智能电网是面向未来的下一代可持续和环保型电网,它建立在高速双向信息通信网络的基础上,融合了先进的传感测量技术,智能的决策控制技术等相关领域的专业技术,实现电网安全稳定高效的运行。主要特征包括满足客户用能需要,允许各种分布式的新能源发电设备入网,能抵御攻击并且可以故障自愈,启用电力市场实现资源的按需配置等。近年来,随着人工智能和大数据技术的快速发展,研究如何运用这些新技术和新理论来提升智能电网运营和管理的智能化水平也日益受到国内外学术界和工业界的广泛关注,本文基于机器学习理论对智能电网的概率负荷预测、非侵入式负荷监测以及微网能源管理进行了相关研究。主要工作及研究成果如下:(1)提出两种概率负荷预测算法:一种是基于高斯过程分位数回归的系统级负荷概率密度预测算法,统计分析了负荷与气温的关联关系,并据此构建特征向量用于负荷预测建模,高斯过程分位数模型能够处理负荷时间序列中复杂的随机变化,并且可以通过方差估计预测结果的不确定性,很适合非平稳的负荷概率密度建模分析。另一种是基于深度集成学习的用户级概率负荷预测算法,建立了一个灵活可扩展的并行深度学习计算框架,扩展了一种分位数聚合优化策略来精炼预测结果以实现深度集成学习,并通过多任务深度学习策略来实现跨用户组知识共享以提高预测精度和效率。(2)提出一种半监督多标签深度学习框架用于非侵入式负荷监测,它可以依据用户的馈线功率信号来自动推断用户的电器使用模式和运行状态。该框架有三个显著特点:首先仅需使用智能电表的低频功率采样信号,通过数据增强技术和半监督学习技术来降低负荷监测的成本;其次可以通过多标签学习来同时监控多个电器的运行状态和耗电量;最后可以通过深度学习实现每个电器的高层次特征指纹的自动提取和识别,从而提升了信息整合的效率并降低了人力成本。(3)提出一种基于多智能体深度强化学习的多微网能源管理框架。该框架考虑了配电网中同一个变压器下的多个微网用户,在满足变压器安全容量约束条件下实现多微网系统的用能花费最小化。该框架把每个微网等效成一个智能体,将能源管理转化为带约束条件的多智能体马尔科夫决策问题,并提出一种基于演员-评论员的策略优化算法,该算法可以离线训练,在线运行,实现了微网系统的安全和实时调度管理。本文考虑了智能电网、微网和用户之间信息交互上的一些挑战性难题,通过综合运用最新的机器学习理论来沟通人工智能和智能电网这两个学科,并做出了基础性理论和技术贡献,提出了几种新算法来提升智能电网中预测、监测和决策的准确率和效率,为进一步推动人工智能技术在智能电网领域的落地应用提供了理论基础。