我国地理幅员辽阔,自然灾害种类繁多、发生频繁。如何维持电力系统在极端自然灾害下的正常运行并研究相应的恢复策略,已成为当下电力企业关注和积极探索的问题。在极端天气事件下,基础电力设施往往会遭遇大规模故障,若无法在有限人力、物力下制定高效的设施维修策略,则难以快速恢复用户供电,造成严重的社会和经济损失。目前,鲜有针对该领域的研究。本文结合国家杰出青年科学基金项目（项目号:51725701）的研究内容,围绕电力系统维修决策问题中存在的修复时间序列相依性、修复时间不确定性和故障信息不可及性开展研究,探索了灾后维修决策在系统加固规划中的应用,以促进电力系统快速恢复。由于外部天气状况和维修资源补给过程造成的复杂工况,故障设施（元件）的修复时间往往取决于维修任务序列的排列方式。针对该问题,以最小化灾后恢复期间累积负荷供给缺额为目标,建立考虑序列相依修复时间的维修决策模型,给出模型求解的两阶段优化方法。构建计及维修组寻路的维修前置时间模型、计及时变维修效率的维修持续时间模型,将其嵌入维修决策模型并进行线性化处理。为实现大规模系统应用,将原问题解耦为维修序列搜索问题和元件投运次序问题,分别采用双信息素搜索法和循环时序右移方法实现两阶段优化。将该模型应用于IEEE-30节点系统和IEEE-118节点系统,算例结果表明:考虑修复时间序列相依性对灾后损失具有重要影响,提出方法求解效率高于数学规划直接求解方法。由于灾后故障现场勘查结果具有主观性和粗糙性,故障元件修复时间可视为随机变量,调度人员需要根据维修任务的执行情况及时调整维修方案。首先,建立一种基于马尔科夫随机过程的动态维修决策模型,给出其决策点、动作集合、决策状态和状态转移方程的定义,构造考虑状态转移路径不确定性的代价函数。其次,针对模型中状态转移路径繁多的问题,设计一种基于前瞻策略近似的求解方法。将“等决策点间隔”模型输出的前瞻策略与阶段性平衡参数相结合,用于近似估计最优代价函数,进而求得当前状态下应分配的维修任务。最后,采用增加前瞻深度和建立拓扑查询表等措施进一步提高求解方法的精度和速度。将所提出方法应用于IEEE-14和IEEE-118节点系统,算例结果表明:在不确定修复时间条件下,所提出方法对应的系统灾后损失接近最优值;相较于传统随机优化方案,单阶段决策时间由小时级降低至分钟级,具有在线应用价值。极端天气状况下,交通/通讯系统可能发生瘫痪。此时,无法通过实地勘测等方式获取修复时间等故障信息。为此,构建一种具有故障场景泛用性的全局维修规则,提出全局维修规则的训练方法和集合拓展方法,并将拓展后的规则集合作为不完全故障信息下的维修策略。首先,以历史/模拟故障场景作为输入,以动态维修决策模型给出的局部维修规则作为学习对象,采用Ada Rank排序学习训练框架得到单条全局维修规则。然后,结合训练样本聚类思想,实现全局维修规则的分裂和特化,形成应对不同故障场景的规则集合。最后,使用基于多标签K近邻的筛选方法从规则集合中识别最优规则,实现不完全故障信息下的维修决策。将该方法应用于IEEE-118节点系统,算例结果表明:全局维修规则集合在可用信息较少的前提下,仍然保持了较高的精度;该方法在应用阶段无需构建优化模型,适用于灾前资源配置等需要大量灾后场景分析计算的问题。现有规划模型难以计及维修决策和灾后恢复过程。为解决该问题,提出一种四层数据驱动式加固规划模型及其求解算法。该模型在给定规划预算的前提下确定电力系统中各元件的可靠性参数优化方案,可同时计及极端天气事件气象不确定性和系统故障状态不确定性。第一层,得到各元件加固措施组合方案。第二层,使用元件存活率表征不同事件下的气象强度分布,基于历史数据构建其概率分布的置信集合。第三层,构建以存活率作为边缘概率约束的故障状态概率置信集合,克服原有精确评估指标高度非线性的难题。第四层,考虑故障状态及其维修决策之间的关系。进而,提出故障状态稀疏化和割平面约束方法实现模型的求解。将模型应用于地理分区后的IEEE RTS-79和IEEE-118节点系统,算例结果表明:相比于常用的鲁棒优化与随机优化模型,所提出模型能够更有效地降低灾后维修任务量,提升灾后恢复速率;同时,该模型规划精度随可用数据量增加而提高。