✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Smart Grid期刊2026年issue2推送（第6期/共6期）。本期推送共精选10篇研究论文，内容聚焦于新型电力系统下的配电网运行与控制、网络安全、人工智能应用及灵活性资源管理等前沿主题。具体涵盖直流配电网保护、基于云计算的二次频率控制、多本地灵活性市场协同、广域控制系统的网络攻击与防御、联邦学习安全、低压配电网拓扑辨识、能源受限系统灵活性建模、统一时序预测模型、弱故障检测以及零样本非侵入式负荷监测等关键技术方向。本期研究为提升电网可靠性、提高可再生能源接入能力、并推进电力系统智能化运维提供了重要的方法论与工程参考。
本期目录
📖 第1篇：基于故障电流能量峰均比的直流配电网保护方法研究
📖 第2篇：基于无服务器云计算的主动配电网二次频率控制
📖 第3篇：地理分散数据中心提供空间灵活性，赋能多本地灵活性市场的协同运行
📖 第4篇：诱导风电场宽带振荡的广域控制系统隐蔽网络攻击
📖 第5篇：针对智能电网联邦学习中鲁棒聚合的定向对抗性投毒攻击
📖 第6篇：基于负荷特性传播的不平衡低压配电网拓扑与参数联合辨识
📖 第7篇：考虑状态相关损耗的能源受限系统轨迹无关灵活性包络
📖 第8篇：UniMATS：面向电力系统时序预测的多维注意力统一模型
📖 第9篇：基于可学习参数驱动DSP增强Transformer的弱单相接地故障时间检测
📖 第10篇：基于对比学习的多尺度双路径时序融合网络实现零样本非侵入式负荷监测
📖 第1篇
📌 基于故障电流能量峰均比的直流配电网保护方法研究
Research on Protection Method for DC Distribution Networks Based on Fault Current Energy Peak-to-Average Ratio
作者：Xuanlin Long，Kun Yu，Xiangjun Zeng，Yuzhou Ning，Jupeng Zeng，Wei Wang
本文聚焦于多端、多电压等级的直流配电网保护问题，指出传统保护在面对高阻抗故障、噪声干扰与动作速度方面的局限性。研究基于考虑多换流器互联影响的两极短路故障模型，给出输入为换流器输出、电网参数与故障回路特性，输出为保护判据与动作决策的系统框架。核心提出了以故障电流能量分布为基础的新判据：EPAR判据（能量峰均比），并说明该判据如何把时域波形特征映射为能量分布特征以表征过渡电阻影响；同时比较了其与传统电流变化率、差动等方法的性质差异与优劣。
在实现层面，论文描述了EPAR的计算流程与在线判决逻辑，并提出了与电流变化率结合的自适应协同保护策略以兼顾低阻与高阻场景。技术细节包括时域能量积分窗口设计、滤波与去噪预处理、阈值动态整定与双判据融合规则；训练/仿真采用PSCAD/EMTDC仿真数据校准判据参数，优化器与学习率在此处用于参数整定（主要为阈值搜索与鲁棒性评估），关键实现点为动态整定规则与噪声抑制滤波。
在仿真实验中，作者搭建了10kV多端柔性直流配电网模型并做大量工况测试（不同故障位置、不同过渡电阻、不同等效电感）。关键结果显示：保护能在故障发生后1.5毫秒内准确判别，过渡电阻耐受能力可达100欧姆，并在噪声工况下保持高选择性。与传统di/dt保护、限流电抗器初始电压保护及差动保护相比，本方法在速度、耐受高阻故障和选择性上具有显著优势。结论表明：EPAR+di/dt协同方案可作为高阻抗两极短路故障的高性能单端保护方案，适用于多换流器耦合的直流配电网络。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11250597
📖 第2篇
📌 基于无服务器云计算的主动配电网二次频率控制
Secondary Frequency Control Through Serverless Cloud Computing for Active Distribution Networks
作者：Jitendra Thapa，Maxim Rusakov，Mohammed Ben-Idris
本文面向主动配电网参与系统二次频率控制（AGC）提出了基于无服务器云计算架构的实时控制方案，解决分布式能源（DERs）聚合调度与在线响应问题。整体框架由云端优化控制器、物联网边缘设备和RTDS实时仿真器组成，输入为AGC信号与DER/电池可用性，输出为分布式调节命令。核心创新在于将优化调度模型与云原生服务深度集成，实现横向扩展与低运维成本。
实现上，作者在AWS无服务器服务（Lambda、IoT Core、S3）上部署控制逻辑，边缘使用Raspberry Pi等设备通过MQTT/TCP与云通信；优化问题包括功率分配约束、响应时间约束与设备运行约束，使用序列化求解器进行在线优化。关键实现点涉及命令序列优化（考虑实际响应时延预测）、通信可靠性设计以及云-边协同的故障切换策略；实现细节包括控制周期设置、API延迟处理与冗余机制。
论文在基于NV Energy实际馈线的实时模型上进行验证，关键评价指标为AGC跟踪精度、时延和指令执行成功率。实验结果表明：云架构能准确响应AGC信号并合理调度DER/BESS，验证了基于云的AGC可行性；通过对响应时间的预测与排序优化，控制效率得到提升。具体展示了在实时场景下较高的命令成功率和延迟容忍能力，结论显示该方案具有可扩展性与经济优势，适合推广到大规模ADN参与电网辅助服务的应用。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11231387
📖 第3篇
📌 地理分散数据中心提供空间灵活性，赋能多本地灵活性市场的协同运行
Spatial Flexibility Provision From Geographically Dispersed Data Centers Enabling Coordinated Operation of Multi-Local Flexibility Markets
作者：Boyu Chen，Yanbo Che，Mehmet Türker Takcı，Meysam Qadrdan，Yue Zhou
本文提出了利用地理分散的数据中心（DC）作为跨区域地理耦合灵活性资源，连接多个本地灵活性市场（LFM）以实现协同运行的框架。问题定义为在保护数据隐私与避免直接DSO间信息交换的前提下，如何通过DC的负载迁移能力在多个LFM之间提供耦合的供需平衡。研究构建了以最小化多LFM总运行成本为目标的优化模型，输入包括每个LFM的负荷、DERA出清能力和DC负载迁移能力，输出为跨区域灵活性调度方案。
在方法实现上，模型采用基于Wasserstein度量的分布鲁棒机会约束处理不确定性，以避免过度保守；为保护隐私，使用ADMM分布式求解，DSO与DC仅交换有限的拉格朗日乘子与灵活性出清信息。关键实现要点包括耦合约束建模、DC负载迁移代价描述及分布式收敛加速技巧。
案例研究基于分别连接至IEEE 15、33与69节点配电网的三个DC。实验显示协同运行使两处LFM运行成本分别下降42.41%与53.43%，并显著减少或消除了负荷削减需求。结果还表明，数据中心运营商（DCO）通过提供GCF服务获得额外收益，整体降低了社会总成本。结论：利用地理分散DC可作为多LFM协同的“无线桥梁”，在保障隐私的同时提高系统经济性与弹性（协同效应明显）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11316215
📖 第4篇
📌 诱导风电场宽带振荡的广域控制系统隐蔽网络攻击
Stealthy Cyber Attacks on Wide-Area Control Systems for Inducing Broadband Oscillations in Wind Farms
作者：Kaishun Xiahou，Kun Qu，Yang Liu，Zhenjia Lin，Zhaoxi Liu
本文关注风电场参与广域阻尼控制（WADC）所面临的信息安全威胁，提出了模拟振荡网络攻击（SOCA）框架，旨在生成高度逼真的宽带振荡攻击信号以隐蔽破坏系统稳定性。问题背景为广域测量信号可能被篡改或注入伪信号，从而诱发多模态、宽频带振荡。研究构建了包含模态耦合项的多模式微分方程模型，通过经验模态分解（EMD）与小波变换提取振荡模态参数并合成攻击过程，输入为实际振荡波形特征，输出为拟合攻击信号。
在防御方面，作者提出了基于EMD主动防御的对策：对接收到的广域测量信号进行EMD分解，识别并滤除高频导致宽带振荡的主要本征模态函数（IMF），同时保留低频分量供WADC使用。实现细节包括IMF分量选择阈值、自适应滤波器参数设定与在线检测触发策略；关键实现点为IMF快速识别与滤除稳定性验证。
基于双区域四机系统接入风电场的仿真验证显示：SOCA可拟合包含2至4个振荡模态的宽带振荡，拟合误差低至2.01%；而EMD防御策略能在0.5秒内有效抑制攻击引发的振荡，且防御后系统对短路故障的响应恢复到接近无攻击工况。结论强调了模态化攻击与基于EMD的实时防御在保障广域控制系统安全中的重要性与实用性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11355700
📖 第5篇
📌 针对智能电网联邦学习中鲁棒聚合的定向对抗性投毒攻击
Targeted Adversarial Poisoning Attack Against Robust Aggregation in Federated Learning for Smart Grids
作者：Guihai Zhang，Biplab Sikdar
本文研究联邦学习在智能电网应用中的投毒攻击风险，在已有鲁棒聚合规则下提出定向对抗性投毒攻击（TAPA）。问题背景为联邦学习节点分布不均、模型更新不可见，攻击者可通过少数节点影响全局模型的指定分类行为。研究首先设计了一种基于范数的防御聚合规则（剔除异常范数更新再平均），随后提出TAPA生成策略以在防御规则下隐蔽存活并实现定向误分类目标。
实现方面，TAPA采用生成式伪数据以逼近目标域分布并训练恶意本地模型，使其参数范数与正常模型相近从而绕过基于范数的过滤。论文详细说明了攻击目标函数、约束条件与训练步骤，关键实现要点为伪数据生成策略与范数匹配技巧，同时评估了在数据不平衡场景下的鲁棒性与成功率。
评估显示TAPA在多个电能质量分类任务中显著提高了投毒成功率，即便在防御规则存在下也能使特定类别被误判。关键结果包括在若干不平衡数据集上投毒成功率提升幅度明显（实验中多项任务成功率提升至高于50%），并指出现有基于范数的聚合仍有被精心构造的对抗更新绕过的风险。结论建议在智能电网联邦学习部署时引入更复杂的鲁棒聚合与异常检测机制以防范此类高级投毒策略（安全机制需加强）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11227121
📖 第6篇
📌 基于负荷特性传播的不平衡低压配电网拓扑与参数联合辨识
Topology and Parameter Joint Identification in Imbalanced Low-Voltage Distribution Networks Based on Load Characteristic Propagation
作者：Yanan Zhang，Gan Zhou，Huan Mao，Wei Gu，Yanjun Feng，Rui Bo
本文针对低压配电网（LVDN）观测受限、拓扑与参数信息不完整的问题，提出了一种基于负荷暂态特性传播的拓扑与参数联合辨识方法。研究核心是假设自然发生的负荷投切事件会在网络中沿路径传播其暂态影响，通过分析终端节点投切前后电压/电流变化来构建耦合阻抗矩阵，并以此自底向上推断网络拓扑与线路参数，从而补全缺失的系统信息。
方法细节包括对三相不平衡三相四线制（3P4W）系统的耦合阻抗矩阵推导、利用负荷投切生成的幅值测量建立线性回归方程并通过最小二乘法求解参数。关键实现点为耦合阻抗矩阵计算与节点递归拓扑推断算法，且该方法仅依赖幅值信息（电压、电流、有功/无功），避免了对相角量测设备的依赖，增强工程可行性与成本效益。
在仿真与案例验证中，方法能在重载与不平衡条件下保持较高精度，成功识别存在的“隐藏节点”并估计线路参数。具体性能指标包括拓扑识别成功率与参数估计误差在可接受范围内（实验表明在若干测试工况下参数误差显著低于传统方法），并说明该方法的工程价值在于可利用现有终端量测数据实现配电网“盲调”复原（结论：无需相位信息即可辨识）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11247932
📖 第7篇
📌 考虑状态相关损耗的能源受限系统轨迹无关灵活性包络
Trajectory-Independent Flexibility Envelopes of Energy-Constrained Systems With State-Dependent Losses
作者：Julie Rousseau，Carlo Tajoli，Hanmin Cai，Philipp Heer，Kristina Orehounig，Gabriela Hug
本文聚焦于具有状态相关损耗（如建筑热损失）的能源受限资源，指出传统轨迹相关的能量灵活性包络存在的运行风险，并提出轨迹无关能量包络的理论框架以确保调用的任何功率轨迹均满足系统状态约束。问题表述为：如何在描述功率/能量边界的同时，保证负载物理约束（例如室内温度或电池SOC）不被违反。
研究提出通过对功率输入施加时间加权的指数权重积分来构造鲁棒的轨迹无关边界，数学上引入了时间加权能量边界与相应的约束变换，并分别给出单负载及物理耦合多负载系统的闭式表达。实现要点包括边界计算的数值稳定性、最大提供时限的界定以及跨负载聚合时的耦合处理（关键为指数权重因子的选取）。
以建筑供暖系统为案例，对15种建筑类型测试表明：对于保温差或热容小的建筑，轨迹无关包络较轨迹相关包络灵活性显著减少，最大降低可达90%，并存在最大提供时限；在多房间聚合场景中，集中式聚合往往能提供更大的有效灵活性。结论强调：为了保证舒适性与运行可行性，运营方与聚合商在调用具有状态相关损耗的资源时应优先采用轨迹无关包络以避免温度或能量越限风险。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11202576
📖 第8篇
📌 UniMATS：面向电力系统时序预测的多维注意力统一模型
UniMATS: A Unified Time Series Forecasting Model With Multi-Dimensional Attention Structure for Power Systems
作者：Yanshuo Ge，Yanzhen Zhou，Qinglai Guo
本文提出了一个统一的时序预测框架UniMATS，旨在同时处理电力系统中风电、光伏与负荷等多任务预测，利用张量化输入表示并设计了能够并行提取空间、时间与协变量特征的多维注意力结构。模型由若干相同模块堆叠构成，每个模块包含协变量解码器（C-Decoder）、图解码器（G-Decoder）及时间解码器（T-Decoder），输入为多节点时序张量，输出为未来时刻的功率/负荷预测。
实现细节包括协变量与时间分支的注意力设计、基于图注意力的空间信息建模、残差连接与层间归一化以提升收敛稳定性。训练采用常见的回归损失（如MSE）并结合正则化项，训练细节涉及批量大小、学习率调度与数据增强（时间切片、噪声注入）等以增强泛化性能；关键实现要点为多维注意力融合与模块化可扩展设计。
在风电、光伏及负荷三个公开数据集上的评测表明，UniMATS在日前预测任务中相较于次优模型分别降低了RMSE约9.8%、6.9%与14.6%。案例分析显示该模型在气象突变等极端场景下仍能保持较好鲁棒性。结论认为UniMATS以其统一性、模块化与高精度，为构建电力系统时序预测的基础模型提供了可行路径（通用性强）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11202297
📖 第9篇
📌 基于可学习参数驱动DSP增强Transformer的弱单相接地故障时间检测
Weak Single Phase-to-Ground Fault Time Detection With Learnable-Parameter-Driven DSP-Enhanced Transformer
作者：Huan Luo，Qiyue Li，Hao Zhou，Wei Sun，Weitao Li，Zhi Liu，Yusheng Ji，Lijian Ding
本文面向谐振接地配电网中弱单相接地故障的精确起止时间检测，提出了将可学习DSP模块深度融合入Transformer结构的2TDformer模型。问题在于故障电流信号幅值弱且非线性，传统特征提取难以捕捉微弱瞬态；本研究设计了用于放大瞬态高频信息与重构非线性波形的两大机制，从而实现精确的双时间点检测。
模型包含瞬态弱特征增强注意力（模拟Teager能量算子）与可学习非线性波形重构（自适应STFT与逆变换）的DSP-增强模块，输出在Transformer编码器层融合。训练数据集由880个真实故障样本构成，训练时使用带权重的回归损失与多任务学习策略以同时优化起始与结束时刻；关键超参数包括窗口长度、STFT分辨率与注意力头数（为部署需要同时考虑延迟与精度）。
实验结果显示：起始时间检测最大误差小于1.4毫秒，持续时间检测最大误差小于2.8毫秒，相较于现有方法平均误差降低约30%。将2TDformer提供的精确时间点与传统定位器结合还能显著提升定位精度。结论指出2TDformer为弱信号与非线性故障检测提供了新范式，适用于实际谐振接地配电网的在线监测部署（实时性与精度兼顾）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11250944
📖 第10篇
📌 基于对比学习的多尺度双路径时序融合网络实现零样本非侵入式负荷监测
Zero-Shot Nonintrusive Load Monitoring via Contrastive Learning-Based Multiscale Dual-Path Temporal Fusion Network
作者：Zijun Su，Shijie Li，Tianyu Chen，Ying Xue，Huaiguang Jiang，Jun Zhang，David Wenzhong Gao
本文针对非侵入式负荷监测（NILM）在零样本（无单家标注）条件下的泛化问题，提出了CL-MDTFN：基于对比学习的多尺度双路径时序融合网络。问题在于目标家庭仅有总功率序列、缺乏标签导致域偏移与性能下降；论文设计了以能量感知下采样、残差功率解耦與双路径融合为核心的体系以捕捉瞬态与长期趋势特征。
模型结构包括能量感知下采样嵌入块、多尺度特征提取与残差功率解耦，双路径分别通过通道自注意力與自回归自注意力建模电器间依赖与内部时序；同时引入自相关对比学习损失以在预训练阶段学习长周期稳定表示。实现细节描述了扩张卷积用于捕获长期依赖、预训练策略与在推理阶段的零样本直接迁移方案，关键实现点为自相关对比损失与多尺度融合机制。
实验在U.K.-DALE与REDD数据集上验证，结果表明CL-MDTFN在从头训练与零样本情形下均优于现有NILM模型，尤其在跨域零样本任务对像洗衣机等多状态电器也能保持良好识别能力。关键数据指标表现出在零样本场景下显著的精度提升（实验中多项指标提升幅度明显），结论指出CL-MDTFN为大规模、低成本部署的NILM提供了可行路径（零样本适配能力强）。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11262199
点击关注 获取更多精彩