需求响应（Demand response,DR）技术和主动配电网（Active distribution network,ADN）技术的迅速发展促进了用户与电网之间的网荷双向互动,从而为高渗透率分布式电源接入的配电网的安全稳定运行提供了支撑。居民负荷作为负荷的重要组成部分,是具有较大调节能力的优质柔性资源。在满足居民家庭用电需求的基础上挖掘其蕴含的巨大潜力,以提升配电网的经济性和安全性。因此,本文对家庭能量管理系统（Home energy management system,HEMS）-居民台区-配电网之间的互动展开了详细研究。首先,对HEMS模型及与居民台区和配电网交互架构进行研究。分析HEMS的能量及信息交互方式,综合考虑用户用电舒适度、用电成本和家庭总功率限制构建HEMS双层架构,根据各个家庭用电设备的负荷特性对其进行分类并计及舒适度要求和运行特性建立家庭用电设备的模型;描述了HEMS-居民台区-配电网交互架构和交互过程。其次,提出了基于深度强化学习（Deep reinforcement learning,DRL）的家庭能量管理分层优化策略。基于HEMS分层模型采用马尔可夫决策过程对家庭能量管理问题进行建模,包括状态空间、动作空间、奖励函数和动作价值函数,并引入Rainbow算法来制定优化调度策略以最大化长期收益。算例以一个包含光伏、储能系统、各种用电设备以及电动汽车的家庭验证DR策略可以降低电费且保证居民总功率在安全范围内。然后,聚合居民台区下辖家庭的柔性负荷,对居民台区柔性资源响应潜力进行了分析评估。构建了居民响应意愿度评判体系,选取家庭年收入、受教育程度和平均年龄作为特征指标,采用最优最劣法计算居民响应意愿度;基于HEMS负荷模型和响应系数建立居民用电设备调控潜力模型,结合家庭负荷运行计划计算功率可变负荷、时间可变负荷和电动汽车的可削减功率;在此基础上,利用正态云模型对居民台区下辖家庭的柔性资源进行分级评估,形成响应资源池便于居民台区进行快速调度,并计及整体可控度建立居民台区柔性资源响应潜力聚合模型,计算居民台区总调节容量上报至配电网参与调控。算例以一个包含500户家庭的居民台区分析得到居民柔性资源等级和调控潜力与居民家庭类型相关性较高。最后,提出了基于图强化学习（Graph reinforcement learning,GRL）的配电网有功-无功协调调度策略。以综合成本和电压偏移最小为目标建立配电网有功-无功协调调度模型;在此基础上,构建了基于GRL的配电网调度架构,主要由提取配电网特征信息的图注意力网络（Graph attention network,GAT）模块和制定配电网实时调度策略的DRL模块构成;采用GRL算法求解该调度问题,包含基于GAT的环境感知和特征提取及基于深度确定性策略梯度（Deep deterministic policy gradient,DDPG）的决策过程。算例以修改后的IEEE-33节点系统说明该调度策略可以有效降低网络损耗、与主网联络线交换功率、运行费用和电压偏移且提高新能源消纳率,验证了GAT-DDPG算法的泛化能力。