语言模型与贝叶斯网络的电动汽车用户充电行为集成仿真框架
📖 第5篇：从含噪测量数据学习建模具有多种未知控制模式的黑箱逆变器接口资源动态特性
📖 第6篇：多相网状不平衡配电系统的线性化最优潮流
📖 第7篇：多方利益相关者参与的电-交通网络多时段运行：一种广义纳什均衡方法
📖 第8篇：考虑气象特征与负荷动态超前滞后及转折点的多元电力负荷预测模型
📖 第9篇：基于神经网络的自适应负荷频率控制方法：应对易受混合攻击的多区域电力系统
📖 第10篇：基于神经网络逼近的交流微电网分布式能源一次控制连续控制集模型预测控制
📖 第1篇
📌 激励通信使能的全域P2P能量交易全息框架
Incentive Communication Enabled Holonic Framework for Urban-Wide P2P Energy Trading
作者：Jianheng Lan，Fengji Luo，Xiangyu Li
本文针对城市尺度下大规模分布式产消者间的交易性能瓶颈，提出了基于多层全息结构的交易系统，定义了自下而上的联盟形成与匹配流程。核心方法：多层全息联盟形成，在不同运行条件下动态生成不同规模的产消者联盟；主要创新：激励通信驱动的深度强化学习决策，以及在交易闭环中引入潮流约束调整机制，用以保证交易可行性和网络安全性。本体系将参与者按地理与电力约束分层，信息流自下而上汇聚并在上层进行协同调度，形成可扩展的城域P2P交易平台。
实现细节上，系统先基于实时状态构建联盟候选集，随后通过分层匹配模块完成双向撮合；为使个体产消者在不完全信息下做出最优决策，采用基于激励通信的深度强化学习算法训练代理，训练损失包括交易收益最大化与潮流可行性惩罚项。训练使用历史负荷与发电序列，批量大小与学习率按任务分层设置，部署时以分布式推理降低通信延迟并适配实际计算资源。
实验在若干IEEE标准测试系统与真实数据上进行：对比基线为集中式匹配和常规模型预测控制。关键数据为：交易量增长=27%、配电网传输损耗下降=8%，且在可行时间尺度内完成撮合。研究结论表明，所提框架在支持异构偏好与多尺度联盟时具有显著优势，且对提升分布式可再生能源资产价值与城市可持续发展具有明确工程价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11303324
📖 第2篇
📌 激励相容的灵活性共享：提升需求响应可控性与经济效率
Incentive-Compatible Flexibility Sharing for Enhancing Controllability and Economic Efficiency of Demand Response
作者：Yan Meng，Lei Yan，Linjuehao Mei，Zelong Lu，Guocan Yan，Yuanhao Feng，Mohammad Shahidehpour，Zuyi Li
本文聚焦于需求响应市场中的两大难题——经济效率与可控性，提出从整体多时段视角出发的共享机制，定义了负荷导向线并以其为基准量化可共享的灵活性。关键方法：多时段灵活性共享模型；主要创新：证明该机制满足激励相容性，使每个用户按私有最优策略响应系统引导，从而实现系统级负荷追踪与个体成本最小化。该框架避免基线易被操纵的缺陷，通过外生确定的导向线确保机制稳定性。
在算法实现上，作者构建了可解析的优化模型并推导闭式最优解，训练/求解过程强调可扩展性与计算效率。具体采用凸优化求解器并引入约束正则化以保证收益分配的充足性，关键实现要点包括闭式最优解推导和对多时段耦合约束的显式处理。机制中还设计了收益分配规则以保障交易公平性与参与动机。
算例验证显示：在典型负荷与需求响应场景下，用户成本显著下降（平均成本下降约12%），系统端负荷追踪误差显著降低（RMSE下降15%），且无用户因基线操纵获利。综合来看，该灵活性共享机制在可扩展性、经济性与可控性三方面均展现优势，适合用于构建高性能的需求响应市场。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11397737
📖 第3篇
📌 基于非接触磁感应的架空配电网络智能故障区间定位
Intelligent Faulted Span Localization for Overhead Power Distribution Networks by Non-Contact Magnetic Sensing
作者：Arsalan Habib Khawaja，Qi Huang，Dongsheng Cai，Tianxiang Chen，Wei Liu，Qiang Ou
本文面向架空配电线路中常见的短路与断电故障，提出一套基于非接触磁感应RTU与云端判别算法的系统化解决方案。研究问题为如何在无需接触导线的条件下，实时检测并定位短路或断区段，应用场景涵盖辐射状与环状配电网。系统框架由若干远程终端单元（RTU）负责现场信号采集，云端算法负责状态判定与区段定位，信息流从采集→上传→比对历史状态→输出定位结果，核心机理依赖于对线路辐射磁场微弱变化的敏感测量与时序比较。
实现层面，RTU采用高灵敏传感器并通过滤波与自适应噪声抑制算法减少地磁与铁磁干扰，关键实现要点为非接触磁场滤波与噪声抑制，云端使用基于状态变化对比的判别逻辑来区分正常、短路与断电三种工况。系统内置防误报机制以应对反向馈电与涌流干扰，部署时通过低成本硬件实现大规模覆盖。
通过模拟建模、高压室内试验以及在11kV实际线路上的现场验证，结果显示：定位精度已缩小至相邻RTU之间的区间长度，识别三类工况的准确率达95%以上，系统响应时延满足现场运维要求（平均响应时延<1s）。该方案无需与导线接触且硬件成本低，便于大规模部署，有助于显著缩短停电时间并降低巡线人力成本。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11265750
📖 第4篇
📌 基于大语言模型与贝叶斯网络的电动汽车用户充电行为集成仿真框架
LLM and Bayesian Network Integrated Simulation Framework for Electric Vehicle User Charging Behaviorals
作者：Yi Xiong，Jiamin Ge，Liang Che
为刻画电动汽车用户的充电决策行为，本文提出将大语言模型（LLM）与贝叶斯网络集成的仿真框架。研究问题为如何从不可观测的用户意愿推断出可用的行为模型，并在小样本场景下保持预测稳定性。整体技术路线为：用LLM提取并标注用户意愿变量与因果结构，基于此构建贝叶斯网络以显式表示先验与条件概率，最终通过贝叶斯推理产出充电开始时间、时长与充电量等行为输出，避免单纯LLM在生成时的随机性与幻觉问题。
实现细节包括：用LLM生成的标签建立变量空间，用含标签的小样本数据初始化先验概率，关键实现要点为先验概率生成与贝叶斯更新，贝叶斯网络利用链式法则计算联合分布并用最大后验或采样方法输出行为。训练/更新采用在线贝叶斯推理以适配新数据，并通过物理约束与业务规则做后验过滤以避免幻觉信息。
在来自中国嘉兴市13个充电站、含44万+条充电记录的数据集上，方法在小样本情形下比纯LLM预测准确率提升20.3%–27.5%；在需求响应仿真中，通过电价调节实现削峰填谷，峰值负荷降低约25%、谷值负荷增加约30%。结果证明该框架在泛化性、物理一致性与工程应用上均具备显著优势，适合用于智能电网的充电行为建模与需求侧管理。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11355701
📖 第5篇
📌 从含噪测量数据学习建模具有多种未知控制模式的黑箱逆变器接口资源动态特性
Learning to Model the Dynamics of Black-Box Inverter-Based Resources With Multiple Unknown Control Modes From Noisy Measurement Data
作者：Heqing Huang，Yuzhang Lin
针对逆变器接口资源（IBR）作为“黑箱”接入电网且控制模式多变的问题，本文提出了基于含噪测量数据的端到端建模框架。核心方法为先用无监督聚类发现潜在控制模式，随后对每一模式训练深度神经卡尔曼滤波器以学习连续时间动态模型。框架的输入为含噪电压、电流与导出特征序列，输出为可直接嵌入电力系统仿真库的连续时间模型，克服了传统离散时间与低阶表达能力的局限。
实现上，首先对未标注时序数据做特征工程并用聚类算法分割模式集，然后为每一模式训练包含编码器、状态转移与输出网络的深度滤波器，关键实现要点为神经卡尔曼滤波器结构设计与对噪声鲁棒性的正则化训练。训练损失综合了重构误差与预测一致性项，采用批量训练与自适应学习率调度以提升收敛速度与泛化能力。
在包含跟网型与构网型控制的IEEE测试系统上，方法在预测精度与动态行为捕获上均优于现有数据驱动方法：关键指标显示预测RMSE降低≈30%，并成功捕获次同步振荡等复杂动力学（稳定性保持良好）；此外，模型可兼容多种数值积分方法，便于工程化集成，是应对运行中控制模式切换与数据含噪的重要路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11313680
📖 第6篇
📌 多相网状不平衡配电系统的线性化最优潮流
Linearized Optimal Power Flow for Multi-Phase Meshed Unbalanced Power Distribution Systems
作者：Lusha Wang，Ravi Raj Shrestha，Anamika Dubey
为应对城市配电网中常见的多相不平衡与高度网状次级网络，本文提出一种面向多相网状不平衡系统的线性化最优潮流（LOPF）方法。研究问题在于如何在保留关键电压与功率流非线性影响的前提下，将网状拓扑和变压器模型纳入统一优化框架，以适用于实时调度与DER高密度接入场景。系统输入为多相注入功率与网络参数，输出为相电压与分配功率设置，方法旨在在计算效率与解精度之间取得平衡。
方法通过对多相功率流方程做合适线性化近似，并采用分段近似与次级网络映射技巧来保留关键耦合项，关键实现要点为多相耦合线性化】与对变压器模型的统一处理。优化问题最终形成一组线性或二阶锥约束，可用现成求解器高效求解，适配大规模城市配电网的在线调度要求。
在若干网状次级网络实例上验证，LOPF在满足运行约束的前提下显著提升DER消纳能力并降低网络损耗：实验显示网络损耗降低≈6%–12%，求解时间远小于非线性OPF，适用于实时应用。该方法首次在网状次级网络情形下实现高效求解，对城市电气化与DER集成具有重要工程参考价值。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11311147
📖 第7篇
📌 多方利益相关者参与的电-交通网络多时段运行：一种广义纳什均衡方法
Multi-Period Operation of Power-Transportation Networks With Multiple Stakeholders: A Generalized Nash Equilibrium Method
作者：Hongzhang Sheng，Yan Xu，Zhao Yang Dong
本文研究电力网络与交通网络耦合下的多时段运行协调，建立了包含电网运营商、交通运营商、产消者与车辆用户的非合作博弈模型，转化为广义纳什均衡（GNE）问题。研究目标为在多时段内协调用户的充电与出行决策以降低网络拥堵與系统总成本。关键机制包括电力拥堵价格与交通拥堵收费的协同定价，以动态经济信号引导用户在时间与空间上作出响应。
在算法实现上，作者将GNE问题转化为变分不等式（VI）形式并设计了分布式投影收缩算法用于求解，既保护了个体隐私又保证收敛性。关键实现要点为变分不等式求解与基于局部信息的分布式迭代更新，算法在每个时间步仅交换必要的价格/流量信号以控制通信量。
仿真实验在耦合的IEEE 33节点配电网与Sioux Falls交通网络上进行，对比无定价与单网络定价情形，结果表明协同定价方案能在多场景下降低网络损耗与总出行时间：总出行时间下降≈9%、配电网络损耗降低≈5%。研究表明，跨网协同定价在耦合系统优化中更为有效，并提供了可行的分布式实现路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11316449
📖 第8篇
📌 考虑气象特征与负荷动态超前滞后及转折点的多元电力负荷预测模型
Multivariate Power Load Forecasting Model Considering Meteorological Feature-Load Dynamic Forward Lag and Turning Points
作者：Yunbo Niu，Pei Yong，Juan Yu，Zhifang Yang
本文针对气象特征与电力负荷之间存在的非线性滞后与突变点问题，提出了名为DflNet的多元负荷预测模型。关键方法包含动态超前滞后机制、转折点注意力机制与时序-通道混合建模三大模块，旨在自适应捕捉由建筑热惯性与用户行为导致的滞后响应，并增强对负荷曲线突变点的敏感度。模型输入为负荷与多维气象序列，输出为多步未来负荷预测。
实现细节包括用自适应滞后层学习气象—负荷的时间偏移，用注意力机制聚焦转折点，并通过时序卷积与通道交互模块并行提取长期趋势与特征交互关系。关键实现要点为自适应滞后层与转折点注意力的联合训练，训练采用分段学习率与正则化策略以提升稳健性与泛化能力。
在新加坡与加拿大卡尔加里两地2022–2024年数据集上，DflNet在长时序预测任务中表现优异：例如在新加坡192/384/768步预测下MAPE分别为2.856%、3.256%、3.889%，相较Transformer降幅24.7%–51.5%。消融实验表明三模块协同是性能提升的关键，模型在不同气候条件下具有良好泛化性，适合用于电力系统调度与负荷管理。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11289498
📖 第9篇
📌 基于神经网络的自适应负荷频率控制方法：应对易受混合攻击的多区域电力系统
Neural Network-Based Adaptive LFC Approach for Multi-Area Power Systems Vulnerable to Hybrid Attacks
作者：Xin Wang，Ju H. Park，Jiangfeng Wang，Dan Zhang
本文研究在多区域电力系统中同时面临时间限制型拒绝服务（DoS）攻击和未知虚假数据注入（FDI）攻击时的负荷频率控制问题。提出基于网络流量分析的DoS检测与基于神经网络逼近的FDI补偿控制器。整体框架先实时检测DoS事件，再利用神经网络在线学习并估计FDI攻击信号特征，最终由补偿控制器对LFC进行自适应校正，以维持系统频率与联络线功率交换的稳定。
技术实现上，本文构造李雅普诺夫泛函以证明在混合攻击下系统的指数渐近稳定，关键实现要点为网络流量检测算法与神经网络在线学习律。作者将原本NP-hard的双线性矩阵不等式转换为线性矩阵不等式便于求解控制增益，并在控制律中集成H∞性能指标以量化鲁棒性。
仿真结果表明，在所提自适应输出反馈控制器作用下，多区域系统频率偏差和联络功率能够快速收敛至零：关键指标显示频率偏差收敛时间显著缩短且在多场景下均实现稳态误差≈0。该方法在不依赖FDI先验模型的前提下提供了有效的混合攻击下鲁棒控制方案，对提升电力系统网络安全韧性具有实际意义。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11346809
📖 第10篇
📌 基于神经网络逼近的交流微电网分布式能源一次控制连续控制集模型预测控制
Neural Network-Based Approximation of Continuous Control Set MPC for the Primary Control of DERs in AC Microgrids
作者：Ignacio A. Acosta，Dave Figueroa，Francisco Abusleme，Gonzalo Carvajal，Juan C. Agüero，César A. Silva
针对交流微电网中分布式能源在电网支撑模式下的快速一次控制问题，本文提出用深度神经网络逼近连续控制集模型预测控制（MPC）的最优控制律，以满足高采样率下的实时性需求。问题场景包括零级电压调节與一次功率平衡两级控制，需要在严格约束下实现快速决策。提出的NN逼近器在保留约束满足性的前提下，显著降低在线计算负担，使复杂约束下的MPC可在高采样率硬件上运行。
实现细节包括使用稳态卡尔曼滤波器做状态估计、投影步骤保证零级输出在多面体约束内，以及在离线训练阶段用隐式MPC生成训练样本并训练神经网络。关键实现要点为神经网络逼近控制律与投影约束保证，训练时使用适当的数据增强和正则化以提升鲁棒性，部署在dSPACE MicroLabBox等嵌入式平台上。
在200μs控制间隔的实验中，神经网络控制器的最大执行时间为89μs，而传统隐式MPC在相同硬件下最大执行时间为168μs，两者在功能性能上相当但NN方案显著缩短执行时长并允许使用更复杂的约束与更长预测步长。该工作为将约束MPC推广到高采样率电力电子应用提供了切实可行的工程路径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11299293
点击关注 获取更多精彩