【目的】随着新型电力系统中分布式节点广泛接入配电网，频繁的数据交互增加了配电网遭受虚假数据注入攻击（false data injection attacks，FDIA）的风险。常规的数据驱动检测方法在挖掘数据特征时往往将所有数据作为一个整体，忽略了不同节点数据中的个性特征。针对这一问题，文章提出了一种基于最大信息系数的个性化联邦训练方法，用于分布式新能源场景下的虚假数据注入攻击检测。【方法】所提方法将检测模型部署在分布式边缘节点，提高了边缘节点的网络安全防护能力及本地数据隐私保护能力；通过应用多层神经网络进行个性化联邦训练，将其分为不同特征层来进行共性和个性特征分离，在分布式检测的基础上加强对异构节点数据的特征处理；考虑量测数据中的时间特征，通过引入最大信息系数深入挖掘数据中潜在的规律性特征，将分析结果融合个性化联邦训练，以提高对节点本身数据个性特征的提取能力。【结果】以含分布式新能源节点的园区数据为例进行仿真分析，所提方法相比传统联邦框架和不考虑相关性分析的检测方法，检测准确率、精确率、召回率和F1分数均有所提升；最大信息系数在处理周期性数据时具有较好的个性特征提取能力。【结论】所提方法增加了对数据共性和个性特征的分离和提取，在客户端数量较多时检测模型具有较快的收敛速率，更适合分布式新能源场景下的FDIA检测。

【目的】针对新型电力系统数据驱动算法对抗攻击风险及攻防协同性不足的问题，搭建对抗攻击与防御协同优化理论框架，提升攻击靶向性、防御鲁棒性及复杂攻击特征辨识能力，建立攻防协同进化的闭环优化机制。【方法】在对抗攻击生成模块中，通过自注意力机制量化节点特征贡献度并结合Top-K策略筛选关键节点；利用编解码器与强化学习动态优化扰动策略，经过滤器保留关键节点扰动以提升攻击效率。在对抗防御模型中，采用栈式自编码器提取静态结构特征，卷积神经网络-长短期记忆网络融合时空特征，通过动态权重策略整合多模态特征后，经支持向量机分类器实现攻击样本与正常样本的辨识。【结果】相较于随机节点攻击、快速梯度符号法及投影梯度下降攻击方法，所提攻击方法在维持较高成功率的同时，其全攻击强度范围内的鲁棒性更贴合电力系统对抗攻击实际需求，且扰动可集中于关键节点，由此验证了攻击靶向性优势；防御层面，融合模型性能显著优于单一模型，凸显多模态特征融合对复杂攻击模式的强辨识能力。【结论】攻击侧融合自注意力与强化学习，实现了关键节点的靶向扰动；防御侧采用多模态特征融合，提升了复杂攻击的辨识能力；并通过闭环反馈机制，实现了攻防策略的动态协同进化。

【目的】电力系统数据表现出高随机、强互动、多耦合等特征，传统基于条件假设和模型简化的机理建模仿真分析其时效性无法满足大电网实时防御要求。利用大电网广域时空序列信息可以提高分析的精确性和时效性，突破机理模型的限制，对电网物理运行状态进行多层次态势感知。【方法】采用数据驱动并结合电网动态特性，基于随机矩阵理论对电网时空数据进行分析挖掘，克服传统基于电网物理拓扑的局限，实现关键节点的实时评估和辨识；根据关键节点评估结果，基于数据驱动采用马尔科夫链，提出扰动传播预测方法，实现对电网节点个性化风险评估和电网态势群体性预测分析。【结果】通过个性化风险评估电网节点，找出系统中风险节点即关键节点，探索将监测预警向预测预警转变；利用马尔科夫链预测相对受扰节点从而预测扰动传播，通过算例分析验证所提方法的有效性和合理性。该方法可在电力系统发生扰动后，对即将引发系统严重事故的关键节点进行重点监控，相比于其他辨识方法，该方法既考虑了系统电气特性，又考虑了系统拓扑特性，辨识结果会随着系统运行状态的改变而改变。【结论】通过提前预防控制保证系统的安全稳定运行，对防御大停电事故具有重要意义。

【目的】为提升极端天气下电力系统的应急保供能力，文章提出一种电动公交车集群协同调控策略。【方法】利用电动公交车在非运行时段作为移动储能单元优化配电网运行。首先，基于车辆运营情况建立电动公交车交通网络模型，根据线路及运行特点形成车辆调配策略；其次，以配电网灾害条件下运行费用最小化为目标，考虑配电网运行约束及电动公交车调控约束，建立配电网和电动公交车协同优化的混合整数线性规划模型。【结果】经IEEE 33节点扩展算例及IEEE 118节点算例验证，策略可在故障后1 h内实现车辆快速并网与V2G供电覆盖，有效降低负荷损失，并在响应速度、迁移效率和经济性等方面表现优异，显著增强电网韧性。【结论】研究成果为极端天气下电力应急保障提供了有效解决方案，同时对完善城市防灾减灾体系和推动“双碳”目标实现也具有重要价值。