国家能源局 ． 新型电力系统发展蓝皮书 [EB/OL ] ．[ 2024-10-12 ] ． http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf ．

National Energy Administration ． Blue book of new power system development [EB/OL ] ．[ 2024-10-12 ] ． http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf http://www.nea.gov.cn/download/xxdlxtfzlpsgk.pdf ．

蒲天骄 ， 王新迎 ， 赵琦 ． “科学智能”为电力发展按下快进键 [J ] ． 能源评论 ， 2024 ( 7 )： 66 - 69 ．

PU T J ， WANG X Y ， ZHAO Q ．“ AI for Science(AI4S)” press the fast forward key for power development [J ] ． Energy Review ， 2024 ( 7 )： 66 - 69 ．

国家发展改革委 ， 国家能源局 ， 国家数据局 ． 加快构建新型电力系统行动方案 ( 2024 — 2027 年)[EB/OL ] ．( 2024-07-25 )[ 2024-11-06 ] ． https://www.gov.cn/zhengce/zhengceku/202408/P020240806793811358886.pdf https://www.gov.cn/zhengce/zhengceku/202408/P020240806793811358886.pdf ．

National Development and Reform Commission ， National Energy Administration ， National Data Bureau ． Action plan for accelerating the construction of new-type power system ( 2024-2027 )[EB/OL ] ．( 2024-07-25 )[ 2024-11-06 ] ． https://www.gov.cn/zhengce/zhengceku/202408/P020240806793811358886.pdf https://www.gov.cn/zhengce/zhengceku/202408/P020240806793811358886.pdf ．

YAROTSKY D ． Error bounds for approximations with deep ReLU networks [J ] ． Neural Networks ， 2017 ， 94 ： 103 - 114 ． doi: 10.1016/j.neunet.2017.07.002 http://dx.doi.org/10.1016/j.neunet.2017.07.002

周孝信 ， 陈树勇 ， 鲁宗相 ， 等 ． 能源转型中我国新一代电力系统的技术特征 [J ] ． 中国电机工程学报 ， 2018 ， 38 ( 7 )： 1893 - 1904 ．

ZHOU X X ， CHEN S Y ， LU Z X ， et al ． Technology features of the new generation power system in China [J ] ． Proceedings of the CSEE ， 2018 ， 38 ( 7 )： 1893 - 1904 ．

郭剑波 ， 范士雄 ， 蔡忠闽 ， 等 ． 大电网调控人机混合增强智能：概念内涵、应用框架、关键技术以及系统验证 [J ] ． 中国电机工程学报 ， 2024 ， 44 ( 17 )： 6787 - 6810 ．

GUO J B ， FAN S X ， CAI Z M ， et al ． Human-machine hybrid-augmented intelligence for power system dispatching：concept connotation，application framework，key technologies and system verification [J ] ． Proceedings of the Chinese Society for Electrical Engineering ， 2024 ， 44 ( 17 )： 6787 - 6810 ．

鄂维南 ． AI助力打造科学研究新范式 [J ] ． 中国科学院院刊 ， 2024 ， 39 ( 1 )： 10 - 16 ．

E W N ． AI helps to establish a new paradigm for scientific research [J ] ． Bulletin of Chinese Academy of Sciences ， 2024 ， 39 ( 1 )： 10 - 16 ．

WANG H ， FU T ， DU Y ， et al ． Scientific discovery in the age of artificial intelligence [J ] ． Nature ， 2023 ， 620 ( 7972 )： 47 - 60 ． doi: 10.1038/s41586-023-06221-2 http://dx.doi.org/10.1038/s41586-023-06221-2

BI K ， XIE L ， ZHANG H ， et al ． Accurate medium-range global weather forecasting with 3D neural networks [J ] ． Nature ， 2023 ， 619 ： 533 - 538 ． doi: 10.1038/s41586-023-06185-3 http://dx.doi.org/10.1038/s41586-023-06185-3

KOCHKOV D ， YUVAL J ， LANGMORE I ， et al ． Neural general circulation models for weather and climate [J ] ． Nature ， 2024 ， 632 ： 1060 - 1066 ． doi: 10.1038/s41586-024-07744-y http://dx.doi.org/10.1038/s41586-024-07744-y

JUMPER J ， EVANS R ， PRITZEL A ， et al ． Highly accurate protein structure prediction with AlphaFold [J ] ． Nature ， 2021 ， 596 ： 583 - 589 ． doi: 10.1038/s41586-021-03819-2 http://dx.doi.org/10.1038/s41586-021-03819-2

THORNTON J M ， LASKOWSKI R A ， BORKAKOTI N ． AlphaFold heralds a data-driven revolution in biology and medicine [J ] ． Nature Medicine ， 2021 ， 27 ( 10 )： 1666 - 1669 ． doi: 10.1038/s41591-021-01533-0 http://dx.doi.org/10.1038/s41591-021-01533-0

SZYMANSKI N J ， RENDY B ， FEI Y ， et al ． An autonomous laboratory for the accelerated synthesis of novel materials [J ] ． Nature ， 2023 ， 624 ： 86 - 91 ． doi: 10.1038/s41586-023-06734-w http://dx.doi.org/10.1038/s41586-023-06734-w

张漫子 ， 黄红华 ． AI for Science：科学研究新范式 [EB/OL ] ．( 2023-05-17 )[ 2024-10-17 ] ． http://www.xinhuanet.com/globe/2023-05/10/c_1310715935.htm http://www.xinhuanet.com/globe/2023-05/10/c_1310715935.htm ．

ZHANG M Z ， HUANG H H ． AI for Science：a new paradigm for scientific research [EB/OL ] ．( 2023-05-17 )[ 024 - 10 - 17 ] ． http://www.xinhuanet.com/globe/2023-05/10/c_1310715935.htm http://www.xinhuanet.com/globe/2023-05/10/c_1310715935.htm ．

张林峰 ， 孙伟杰 ， 李鑫宇 ， 等 ． AI4S 全球发展观察与展望 [R ] ． 北京 ： 2023 科学智能峰会 ， 2023 ．

ZHANG L F ， SUN W J ， LI X Y ， et al ． AI for science global outlook 2023 edition [R ] ． Beijing ： AI for Science Congress ， 2023 ．

新华社 ． 国家电网发布国内首个千亿级多模态电力行业大模型 [EB/OL ] ．( 2024-12-19 )[ 2024-12-19 ] ． https://www.news.cn/fortune/20241219/f18aa83f7eb8469993d867f112168182/c.html https://www.news.cn/fortune/20241219/f18aa83f7eb8469993d867f112168182/c.html ．

Xinhua ． State Grid release the first multi-modal power industry model of 100 billion level in China [EB/OL ] ．( 2024-12-19 )[ 2024-12-19 ] ． https://www.news.cn/fortune/20241219/f18aa83f7eb8469993d867f112168182/c.html https://www.news.cn/fortune/20241219/f18aa83f7eb8469993d867f112168182/c.html ．

中国能源新闻网 ． 全球首款！“大瓦特·驭电”智能仿真大模型将在南方区域应用 [EB/OL ] ．( 2024-12-18 )[ 2024-12-18 ] ． https://www.cpnn.com.cn/news/kj/202412/t20241217_1760122.html https://www.cpnn.com.cn/news/kj/202412/t20241217_1760122.html ．

China Energy News Network ． The world’s first！“Big Watt·YuDian” intelligent simulation model will be applied in the southern region [EB/OL ] ．( 2024-12-18 )[ 2024-12-18 ] ． https://www.cpnn.com.cn/news/kj/202412/t20241217_1760122.html https://www.cpnn.com.cn/news/kj/202412/t20241217_1760122.html ．

ZHAO W ． A panel discussion on AI for science：the opportunities，challenges and reflections [J ] ． National Science Review ， 2024 ， 11 ( 8 )： 119 ． doi: 10.1093/nsr/nwae119 http://dx.doi.org/10.1093/nsr/nwae119

WEINAN E ． AI for Science [J ] ． Collections ， 2023 ， 56 ( 10 )： 118 - 127 ．

ZHAO H ， XU P ， GAO T ， et al ． CPTCFS：CausalPatchTST incorporated causal feature selection model for short-term wind power forecasting of newly built wind farms [J ] ． International Journal of Electrical Power & Energy Systems ， 2024 ， 160 ： 110059 ． doi: 10.1016/j.ijepes.2024.110059 http://dx.doi.org/10.1016/j.ijepes.2024.110059

SUN S ， LIU Y ， LI Q ， et al ． Short-term multi-step wind power forecasting based on spatio-temporal correlations and transformer neural networks [J ] ． Energy Conversion and Management ， 2023 ， 283 ： 116916 ． doi: 10.1016/j.enconman.2023.116916 http://dx.doi.org/10.1016/j.enconman.2023.116916

JALALI S M J ， AHMADIAN S ， KHODAYAR M ， et al ． An advanced short-term wind power forecasting framework based on the optimized deep neural network models [J ] ． International Journal of Electrical Power & Energy Systems ， 2022 ， 141 ： 108143 ． doi: 10.1016/j.ijepes.2022.108143 http://dx.doi.org/10.1016/j.ijepes.2022.108143

LIN Z ， LIU X ． Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network [J ] ． Energy ， 2020 ， 201 ： 117693 ． doi: 10.1016/j.energy.2020.117693 http://dx.doi.org/10.1016/j.energy.2020.117693

DUAN J ， WANG P ， MA W ， et al ． Short-term wind power forecasting using the hybrid model of improved variational mode decomposition and Correntropy Long Short-term memory neural network [J ] ． Energy ， 2021 ， 214 ： 118980 ． doi: 10.1016/j.energy.2020.118980 http://dx.doi.org/10.1016/j.energy.2020.118980

XIAO J ， ZU G ， GONG X ， et al ． Observation of security region boundary for smart distribution grid [J ] ． IEEE Transactions on Smart Grid ， 2015 ， 8 ( 4 )： 1731 - 1738 ．

NGUYEN H D ， DVIJOTHAM K ， YU S ， et al ． A framework for robust long-term voltage stability of distribution systems [J ] ． IEEE Transactions on Smart Grid ， 2018 ， 10 ( 5 )： 4827 - 4837 ． doi: 10.1109/tsg.2018.2869032 http://dx.doi.org/10.1109/tsg.2018.2869032

CHEN S ， WEI Z ， SUN G ， et al ． Convex hull based robust security region for electricity-gas integrated energy systems [J ] ． IEEE Transactions on Power Systems ， 2018 ， 99 ： 1 - 12 ． doi: 10.1109/tpwrs.2018.2888605 http://dx.doi.org/10.1109/tpwrs.2018.2888605

DING T ， BO R ， SUN H ， et al ． A robust two-level coordinated static voltage security region for centrally integrated wind farms [J ] ． IEEE Transactions on Smart Grid ， 2015 ， 7 ( 1 )： 460 - 470 ． doi: 10.1109/tsg.2015.2396688 http://dx.doi.org/10.1109/tsg.2015.2396688

CHEN S J ， CHEN Q X ， XIA Q ， et al ． Steady-state security assessment method based on distance to security region boundaries [J ] ． IET Generation，Transmission & Distribution ， 2013 ， 7 ( 3 )： 288 - 297 ． doi: 10.1049/iet-gtd.2012.0288 http://dx.doi.org/10.1049/iet-gtd.2012.0288

YU Y ， LIU Y ， QIN C ， et al ． Theory and method of power system integrated security region irrelevant to operation states：an introduction [J ] ． Engineering ， 2020 ， 6 ( 7 )： 754 - 777 ． doi: 10.1016/j.eng.2019.11.016 http://dx.doi.org/10.1016/j.eng.2019.11.016

WU F ， KUMAGAI S ． Steady-state security regions of power systems [J ] ． IEEE Transactions on Circuits and Systems ， 1982 ， 29 ( 11 )： 703 - 711 ． doi: 10.1109/tcs.1982.1085091 http://dx.doi.org/10.1109/tcs.1982.1085091

NGUYEN HUNG D ， KRISHNAMURTHY D ， KONSTANTIN T ． Constructing convex inner approximations of steady-state security regions [J ] ． IEEE Transactions on Power Systems ， 2019 ， 34 ( 1 )： 257 - 267 ． doi: 10.1109/tpwrs.2018.2868752 http://dx.doi.org/10.1109/tpwrs.2018.2868752

LEE D ， NGUYEN H D ， DVIJOTHAM K ， et al ． Convex restriction of power flow feasibility sets [J ] ． IEEE Transactions on Control of Network Systems ， 2019 ， 6 ( 3 )： 1235 - 1245 ． doi: 10.1109/tcns.2019.2930896 http://dx.doi.org/10.1109/tcns.2019.2930896

LI X ， JIANG T ， BAI L ， et al ． Orbiting optimization model for tracking voltage security region boundary in bulk power grids [J ] ． CSEE Journal of Power and Energy Systems ， 2022 ， 8 ( 2 )： 476 - 487 ．

LECUN Y ， BENGIO Y ， HINTON G ． Deep learning [J ] ． Nature ， 2015 ， 521 ： 436 - 444 ． doi: 10.1038/nature14539 http://dx.doi.org/10.1038/nature14539

WU S ， ZHENG L ， HU W ， et al ． Improved deep belief network and model interpretation method for power system transient stability assessment [J ] ． Journal of Modern Power Systems and Clean Energy ， 2019 ， 8 ( 1 )： 27 - 37 ． doi: 10.35833/mpce.2019.000058 http://dx.doi.org/10.35833/mpce.2019.000058

ZHU L ， HILL D J ． Data/model jointly driven high-quality case generation for power system dynamic stability assessment [J ] ． IEEE Transactions on Industrial Informatics ， 2021 ， 18 ( 8 )： 5055 - 5066 ． doi: 10.1109/tii.2021.3123823 http://dx.doi.org/10.1109/tii.2021.3123823

张峥 ， 原帅 ， 时伟光 ， 等 ． 基于深度神经网络的UHVDC输电系统故障诊断 [J ] ． 电网与清洁能源 ， 2024 ， 40 ( 7 )： 88 - 94 ．

ZHANG Z ， YUAN S ， SHI W G ， et al ． Fault diagnosis of UHVDC transmission lines based on deep neural network [J ] ． Power System and Clean Energy ， 2024 ， 40 ( 7 )： 88 - 94 ．

宋继明 ， 毛继兵 ， 马卫华 ， 等 ． 基于深度神经网络的特高压变压器滤油注油过程故障诊断技术研究 [J ] ． 电网与清洁能源 ， 2023 ， 39 ( 12 )： 95 - 103 ．

SONG J M ， MAO J B ， MA W H ， et al ． Research on oil filtration and injection process fault diagnosis for ultrahigh voltage transformers based on deep neural networks [J ] ． Power System and Clean Energy ， 2023 ， 39 ( 12 )： 95 - 103 ．

申洪涛 ， 李飞 ， 史轮 ， 等 ． 基于气象数据降维与混合深度学习的短期电力负荷预测 [J ] ． 电力建设 ， 2024 ， 45 ( 1 )： 13 - 21 ．

SHEN H T ， LI F ， SHI L ， et al ． Short-term power load forecasting based on reduction of meteorological data dimensionality and hybrid deep learning [J ] ． Electric Power Construction ， 2024 ， 45 ( 1 )： 13 - 21 ．

HU C ， ZHANG J ， YUAN H ， et al ． Black swan event small-sample transfer learning (BEST-L) and its case study on electrical power prediction in COVID-19 [J ] ． Applied Energy ， 2022 ， 309 ： 118458 ． doi: 10.1016/j.apenergy.2021.118458 http://dx.doi.org/10.1016/j.apenergy.2021.118458

HOU Q ， ZHANG N ， KIRSCHEN D S ， et al ． Sparse oblique decision tree for power system security rules extraction and embedding [EB/OL ] ．( 2020-4-20 )[ 2024-12-15 ] ． https://arxiv https://arxiv ．org/abs/ 2004 . 09579 v 1 ．

BEHDADNIA T ， YASLAN Y ， GENC I ． A new method of decision tree based transient stability assessment using hybrid simulation for real-time PMU measurements [J ] ． IET Generation，Transmission & Distribution ， 2021 ， 15 ( 4 )： 678 - 693 ． doi: 10.1049/gtd2.12051 http://dx.doi.org/10.1049/gtd2.12051

DAI Y ， ZHANG J ， XU P ， et al ． High-dimensional steady-state security region boundary approximation in power systems using feature non-linear converter and improved oblique decision tree [J ] ． Journal of Modern Power Systems and Clean Energy ， 2024 ， 12 ( 6 )： 1786 - 1797 ． doi: 10.35833/mpce.2024.000188 http://dx.doi.org/10.35833/mpce.2024.000188

李承周 ， 王宁玲 ， 窦潇潇 ， 等 ． 多能源互补分布式能源系统集成研究综述及展望 [J ] ． 中国电机工程学报 ， 2023 ， 43 ( 18 )： 7127 - 7150 ．

LI C Z ， WANG N L ， DOU X X ， et al ． Review and prospect on the system integration of distributed energy system with the complementation of multiple energy sources [J ] ． Proceedings of the CSEE ， 2023 ， 43 ( 18 )： 7127 - 7150 ．

DONG J ， WANG H ， YANG J ， et al ． Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm [J ] ． IEEE Access ， 2021 ， 9 ： 139685 - 139696 ． doi: 10.1109/access.2021.3114335 http://dx.doi.org/10.1109/access.2021.3114335

CUI F ， AN D ， XI H ． Integrated energy hub dispatch with a multi-mode CAES-BESS hybrid system：an option-based hierarchical reinforcement learning approach [J ] ． Applied Energy ， 2024 ， 374 ： 123950 ． doi: 10.1016/j.apenergy.2024.123950 http://dx.doi.org/10.1016/j.apenergy.2024.123950

DOLATABADI A ， ABDELTAWAB H ， MOHAMED Y A R I ． A novel model-free deep reinforcement learning framework for energy management of a PV integrated energy hub [J ] ． IEEE Transactions on Power Systems ， 2022 ， 38 ( 5 )： 4840 - 4852 ． doi: 10.1109/tpwrs.2022.3212938 http://dx.doi.org/10.1109/tpwrs.2022.3212938

YANG L ， SUN Q ， ZHANG N ， et al ． Indirect multi-energy transactions of energy internet with deep reinforcement learning approach [J ] ． IEEE Transactions on Power Systems ， 2022 ， 37 ( 5 )： 4067 - 4077 ． doi: 10.1109/tpwrs.2022.3142969 http://dx.doi.org/10.1109/tpwrs.2022.3142969

SAYED A R ， ZHANG X ， WANG G ， et al ． Online operational decision-making for integrated electric-gas systems with safe reinforcement learning [J ] ． IEEE Transactions on Power Systems ， 2024 ， 39 ( 2 )： 2893 - 2906 ． doi: 10.1109/tpwrs.2023.3320172 http://dx.doi.org/10.1109/tpwrs.2023.3320172

YANG L ， SUN Q ， ZHANG N ， et al ． Optimal energy operation strategy for we-energy of energy internet based on hybrid reinforcement learning with human-in-the-loop [J ] ． IEEE Transactions on Systems ，Man，and Cybernetics：Systems， 2020 ， 52 ( 1 )： 32 - 42 ．

WANG Y ， QIU D ， SUN X ， et al ． Coordinating multi-energy microgrids for integrated energy system resilience：a multi-task learning approach [J ] ． IEEE Transactions on Sustainable Energy ， 2023 ， 15 ( 2 )： 920 - 937 ． doi: 10.1109/tste.2023.3317133 http://dx.doi.org/10.1109/tste.2023.3317133

YANG T ， ZHAO L ， LI W ， et al ． Dynamic energy dispatch strategy for integrated energy system based on improved deep reinforcement learning [J ] ． Energy ， 2021 ， 235 ： 121377 ． doi: 10.1016/j.energy.2021.121377 http://dx.doi.org/10.1016/j.energy.2021.121377

ZHENG L ， WU H ， GUO S ， et al ． Real-time dispatch of an integrated energy system based on multi-stage reinforcement learning with an improved action-choosing strategy [J ] ． Energy ， 2023 ， 277 ： 127636 ． doi: 10.1016/j.energy.2023.127636 http://dx.doi.org/10.1016/j.energy.2023.127636

WANG T ， ZHAO J ， LEUNG H ， et al ． A condition knowledge representation and feedback learning framework for dynamic optimization of integrated energy systems [J ] ． IEEE Transactions on Cybernetics ， 2024 ， 54 ( 5 )： 2880 - 2890 ． doi: 10.1109/tcyb.2023.3234077 http://dx.doi.org/10.1109/tcyb.2023.3234077

LI X ， CHEN S ， ZHANG J ， et al ． A physics-informed deep learning paradigm for transient power angle stability assessment [J ] ． IEEE Journal of Radio Frequency Identification ， 2022 ， 6 ： 948 - 952 ． doi: 10.1109/jrfid.2022.3213882 http://dx.doi.org/10.1109/jrfid.2022.3213882

李湘 ， 陈思远 ， 张俊 ， 等 ． 基于物理信息嵌入的非固定长度电力系统暂态稳定快速评估 [J/OL ] ． 上海交通大学学报 ， 1 -15[ 2024 - 0913 ． https://doi.org/10.16183/j.cnki.jsjtu.2023.452 https://doi.org/10.16183/j.cnki.jsjtu.2023.452 ．

LI X ， CHEN S Y ， ZHANG J ， et al ． Rapid non-fixed length transient stability assessment of power system based on physics-lnformed neural networks [J/OL ] ． Journal of Shanghai Jiaotong University ， 1 -15[ 2024 - 0913 ． https://doi.org/10.16183/j.cnki.jsjtu.2023.452 https://doi.org/10.16183/j.cnki.jsjtu.2023.452 ．

GAO J ， CHEN S ， LI X ， et al ． Transient voltage control based on physics-informed reinforcement learning [J ] ． IEEE Journal of Radio Frequency Identification ， 2022 ， 6 ： 905 - 910 ． doi: 10.1109/jrfid.2022.3213895 http://dx.doi.org/10.1109/jrfid.2022.3213895

QIU J ， YANG H ， ZHANG J ， et al ． Parameter tuning of new type energy virtual synchronous generator based on physics-informed reinforcement learning [C ] // 2023 8th International Conference on Power and Renewable Energy (ICPRE) ． Shanghai，China ： IEEE ， 2023 ： 888 - 893 ． doi: 10.1109/icpre59655.2023.10353614 http://dx.doi.org/10.1109/icpre59655.2023.10353614

张剑 ， 崔明建 ， 何怡刚 ． 结合数据驱动与物理模型的主动配电网双时间尺度电压协调优化控制 [J ] ． 电工技术学报 ， 2024 ， 39 ( 5 )： 1327 - 1339 ．

ZHANG J ， CUI M J ， HE Y G ． Dual timescales coordinated and optimal voltages control in distribution systems using data-driven and physical optimization [J ] ． Transactions of China Electrotechnical Society ， 2024 ， 39 ( 5 )： 1327 - 1339 ．

李成翔 ， 杜艳丽 ， 朱益华 ， 等 ． 基于风电机组频率主动支撑的多时间尺度调频控制策略 [J ] ． 南方电网技术 ， 2024 ， 18 ( 3 )： 83 - 92 ．

LI C X ， DU Y L ， ZHU Y H ， et al ． Multi-time scale frequency regulation control strategy based on frequency active support of wind turbines [J ] ． Southern Power System Technology ， 2024 ， 18 ( 3 )： 83 - 92 ．

车志远 ， 余海涛 ， 庞玉毅 ， 等 ． 基于跟踪微分器的永磁同步电机双时间尺度滑模控制研究 [J/OL ] ． 上海交通大学学报 ， 1 - 23 [ 2024-09-13 ] ． https://doi.org/10.16183/j. cnki.jsjtu.2023.482 https://doi.org/10.16183/j.cnki.jsjtu.2023.482 ．

CHE Z Y ， YU H T ， PANG Y Y ， et al ． Research on tracking differentiator-based dual-time- scale sliding mode control for permanent magnet synchronous motors [J/OL ] ． Journal of Shanghai Jiaotong University ， 1 - 23 [ 2024-09-13 ] ． https://doi.org/10.16183/j. cnki.jsjtu.2023.482 https://doi.org/10.16183/j.cnki.jsjtu.2023.482 ．

XU P ， DUAN J ， ZHANG J ， et al ． Active power correction strategies based on deep reinforcement learning—Part I：a simulation-driven solution for robustness [J ] ． CSEE Journal of Power and Energy Systems ， 2021 ， 8 ( 4 )： 1122 - 1133 ．

XU P ， ZHANG J ， LU J ， et al ． A prior knowledge-embedded reinforcement learning method for real-time active power corrective control in complex power systems [J ] ． Frontiers in Energy Research ， 2022 ， 10 ： 1009545 ． doi: 10.3389/fenrg.2022.1009545 http://dx.doi.org/10.3389/fenrg.2022.1009545

JIAHAO Y ， WENBO M ， KE W ， et al ． Architecture of intelligent decision embedding knowledge for power grid generation-load look-ahead dispatch based on deep reinforcement learning [C ] // 2023 IEEE 6th International Electrical and Energy Conference (CIEEC) ． Hefei，China ： IEEE ， 2023 ： 2723 - 2726 ． doi: 10.1109/cieec58067.2023.10166017 http://dx.doi.org/10.1109/cieec58067.2023.10166017

DU Y ， LI F ， ZANDI H ， et al ． Approximating Nash equilibrium in day-ahead electricity market bidding with multi-agent deep reinforcement learning [J ] ． Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 ( 3 )： 534 - 544 ． doi: 10.35833/mpce.2020.000502 http://dx.doi.org/10.35833/mpce.2020.000502

WANG X ， ZHONG H ， ZHANG G ， et al ． Adaptive look-ahead economic dispatch based on deep reinforcement learning [J ] ． Applied Energy ， 2024 ， 353 ： 122121 ． doi: 10.1016/j.apenergy.2023.122121 http://dx.doi.org/10.1016/j.apenergy.2023.122121

BAI Y ， CHEN S ， ZHANG J ， et al ． An adaptive active power rolling dispatch strategy for high proportion of renewable energy based on distributed deep reinforcement learning [J ] ． Applied Energy ， 2023 ， 330 ： 120294 ． doi: 10.1016/j.apenergy.2022.120294 http://dx.doi.org/10.1016/j.apenergy.2022.120294

胡丹尔 ， 彭勇刚 ， 韦巍 ， 等 ． 多时间尺度的配电网深度强化学习无功优化策略 [J ] ． 中国电机工程学报 ， 2022 ， 42 ( 14 )： 5034 - 5044 ．

HU D E ， PENG Y G ， WEI W ， et al ． Multi-timescale deep reinforcement learning for reactive power optimization of distribution network [J ] ． Proceedings of the CSEE ， 2022 ， 42 ( 14 )： 5034 - 5044 ．

SI R ， CHEN S ， ZHANG J ， et al ． A multi-agent reinforcement learning method for distribution system restoration considering dynamic network reconfiguration [J ] ． Applied Energy ， 2024 ， 372 ： 123625 ． doi: 10.1016/j.apenergy.2024.123625 http://dx.doi.org/10.1016/j.apenergy.2024.123625

刘祺 ， 王承民 ， 谢宁 ， 等 ． 新型配电系统中考虑电动汽车差异化行为特性的充换电站规划方法 [J ] ． 智慧电力 ， 2024 ， 52 ( 9 )： 18 - 24 ．

LIU Q ， WANG C M ， XIE N ， et al ． Charging and swapping stations planning method considering differentiated behavior characteristics of electric vehicles in new distribution system [J ] ． Smart Power ， 2024 ， 52 ( 9 )： 18 - 24 ．

王安宁 ， 范荣奇 ， 张旸 ， 等 ． 基于多特征量判据的新型配电系统早期故障检测 [J ] ． 中国电力 ， 2024 ， 57 ( 9 )： 181 - 193 ．

WANG A N ， FAN R Q ， ZHANG Y ， et al ． Multiple characteristics criterion based incipient fault detection of distribution systems [J ] ． Electric Power ， 2024 ， 57 ( 9 )： 181 - 193 ．

郭镥 ， 刘永礼 ， 张媛 ， 等 ． 实用化数据同步技术在新型配电系统规划多人协同机制中的应用 [J ] ． 发电技术 ， 2024 ， 45 ( 2 )： 363 - 372 ．

GUO L ， LIU Y L ， ZHANG Y ， et al ． Application of practical data synchronization technology in multi person cooperation mechanism of new distribution system planning [J ] ． Power Generation Technology ， 2024 ， 45 ( 2 )： 363 - 372 ．

张汪洋 ， 樊艳芳 ， 侯俊杰 ， 等 ． 基于集成深度神经网络的配电网分布式状态估计方法 [J ] ． 电力系统保护与控制 ， 2024 ， 52 ( 3 )： 128 - 140 ．

ZHANG W Y ， FAN Y F ， HOU J J ， et al ． Distribution network distributed state estimation method based on an integrated deep neural network [J ] ． Power System Protection and Control ， 2024 ， 52 ( 3 )： 128 - 140 ．

黄奕俊 ， 肖健 ， 彭依明 ， 等 ． 基于边缘计算的新型电力系统分布式状态估计 [J ] ． 电力科学与技术学报 ， 2025 ， 40 ( 1 )： 77 - 84 ．

HUANG Y J ， XIAO J ， PENGY M ， et al ． Distributed state estimation of new power system based on edge computing [J ] ． Journal of Electric Power Science and Technology ， 2025 ， 40 ( 1 )： 77 - 84 ．

张明泽 ， 栾文鹏 ， 艾欣 ， 等 ． 基于边缘计算的台区短期负荷预测方法 [J ] ． 电测与仪表 ， 2024 ， 61 ( 4 )： 93 - 99 ．

ZHANG M Z ， LUAN W P ， AI X ， et al ． Short-term substation load forecasting method based on edge computing [J ] ． Electrical Measurement & Instrumentation ， 2024 ， 61 ( 4 )： 93 - 99 ．

张丽 ， 李世情 ， 艾恒涛 ， 等 ． 基于改进Q学习算法和组合模型的超短期电力负荷预测 [J ] ． 电力系统保护与控制 ， 2024 ， 52 ( 9 )： 143 - 153 ．

ZHANG L ， LI S Q ， AI H T ， et al ． Ultra-short-term power load forecasting based on an improved Q-learning algorithm and combination model [J ] ． Power System Protection and Control ， 2024 ， 52 ( 9 )： 143 - 153 ．

黄一川 ， 宋瑜辉 ， 荆朝霞 ． 基于联邦学习的能源聚合服务商负荷预测 [J ] ． 电力建设 ， 2025 ， 46 ( 1 )： 37 - 47 ．

HUANG Y C ， SONG Y H ， JING Z X ． Federated learning-based load forecasting for energy aggregation service providers [J ] ． Electric Power Construction ， 2025 ， 46 ( 1 )： 37 - 47 ．

CAO D ， ZHAO J ， HU W ， et al ． Deep reinforcement learning enabled physical-model-free two-timescale voltage control method for active distribution systems [J ] ． IEEE Transactions on Smart Grid ， 2022 ( 13-1 ). DOI： 10.1109/TSG.2021.3113085． http://dx.doi.org/10.1109/TSG.2021.3113085．

李付强 ， 张文朝 ， 潘艳 ， 等 ． 基于改进深度确定性策略梯度算法的电压无功优化策略 [J ] ． 智慧电力 ， 2024 ， 52 ( 5 )： 1 - 7 ．

LI F Q ， ZHANG W C ， PAN Y ， et al ． Reactive voltage optimization strategy based on improved depth deterministic strategy gradient algorithm [J ] ． Smart Power ， 2024 ， 52 ( 5 )： 1 - 7 ．

ZHAO J ， MEMBER ， LI F ， et al ． Deep reinforcement learning based model-free on-line dynamic multi-microgrid formation to enhance resilience [EB/OL ] ．( 2022-05-06 )[ 2024-10-18 ] ． http://arxiv.org/abs/2203.03030 http://arxiv.org/abs/2203.03030 ． doi: 10.1109/tsg.2022.3160387 http://dx.doi.org/10.1109/tsg.2022.3160387

SI R ， QIAO J ， WANG X ， et al ． A transferable multi-agent reinforcement learning method for distribution service restoration [C ] // 2023 IEEE International Conference on Systems，Man，and Cybernetics (SMC) ． Hawaii，USA ： IEEE ， 2023 ： 1866 - 1871 ． doi: 10.1109/smc53992.2023.10394147 http://dx.doi.org/10.1109/smc53992.2023.10394147

CHOLLET F ． On the measure of intelligence [EB/OL ] ．( 2019-11-06 )[ 2024-10-18 ] ． https://arxiv.org/abs/1911 https://arxiv.org/abs/1911 .

01547 v 2 ．

SCHAUL T ， TOGELIUS J ， SCHMIDHUBER J ． Measuring intelligence through games [EB/OL ] ．( 2011-09-06 )[ 2024-10-18 ] ． https:///arxiv.org/abs/1109.1314v1 https:///arxiv.org/abs/1109.1314v1 ．

ZHANG T ． Parallel system based quantitative assessment and self-evolution for artificial intelligence of active power corrective control [J ] ． CSEE Journal of Power and Energy Systems ， 2023 ， 10 ( 1 )： 13 - 28 ．

HERNÁNDEZ-LOBATO J M ， GELBART M A ， ADAMS R P ， et al ． A general framework for constrained Bayesian optimization using information-based search [J ] ． Journal of Machine Learning Research ， 2016 ， 17 ( 1 )： 5549 - 5601 ．

WANG Z ， GEHRING C ， KOHLI P ， et al ． Batched large-scale Bayesian optimization in high-dimensional spaces [C ] // International Conference on Artificial Intelligence and Statistics ． Playa Blanca，Canary Islands ： PMLR ， 2018 ： 745 - 754 ．

LÉVESQUE J C ， GAGNÉ C ， SABOURIN R ． Bayesian hyperparameter optimization for ensemble learning [EB/OL ] ．( 2016-05-20 )[ 2024-10-18 ] ． https://arxiv https://arxiv ．org/abs/1605.06394v 1 ．

LÉVESQUE J C ， DURAND A ， GAGNÉ C ， et al ． Bayesian optimization for conditional hyperparameter spaces [C ] // 2017 International Joint Conference on Neural Networks (IJCNN) ． Anchorage，Alaska ： IEEE ， 2017 ： 286 - 293 ． doi: 10.1109/ijcnn.2017.7965867 http://dx.doi.org/10.1109/ijcnn.2017.7965867