随着“碳达峰、碳中和”口号的提出,电网的稳定性及其韧性对国民经济生活的影响越来越大。如何构建一个坚强智能的电网在电力学科领域受到了相当程度的关注。考虑到电力系统的各个组件常年运行在复杂的环境中,加上近些年新能源接入电网的比例逐渐增大以及提倡多主体参与的电力市场改革进入深水区,电网的稳定安全面临着一个更为复杂严峻的形势。电网发生故障后,调度人员需要在尽可能短的时间内,准确判断故障,并最大限度地恢复停电区域的供电。本文以电网中的故障诊断技术及停电恢复技术为研究对象,讨论并建立了一个基于深度强化学习框架的电力系统故障智能处理方案,实现了对系统内样本数据不平衡类型的故障有效诊断以及停电恢复顺序的辅助决策支持方案。本文首先对电力系统中特定场景的故障通过转换成故障参数的方式利用深度强化学习方法进行诊断。传统基于数据驱动的智能诊断方法需要大量的历史数据作为支撑,对于诊断目标样本数据不平衡的场景,其能力往往有限。为了提高人工智能方法的能力,摆脱对大量标记数据的依赖,本文将深度强化学习中的深度Q网络算法与分类任务结合,将故障分类问题转换为顺序决策问题,提出了一种在样本数据不平衡场景下性能更优的故障诊断方法。其次,在故障发生后如何进行网络重构,以最大限度恢复停电区域负荷的供电,同时又不引起非停电区域过负荷,在操作上还要最为经济,方便,这是电网在发生不可避免的停电事故后需要解决的问题。电网停电恢复问题是一个多目标,多约束,离散寻优问题。基于传统场景积累的专家知识在日渐复杂的新型电力系统面前显得略有不足。深度强化学习其特别适合组合优化问题的特点,使之在解决带有随机因素参与的顺序决策问题上表现出色。本文提出了一种基于优势演员评论家算法的停电恢复模型,能够在较少的人工干预的情况下智能地形成停电恢复方案,为调度运行人员提供辅助决策支持。最后,本文还在开源的Serenity平台上开发了一个基于Web应用的电力系统故障智能处理平台,将以上两个功能模块封装到平台中。该平台具有对用户友好的交互页面,用户可通过上传故障数据以及停电信息数据、选择电网模型及算法模型等操作,从平台获得一套端到端的故障诊断及停电恢复方案的辅助决策建议。