特约主编寄语

新能源大规模并网给电力系统带来了较强的不确定性，电力电子化设备的广泛接入提升了系统运行的灵活性，分布式电源、储能、电动汽车的渗透增加了末端配电网分析与控制的复杂性，这些因素都给现代电力系统带来了新的挑战。随着能源互联网技术的不断发展，先进的数据量测、传输与存储技术为数据驱动的分析奠定了良好的基础，现代电力系统正在进入“数据密集”时代。数据驱动方法为电力系统研究提供了新的思路，可以分析电力系统中弱规律问题、复杂机理问题以及机理尚未清晰的问题，并能够从海量的电网广域信息数据里挖掘出系统内在的内禀知识，为运行人员提供较为透明、可理解的控制规则或决策支持，进一步增强系统运行人员的应急能力，在电力系统中得到了广泛的研究和关注。但是数据驱动方法在实际应用的场景中，其模型的输入可能出现测量噪声、数据丢包、通信延时等不良情况，因此需要研究具有抗干扰能力的数据库生成及训练策略，使得研究结果对于这些不利因素具有较强的容错性。近年来，深度增强学习技术在优化决策和最优控制领域得到了广泛的关注，并已经被应用在电网调频、调压、最优潮流计算等领域，未来可重点研究基于深度增强学习的电网稳定控制方法。

为展示国内外该领域最新研究进展和发展趋势，共享最新学术和技术成果，《电力系统自动化》编辑部策划组织了“面向现代电力系统的数据驱动方法”为主题的专辑。自2020 年9 月发出征文通知后，引起了学术界和工业界的广泛关注，国内外学者投稿踊跃，经同行评审收录的稿件将陆续见刊。本期将首先刊登16 篇论文，内容涉及数据驱动方法在电力系统优化运行与规划、稳定分析与控制、系统辨识与监测以及用电侧管理与分析等方面的应用成果。

数据驱动方法作为相对于模型驱动而言的新范式，为电力系统研究提供了新的手段。长沙理工大学苏盛等对数据驱动窃电检测方法在国内外实践中的工程应用进行了总结，并对其潜在问题和应用前景进行了分析。东南大学汤奕等在总结电力系统数据方法与物理方法各自特点的基础上，提出了一种基于数据-物理融合模型的电力系统并联模式性能分析方法，为并联模式下的数据-物理融合模型的构建提供了理论支撑。

在数据驱动信息能源系统异常检测与辨识方面，华北电力大学毕天姝等基于局部离群因子算法，提出了一种在线数据驱动的同步相量测量单元连续坏数据检测方法，提高了连续坏数据的辨识和检测效率。河海大学吴英俊等针对电力系统网络攻击问题，提出了一种基于集员滤波的自动发电控制系统虚假数据注入攻击检测方法，能够准确估计系统运行状态以检测虚假数据注入攻击的存在。华中科技大学苗世洪等提出一种配电物联网异常辨识方法，利用三维卷积神经网络提取电气量、通信量与配电物联网异常状态之间的映射关系，实现配电物联网异常类型和异动源位置的统一辨识。

在数据驱动电力系统优化运行方面，清华大学张宁等针对高比例可再生能源并网下电力系统安全稳定运行问题，提出了内嵌安全稳定约束的电力系统优化运行框架，利用斜回归树及其集成算法提取安全稳定规则，具有良好的可解释性、较强的表示能力与较高的集成效率。新加坡南洋理工大学徐岩等针对系统级拓扑结构优化难以求解的问题，提出了一种结合异步优势Actor-Critic（A3C）深度强化学习与电力系统领域知识的运行优化方法，将在线优化的计算负担转移至离线智能体训练阶段，实现电力系统运行拓扑结构优化的快速计算，提高电力系统运行的安全性。国家电网有限公司西北分部任冲等针对高比例新能源电网运行方式复杂多变和安全裕度过大的问题，提出了新能源接入电网的断面传输方式聚类分析方法，依据聚类划分结果对各级断面输电限额进行优化，进一步提升了电网的输送能力。重庆大学杨知方等研究了数据驱动潮流分析方法中误差异常处理问题，提出了基于深度神经网络的数据驱动潮流计算异常误差改进策略，通过验证集的绝对学习误差、越限误判率及误差统计指标，确定各潮流变量的学习权重，有效降低了数据驱动潮流计算的异常误差。

在数据驱动电力系统稳定性分析方面，华南理工大学朱林等研究了深度学习算法在电力系统暂态稳定评估中的应用，提出了一种面向暂态电压稳定评估的卷积神经网络输入特征构建方法，兼顾了稳态特征量和多维度故障信息的输入特征，对模型精度与效率有显著的提升效果。东北电力大学蔡国伟等针对电力系统随机响应数据辨识问题，提出了随机数据驱动下基于子空间最优模式分解的小干扰特征参数在线辨识算法，通过引入正交投影的矩阵线性变换方法以及共轭梯度优化算法，准确反映了系统运行状态，便于系统振荡模式的在线监测。

在数据驱动配电网优化运行方面，河海大学卫志农等针对交直流配电网实时量测配置不足、量测误差分布无法确定的问题，提出了基于深度神经网络伪量测建模的交直流配电网区间状态估计方法，利用深度学习技术辅助交直流配电网进行区间状态估计，在保证估计区间包含真值的同时显著降低了估计区间的保守性。

在数据驱动用电管理方面，东南大学叶宇剑等针对传统方法在模型精准构建和应对多重不确定性等方面的局限性，提出了一种基于深度强化学习的居民实时自治最优能量管理策略，在最小化用电成本的同时提升能量管理策略的鲁棒性。上海交通大学何光宇等研究了空调负荷模型参数辨识问题，提出了一种数据驱动的变频空调负荷模型参数在线辨识方法，在较少的计算量下，进一步提高了参数辨识的准确性。浙江大学林振智等基于用电信息采集系统的量测数据，提出了一种基于改进局部离群因子算法的用户用电隐患检测方法，通过多局部离群因子模型组合优化，提高了低压用户用电隐患检测泛化能力与准确率。

在数据驱动电能质量管理方面，华北电力大学齐林海等提出了一种基于改进生成对抗网络的谐波状态估计方法，通过生成网络充分拟合监测节点与目标节点间的耦合关系，实现了对目标节点谐波电流、谐波电压的准确估算。

上述论文为发掘数据驱动方法在现代电力系统中的应用提供了思路，进而为现代电力系统的安全、稳定、经济运行从另一个侧面提供有效支撑。衷心感谢撰稿专家们的大力支持！同时还要感谢本专辑各位特约评审专家，专家们科学求真求实的态度、乐于奉献的精神，保证了专辑的高质量出版。感谢《电力系统自动化》编辑部为本专辑的选题、策划、组织和出版所做的大量工作。