✦ 点击蓝字，关注我们！✦
欢迎阅读IEEE Transactions on Smart Grid期刊2026年issue1推送。本期推送共包含11篇研究论文，内容聚焦于提升电力系统韧性、优化与智能控制等前沿领域。具体研究主题涵盖：耦合基础设施（如电力-供水、电力-交通网络）的级联故障分析与韧性恢复策略；电网脆弱性评估与关键线路识别；面向负荷预测、非侵入式负荷监测及综合能源系统的先进时间序列预测模型；电动汽车移动充电站协同调度与车网互动（V2G）应用；光伏电站数字孪生实时参数化；以及基于强化学习、信任感知机制的安全、鲁棒广域阻尼控制与分布式状态估计框架。这些研究综合运用了物理建模、优化算法与人工智能技术，为构建更安全、高效、弹性的未来能源系统提供了创新的理论方法与解决方案。
本期目录
📖 第1篇：考虑时空级联故障的电力-供水耦合系统实时服务恢复
📖 第2篇：面向脆弱性分析的双重电网级联故障模型
📖 第3篇：面向负荷预测的多任务端到端多元长序列时间序列预测模型
📖 第4篇：卡车移动充电站的电动汽车充电服务与能源套利协同调度
📖 第5篇：面向低频非侵入式负荷监测的异构多专家方法
📖 第6篇：面向洪水灾害的电力-交通网络韧性导向激励定价策略
📖 第7篇：面向电力系统分布式状态估计攻击后恢复的信任感知共识机制
📖 第8篇：光伏电站数字孪生实时参数化的两阶段优化方法
📖 第9篇：CommonPower：面向安全数据驱动智能电网控制的通用框架
📖 第10篇：基于风险约束强化学习的通信感知广域阻尼控制
📖 第11篇：基于变分模态分解与卷积-注意力编码的频率感知多任务综合能源系统预测
📖 第1篇
📌 考虑时空级联故障的电力-供水耦合系统实时服务恢复
Real-Time Service Restoration of Coupled Power-Water Systems Considering the Spatio-Temporal Cascading Failure
作者：Haiyang Wan，Wenxia Liu，Qingxin Shi，Ran Zhu，Xiaochen Zhang，Jin Zhao
在城市基础设施中，电力分配系统（PDS）与供水分配系统（WDS）高度耦合，形成了相互依存的电力-供水耦合系统（CPWSs）。在极端事件中，这种相互依赖性会引发级联故障，导致大规模服务中断。为解决现有研究忽略供水系统瞬态水流动态的缺陷，本文提出了考虑时空级联故障的服务恢复决策方法，核心创新在于将瞬态水力模型集成到恢复优化框架中。模型通过特征线法和有限差分法模拟水流传递延迟及水锤效应，揭示了故障在CPWSs中的时空传播机制，包括水泵故障对下游的渐进影响和反向压力波引发相邻水泵停机。
在恢复过程中，方法能够实时调整维修调度和网络重构计划以适应水力条件变化。针对极端事件中的不确定性（如故障位置和维修时间），引入了离线深度强化学习（DRL）方法。通过预训练于物理基础的随机突发情况数据集，DRL代理显著减轻计算负担并支持亚秒级实时决策，有效避免传统方法中频繁的代理-环境交互。
案例验证在两种不同规模的CPWS中进行。结果表明，提出方法较传统忽略水流动态的方法能更准确量化时空级联故障对维修优先级与网络重构的影响，制定出更优恢复策略，显著提升关键负荷恢复率。同时，离线DRL决策时间由数千秒缩短至毫秒级，保证了极端条件下的高效自适应恢复能力。该研究为提升城市关键基础设施韧性提供了重要的理论与实践工具。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11142344
📖 第2篇
📌 面向脆弱性分析的双重电网级联故障模型
A Dual Power Grid Cascading Failure Model for the Vulnerability Analysis
作者：Tianxin Zhou，Xiang Li，Haibing Lu
针对日益严重的电网网络攻击威胁，尤其是攻击输电线路引发的大规模级联故障（PGCF），本文提出了一种基于Transformer自注意力机制的双重PGCF模型。该模型创新性地借鉴了自然语言处理中的Transformer结构，通过自监督学习与自注意力机制，深度捕获线路间的级联关联，突破传统方法难以揭示线路关联性的瓶颈。
提出的模型采用双重表示的数据预处理策略，将PGCF样本转化为序列格式，解决训练数据不平衡，保持故障上下文信息。通过编码器-自注意力结构学习线路关联矩阵，提出了专用的注意力提取与排序算法，量化线路的主动性（易引发故障）与被动性（易受影响），实现关键线路识别排序。
基于葡萄牙、德国、法国真实电网数据进行广泛实验，结果显示，该方法在识别高频故障被动线路和评估关键主动线路方面均显著优于基准算法。并且在母线断开与负荷增长等场景下，识别排序有效反映系统脆弱性提升。此研究首次成功将Transformer应用于电网级联分析，开辟了全新视角，同时为未来负荷预测和隐藏故障检测等任务提供迁移潜力。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11175257
📖 第3篇
📌 面向负荷预测的多任务端到端多元长序列时间序列预测模型
A Multi-Task End-to-End Multivariate Long-Sequence Time Series Prediction Model for Load Forecasting
作者：Ziyuan Zhang，Yuanzheng Li，Yang Li，Yun Liu，Xiangpeng Xie，Zhigang Zeng
随着电力系统复杂性提升和电力需求增长，准确预测负荷、电价及气象特征变得关键。针对现有方法仅预测单一指标、忽视特征相关性的问题，本文提出了新型 PatchGRU多任务端到端模型，实现多指标统一长序列预测。核心创新是采用多尺度分块输入策略，替代传统单点输入，解决长序列信息丢失问题，首次引入该技术于电力负荷预测领域。
模型首先通过时变分离器解耦时变与时不变成分，编码后输入改进GRU捕获长期依赖。搭配局部-全局特征交互模块（LGFI）用于特征关系建模，及均值监督分支以提升长序列稳定性。整个架构无需依赖Transformer，显著降低计算开销。
多地区、多时间段、多采样率数据集上的实验显示，PatchGRU在最大30天预测范围内，全指标预测性能优于先进模型。实现通过单次前向传播同步输出负荷、电价和气象特征，极大增强了可再生能源管理和调度决策的可靠性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11150523
📖 第4篇
📌 卡车移动充电站的电动汽车充电服务与能源套利协同调度
Coordinated Scheduling of EV Charging Service and Energy Arbitrage for Truck Mobile Charging Stations
作者：Kecheng He，Hongjie Jia，Yunfei Mu，Xiaodan Yu，Yue Zhou，Wei Gan，Jianzhong Wu
针对固定充电站存在的高投资及时段拥堵问题，本文提出针对卡车移动充电站（TMCS）的两阶段协同调度模型，协调其电动汽车充电和电网能源套利运行。利用扩展图模型捕捉TMCS的时空动态转换特性，模拟用户在固定与移动充电站间的选择行为。
针对充电需求不确定性，构建了基于前瞻滚动时域-价值函数近似（LRH-VFA）的两阶段最优调度模型。该模型通过离线学习历史数据并结合短期预测与实时信息，动态滚动优化，提升运营决策的实时性与准确性。
数值仿真表明，在平日交通场景下，TMCS参与能源套利利用率从11.02%提升至72.96%，运营利润增长超6倍。节假日高需求时优先保证充电服务，最大化保障用户体验。该研究首次系统性整合移动充电与市场套利，拓展盈利模式，助推TMCS商业化推广。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11023621
📖 第5篇
📌 面向低频非侵入式负荷监测的异构多专家方法
A Heterogeneous Multiple-Experts Approach to Low-Frequency Nonintrusive Load Monitoring
作者：Zipeng Liang，Chi Yung Chung，Haosen Yang，Jian Liang，Wenjie Zhang，Hanjiang Dong，Jizhong Zhu
针对非侵入式负荷监测（NILM）技术在低频采样数据（15分钟间隔）中的三大瓶颈：单一共享神经网络欠缺特征提取、多同构网络架构无法捕捉多样性及静态权重导致性能局限，本文提出异构多专家混合（HMMOE）深度学习框架。框架融合了DNN、CNN、Transformer、TCN、LSTM五种专家，利用多门控机制实现任务自适应特征融合。
设计了新颖的多目标优化策略，将双任务学习形式化为多目标优化，基于Frank-Wolfe的动态梯度下降方法根据任务梯度相对大小自动调整损失权重，实现分类精度与回归误差的最优平衡。
在UK-DALE、REDD及真实香港低频数据集上的实验显示，HMMOE在电器开关状态分类准确率（SCA）和功率估计误差（MAE/MRE）上显著优于单一专家和先进多任务模型，尤其对复杂用电模式电器表现优异。其异构架构和动态优化在数据稀疏环境展现出卓越鲁棒性与泛化能力，提供了现实智能电表高精度负荷分解新途径。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11165482
📖 第6篇
📌 面向洪水灾害的电力-交通网络韧性导向激励定价策略
A Resilience-Oriented Incentive Pricing Strategy for Power-Transportation Network Against Flood Hazards
作者：Bo Li，Mingxia Yang，Haiwang Zhong，Chengcheng Shao，Hongxu Huang
面对气候变化带来的洪水风险，电力-交通耦合网络（PTN）易遭受叠加破坏。本文提出了三层激励定价策略，通过价格信号引导电动汽车（EV）参与灾后电网恢复。基于洪水深度概率和结构不可靠性模型，量化洪水对交通容量、充电站及配电网的破坏概率。
构建以EVCS运营商、EV车主和配电网运营商为主体的三层博弈框架，结合改进的交通分配模型，考虑EV车主时间成本与电池损耗，及含EV放电响应的配电网韧性指标。采用列生成与路径集预分配分解求解，应对时间紧迫与目的地不确定性。
仿真结果显示策略能引导EV参与灾后响应，将峰值负荷削减降低41%。动态调整激励价格提升EVCS收益，显著增强配电网洪灾下的恢复韧性。为利用EV提升关键基础设施韧性提供了系统化定价和调度框架。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11197582
📖 第7篇
📌 面向电力系统分布式状态估计攻击后恢复的信任感知共识机制
A Trust-Aware Consensus Mechanism for Post-Attack Restoration of Power System Distributed State Estimation
作者：Saeed Nasiri，Hossein Seifi，Hamed Delkhosh
面对分布式电力系统普及带来的安全和信任挑战，本文提出了广义分布式信息卡尔曼滤波器（G-DIKF），专为攻击后恢复阶段设计。在智能体被判定不可信时，激活鲁棒恢复协议，通过迭代批处理回归自适应权重所有信息源，保证修正状态时不遗漏潜在有价值数据。
该方法具有高可扩展性，恢复过程局部化至受损智能体及邻居，显著降低通信和计算开销。可处理连续多时间步攻击，利用历史系统值和邻居准确估计提升状态估计，抵御观测值低可信度。
在IEEE 14与118总线系统中验证，结果表明该机制显著提升估计准确性，异常时仅对异常智能体激活且需最少交换信息实现收敛。通过信任管理加权观测，有效保留有利与不利信息，强化了系统韧性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11164568
📖 第8篇
📌 光伏电站数字孪生实时参数化的两阶段优化方法
A Two-Stage Optimization Method for Real-Time Parameterization of PV-Farm Digital Twins
作者：Jong Ha Woo，Qi Xiao，Victor Daldegan Paduani，Ning Lu
本文提出了创新的两阶段粒子群优化方法，用于光伏电站数字孪生（PVDT）的实时参数化，显著提升电网秒级预测精度和运行效率。突破传统依赖稀疏辐照度传感器数据限制，利用光伏功率、电压、电流测量间接估计等效辐照度，无额外传感器。
第一阶段估算等效辐照度，第二阶段以此为输入，通过最小化预测误差优化五大关键参数：串联电阻、并联电阻、二极管理想因子、光生电流系数和二极管饱和电流系数。采用事件触发更新机制，仅偏差超阈值时调整，降低计算与通信负荷。
结合单二极管模型与增量搜索空间策略，优先调整敏感参数，实现92%以上案例快速收敛。美国北卡罗来纳州光伏电站秒级数据测试表明，新方法较基准显著降低电流、电压和功率的平均绝对百分比误差，且参数波动合理。事件触发策略较固定频率更新减少94.6%调整次数，在保证预测精度同时提升实用性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11235949
📖 第9篇
📌 CommonPower：面向安全数据驱动智能电网控制的通用框架
CommonPower: A Framework for Safe Data-Driven Smart Grid Control
作者：Michael Eichelbeck，Hannah Markgraf，Matthias Althoff
针对强化学习（RL）在智能电网中的安全部署挑战，本文开发了开源Python工具CommonPower，首个专为机器学习定制的电力系统建模仿真框架。框架采用模块化设计，用户专注核心组件开发，自动合成模型预测控制器（MPC）与安全防护，确保系统在参数不确定和扰动情况下满足安全约束。
CommonPower支持单智能体RL、多智能体RL和最优控制统一接口，灵活构建异构分布式控制结构，集成机器学习预测模型训练管道，并与pandapower等库接口兼容。
实验表明，在包含热泵与储能的家庭能源管理场景中，采用鲁棒安全防护的控制器能稳定维护室温约束，优于传统最优控制器。多智能体强化学习中，带投影与比例惩罚的MAPPO算法表现最佳，验证了安全机制的训练必要性。框架为数据驱动智能电网控制提供安全通用平台，有望推动RL技术实网应用。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11186797
📖 第10篇
📌 基于风险约束强化学习的通信感知广域阻尼控制
Communication-Aware Wide-Area Damping Control Using Risk-Constrained Reinforcement Learning
作者：Kyung-Bin Kwon，Lintao Ye，Vijay Gupta，Hao Zhu
广域阻尼控制（WADC）是解决电力系统区域间低频振荡的关键技术，但依赖广域测量系统（WAMS）的快速通信链路，通信时延及网络扰动严重影响控制性能。本文提出了风险约束强化学习框架，无需精确通信时延估计，通过引入均值-方差风险约束，提升系统在最坏通信条件下的稳定性和鲁棒性。
模型基于包含同步发电机和电压源换流器（VSC）的线性化动态方程，在LQR控制问题中加入风险约束项限制状态轨迹波动。开发了基于最大预言机随机梯度下降法（SGDmax）的模型强化学习算法，使用零阶策略梯度保证收敛。
在IEEE 68节点测试系统上验证，方法能稳定收敛且显著提升阻尼性能。相较传统自适应时延补偿器，风险约束设计在大时延和时延估计误差场景表现显著优越，且能有效应对链路故障、数据丢包、网络攻击等干扰，具备良好的实用普适性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11222886
📖 第11篇
📌 基于变分模态分解与卷积-注意力编码的频率感知多任务综合能源系统预测
Frequency-Aware Multi-Task Forecasting for Integrated Energy Systems via Variational Mode Decomposition and Convolution-Attention Encoding
作者：Yuchao Gao，Jinran Wu，Yang Yang，Zijin Wang，Zhe Ding
本文针对综合能源系统的多能源异质性时间模式及跨能源干扰，提出了统一多任务预测框架VATLNet，创新结合变分模态分解（VMD）与混合卷积-注意力特征提取，实现频率感知的任务解耦与跨模态特征学习。
首先对多元能源序列进行VMD分解，并基于样本熵将分量聚类至频率相似组。然后采用融合时间卷积网络和多头注意力机制的共享编码器抽取跨频率组特征，最后通过并行长短期记忆网络独立解码生成预测。
该结构化频率感知机制有效解耦了跨能源异质时间模式，减少任务间干扰，增强预测鲁棒性与泛化能力。在真实综合能源负荷数据集上，VATLNet单任务预测平均绝对百分比误差为2.44%，多任务预测优至1.03%，提升系统稳定运行和调度优化的精度和可靠性。
🔗 https://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp=&arnumber=11205895
点击关注 获取更多精彩