随着各类源荷弹性资源逐渐介入电网,在提升电力调度弹性的同时,也导致调度优化问题状态变量和决策变量增多,寻优空间增大,边界条件更为复杂。此外,电力系统输电网络中线路停运检修情况常有发生,这时重新制定调度计划效率低下。以上问题导致一些传统调度优化方法难以适用,而面向序贯决策问题的强化学习算法不依赖于具体的数学模型,在求解复杂电力调度问题方面具有一定的优势。但传统强化学习的调度优化是面向特定调度任务和场景的,往往是各自孤立进行的,算法收敛速度慢,为提升其学习效率,本文主要做了如下工作:首先,针对源荷双侧弹性资源,建立了深度调峰模型和可削减负荷模型,定义了源电力系统与目标电力系统组成,从而构建了源电力系统和弹性资源介入下的目标电力系统的调度优化模型,给出了弹性资源介入下从源电力系统到目标电力系统的调度知识迁移框架。其次,为有效利用弹性资源介入前源电力系统的调度知识以避免低效学习,本文针对弹性资源介入的目标电力系统研究了一种基于调度知识矩阵跨维度迁移的电力调度学习优化方法。首先,利用欧式-动态时间弯曲距离,给出了源任务与目标任务间关联特征的相似度判定方法。然后,基于状态空间矩阵和动作空间矩阵引入主成分分析特征降维技术,建立了源任务与目标任务间相似状态/动作的映射关系,提出了源电力系统与目标电力系统间基于调度知识矩阵跨维度迁移的强化学习方法,以解决由于源任务与目标任务状态或动作空间维数不同而导致的历史调度知识不能直接利用的问题。最后,通过IEEE-300算例仿真验证了跨维度知识迁移方法的有效性和合理性。最后,针对输电线路停运检修导致电力拓扑发生变化的电力调度优化问题,本文研究了一种计及线路N-1场景下的知识矩阵跨维度迁移强化学习方法。首先,通过对原电力拓扑依次断开单条线路获得N-1场景下的电力系统节点导纳矩阵。然后,基于电力系统节点导纳矩阵引入了k-means聚类算法,并结合肘部法则确定聚类类别个数,通过对线路N-1场景下的节点导纳矩阵聚类获得典型线路N-1场景,从而提出了N-1场景下源电力系统与目标电力系统间的知识矩阵跨维度迁移方法。最后,通过IEEE-300算例仿真分别从迁移学习优化效果和线路潮流变化两方面验证了所提方法的有效性。