【目的】针对大规模电力-交通耦合网络在遭遇突发韧性故障时，传统方案生成速度慢、难以实时响应动态信息交互，且人工智能算法在应用中易因缺乏安全机制引发电压越限等安全事故的问题，提出一种基于安全深度强化学习（safe deep reinforcement learning， SDRL）的电力-交通耦合网络韧性提升策略。【方法】首先，构建电力-交通两阶段优化架构，第一阶段以最小重构成本优先保障高价值负荷，第二阶段以最小交通调度成本优化电动汽车路径。然后，设计基于改进彩虹算法的分层决策模型。上层输出电网联络开关动作方案，并将重构后的电网状态输入下层。下层结合电网重构状态与实时交通信息，优化电动汽车路径选择，确保适配电网恢复需求。此外，嵌入拉格朗日乘子安全机制，构建含风险惩罚的目标函数，实现动态惩罚电压越限、电流越限等风险行为。【结果】基于上海实际路网与IEEE 123节点配电网的仿真表明，所提策略可显著提升系统在故障场景下的韧性与运行安全性。与混合整数规划、粒子群优化方法相比，所提方法在负荷恢复率、恢复速度、电压稳定性和策略安全性等方面均表现出更优的综合性能。【结论】所提方法证明了分层安全深度强化学习在电力-交通耦合网络韧性提升中的有效性。该方法通过两阶段架构解决了电力-交通网络目标割裂的问题，实现了计算效率、负荷恢复率与运行安全性的平衡协同。

【目的】为解决云团快速变化导致光伏功率预测精度下降的难题，提出一种基于云-辐照度-功率耦合机理的超短期光伏功率预测方法。【方法】首先，构建双流卷积网络提取云团的空间与运动特征，并基于Transformer编码器提取辐照度时序特征；其次，通过交叉注意力机制对二者进行特征融合，以实现对地表辐照度的多步预测；最后，为克服纯数据驱动方法的局限性，以预测辐照度为输入，引入地表辐照度-光伏出力物理约束构建光伏功率预测模型。【结果】实验结果表明，所提地表辐照度预测方法在不同天气类型下均优于基准模型，进一步将辐照度预测结果作为光伏功率预测输入，相较于直接引入云信息的方法，光伏功率预测精度有所提升。此外，通过引入物理约束，光伏功率预测进一步提高，同时模型的泛化性能得到有效增强。【结论】深度挖掘三维云信息的动态变化对辐照度的影响，并引入辐照度与光伏功率的物理先验知识，是提升超短期光伏功率预测精度与模型泛化能力的一条有效途径。

【目的】针对风电集群功率预测中时空特征提取不足和多尺度特征难以有效融合的问题，提出一种时空图谱聚类（spatio-temporal graph spectral clustering，ST-SpecCluster）与时序二维化Transformer（time-series 2D-reshaping transformer， T2Dformer）的风电集群功率多尺度融合预测方法。【方法】首先，以风电场地理坐标构建空间骨架，并基于滑动时间窗口内的功率数据动态计算风电场间的皮尔逊相关系数，构建了一种能同时感知静态地理邻近性与动态运行关联性的混合时空图；通过时空图卷积网络提取深度时空特征，并融合注意力聚合机制与谱聚类划分出强相关子集群；随后，利用局部加权回归的季节与趋势分解（seasonal-trend decomposition procedure based on loess， STL）将子集群内功率及数值天气预报序列分解出趋势项、周期项和残差项。最后，设计了新的预测模型，通过快速傅里叶变换周期提取、时序二维化、Inception卷积与注意力机制的协同，实现多尺度特征联合建模。利用时序二维化Transformer分别预测各个集群的各个分量，并合并重构结果，将该方法应用于中国吉林某风电场集群。【结果】与前沿的预测方法相比，所提方法的归一化均方根误差降低了1.89%，归一化平均绝对误差降低了2.87%，决定系数提升了10.87%。【结论】所提方法为高精度风电功率预测提供了一种有效解决方案，对提升电力系统调度能力与新能源消纳具有重要实际意义。