吴倩红，周二专，武志刚，田 芳，李 桐，唐俊刺

（1.电网安全与节能国家重点实验室（中国电力科学研究院有限公司），北京 100192；2.华南理工大学电力学院，广州 510640；3.国网辽宁省电力有限公司电力科学研究院，沈阳 110004；4.国网辽宁省电力有限公司，沈阳 110004）

随着我国经济的发展，尤其是“双碳”目标的提出，使得电网规模和负荷水平不断提高[1]。由于新能源和市场机制的引入，电网运行的随机性不断提升，不安全状态的多样性和重要性尤为突出。传统的电网运行方式制定过于依赖经验，目前已表现出明显不足。同时，采用人工智能方法进行大电网仿真分析，高度依赖海量合格的电力系统运行状态样本，而电网实际运行中多为正常运行点及其附近的样本，无法满足样本分布的覆盖性[2]，通常需要借助计算机辅助手段。

一类常用的样本生成方法为直接改进主流潮流计算方法。例如文献[3]采用了排序算法、分区算法和稀疏技术设计优化潮流程序，保证收敛精度的同时提高了大电网的计算效率。这种直接应用潮流计算来获取潮流样本的方式，最大的弊端是需要求解非线性代数方程组，计算速度较慢，还可能存在给定运行条件无法收敛的情况，这在大规模电网中尤其突出。现代大电力系统运行方式的制定往往需要借助相关人员的丰富经验，限制了直接改进潮流计算方法的适用范围，在新能源占比大为增加的电力系统中也难以实现。

另一大类样本生成的常用方法可统称为人工智能方法，包括深度学习和强化学习[4]，同时对抗学习、迁移学习也被越来越多地应用在此领域[5]。……