随着双碳目标的快速发展，大量以风电、光伏为代表的分布式电源接入配电网，这将进一步加剧电源出力的间歇性与波动性。主动配电网动态重构属于一个复杂的高维混合整数非线性随机优化问题，传统算法在解决该问题的过程中存在着诸多不足之处。而深度强化学习算法结合了深度学习与强化学习的优势，非常适用于制定当前备受关注的主动配电网动态重构策略。该文首先对新型电力系统主动配电网特征进行总结，并对当前主动配电网动态重构研究在构建数学模型方面所取得的进展以及所面临的挑战进行了深入分析。其次，对配电网动态重构编码方式进行了探讨，并对深度强化学习算法进行了系统性地综述。进而，重点分析了现有算法在处理主动配电网动态重构时的不足之处，并对深度强化学习算法在主动配电网动态重构方面的研究现状与优势进行了总结与概括。最后，对主动配电网动态重构的未来研究方向进行了展望。

大语言模型(large language model,LLM)及其衍生的多模态大模型因其强大的生成能力、泛化能力引发了AI新变革，但存在幻觉问题、可解释性差等不足。知识图谱(knowledge graph,KG)具备推理结果可解释、可增量知识更新等能力，但交互能力较差。该文综述了知识图谱与大模型技术的发展历程、关键技术、优势与局限。针对电力数据与业务特点，分析了两者应用于电力领域的主流方法，建立了面向电力领域的知识图谱与大模型相融合的技术架构，重点分析了各应用场景的可行性，并指出了未来面临的挑战和可能的研究方向。

针对以往研究往往侧重台风或暴雨等单一灾害下的输电杆塔故障，忽视了台风灾害携带暴雨共同威胁输电杆塔安全。为此建立含降雨量修正的台风灾害下输电杆塔数据机理联合故障概率预测模型，以准确预测台风与暴雨复合作用下输电杆塔故障概率。首先，在数据驱动部分，通过生成对抗网络(generativeadversarialnetwork,GAN)解决数据量不足、数据信息不均衡等问题，并以支持向量回归、岭回归、随机森林、K近邻、极端随机树及自适应提升算法等6种机器学习算法预测输电杆塔故障概率。其次，在机理驱动部分，考虑降雨量对输电杆塔的影响，通过降雨雨压模型，计算降雨修正系数修正输电杆塔的故障概率。最后，以2022年登陆浙江省舟山市的台风“梅花”为例进行仿真验证，算例表明所提模型与实际情况更为相符，可精准地预测输电杆塔故障概率。

人工智能(AI)与量子技术是目前的战略性科技发展方向，两种技术的结合在高精度探测、加速计算、安全通信和新型材料设计等领域有巨大发展优势，在电力系统中展现出了广阔的应用前景。该文首先介绍了AI在电力系统中的应用现状，包括电力设备监测与运维、电力系统控制与规划、电力交易与市场管理、电力电子系统和电力设备设计与制造等应用场景，分析了AI技术具有的优势。然后，从量子测量、量子计算、量子通信和量子材料4个方面详细阐述了量子技术在电力系统中的应用现状，探讨了量子技术在电力参量高精度测量、电力系统快速规划与控制、电力系统安全通信和电力设备优化改进中的重要作用。接着，从“AI+量子测量”、“AI+量子计算”、“AI+量子通信”、“AI+量子材料”4个角度展望了AI与量子技术紧密融合在电力系统中的应用前景。最后，总结了AI与量子技术在电力系统中结合应用所面临的挑战和未来发展方向。

伴随电力系统的不断发展，以及新能源的广泛接入，电力系统在电气结构与动态特性上的复杂度不断提高，这使得系统的频率安全性面临愈发严峻的挑战。首先，从频率安全评估及频率紧急控制两个方向，分别分析了传统方法与人工智能方法的应用情况，并针对高比例可再生能源电力系统的频率稳定问题展开论述。人工智能方法的飞速发展为电力系统频率安全评估提供了全新的研究道路，尤其是深度学习方法在电力系统中的应用，在解决愈发复杂的电力系统问题上具有显著优势。此外，频率紧急控制作为防止频率失稳的最后防线，一直是学者们研究的焦点，而强化学习具有很强的策略探索能力，如何将其用于优化频率紧急控制策略，势必成为今后重要的研究方向。最后，基于新型电力系统的特征，提出频率安全评估与紧急控制的研究展望。

随着新能源渗透率的不断提升，电网强度减弱，惯量阻尼水平低，系统抗扰动能力弱，使得具有惯量阻尼支撑能力的构网型变流器优势凸显，成为最具应用前景的一类并网变流器。变流器作为新能源与电网之间的并网接口，将电能安全稳定高效输送至电网，其控制稳定性很大程度上决定了新能源并网系统的稳定性。为此，从构网型变流器扰动模型的构建策略及扰动分析方法出发，分析控制环节与动态特性间的联系，在惯量动态、故障电流、宽频振荡3个方面揭示了构网型变流器的动态与稳定特性，进而在大电网条件下明确了构网型变流器稳定控制的关键问题，展望了构网型变流器稳定控制的后续研究方向，为构网型变流器的进一步研究与应用提供参考。

指针式表计识读是工业数智化的关键任务，当前主要依赖目标检测、关键点定位等传统识别算法，存在低泛化性、强数据依赖等瓶颈。该文通过视觉语言大模型模拟人类认知识读过程，提出一种通用的指针表计识读框架：1）为突破数据依赖瓶颈，构建工业场景下的识读多模态数据合成管道，可自动生成20 000条以上问答对；2）为克服大模型“幻觉”瓶颈，使用DeepSeek-R1模拟人类认知识读，解耦表计语义理解和识读推理过程，平均参考误差比基础模型Qwen2.5-VL降低10%;3）为提升泛化性，设计基于广义策略优化的容差自适应强化学习优化方法，将绝对精度约束转化为可学习容忍区间以增强分布外数据(out-of-distribution data,OOD)泛化，在OOD测试中，该文方法识读误差降到2%。实验表明，该文所提框架在模拟工业表计测试集的平均参考误差为1.2%，在公开真实表计测试集达到3.16%，超越QWen2.5-VL-72B和GPT4o等先进大模型。该文研究为视觉语言大模型在精细化视觉理解和推理计算任务的落地应用，提供了思路参考。

风电制氢作为一种全周期零碳排放的制氢方式，是实现碳中和目标、促进能源结构绿色转型的重要途径。针对风电制氢系统接入弱电网下主动支撑能力弱的问题，提出基于构网型储能虚拟同步机和虚拟直流电机的双虚拟电机控制策略，有效增强风电制氢系统电压、频率主动支撑能力，也为制氢系统直流母线提供可靠的惯量、阻尼支撑。基于小信号方法分析了两种控制策略中转动惯量和阻尼系数对系统稳定性及动态响应的影响情况。最后通过SIMULINK搭建的风-氢-储仿真模型进行验证，结果显示所提策略可为风电制氢系统接入弱电网提供可靠的电压、频率支撑，也能较好地改善制氢系统直流母线电压波动情况。