智能电网正变得越来越复杂，对其中各种新能源装置进行准确物理建模可能是不现实的也是不可行的。就控制器设计、系统监测，性能评估等功能而言，即使物理模型可用，模型也可能过于复杂而难以处理。智能电网中大量的量测数据可以容易地由成熟的数据采集装置进行收集。此外，这些数据以历史数据和运行期间的实时数据形式存在。我们如果能充分利用这些在线或离线量测数据，对于直接控制器设计，系统状态预测和评估，决策制定，实时优化执行，故障诊断都具有重要意义。本文针对上述数据驱动建模和数据驱动控制理论和方法在智能电网中的创新和实践展开了深入研究，并取得了如下研究成果：
　　与常规负载建模方法不同，提出一类稀疏学习方法，着重解决以下两个问题，一个是协调负载模型结构的准确性和简洁性，另一个是负载模型参数的校准，同时实现负载模型结构选择和参数校准。提出了一种数据驱动建模方法，可同时估计网络降阶模型的等效阻尼系数和拓扑参数用于确定网络降阶模型来表征低频振荡。更具体地说，所提出的方法利用稀疏表示从备选字典函数中选择最主要的非线性项以平衡数据适应性并实现模型学习。
　　电力系统中存在着低频振荡现象，准确定位低频振荡参与机组并采取有效的控制措施以提高系统阻尼、快速平息系统振荡是大电网安全稳定运行的重要保障。针对负阻尼或弱阻尼振荡找到振荡解释机理，并提出有效、准确的定位准则。从非线性角度切入并利用功角关系来等效二阶转子模型，进一步利用Hamilton分析来解释低频振荡机理。在这里，低频振荡源定位问题转化为辨识等效负阻尼系数。
　　提出一种深度Koopman模型预测控制以完全数据驱动的方式提升电网暂态稳定性。由于电网暂态过程的高维和非线性特性，利用Koopman算子将原始非线性动力学映射到无限维空间中的线性动力系统。为促使控制器设计，利用深度神经网络方法有效地训练可观测函数以近似Koopman算子，所得到的动力学系统在较高维空间中为线性系统。对所得到的较高维空间中的线性系统提出了一种模型预测控制策略。所提出的控制方案利用储能系统在同步发电机端注入或吸收有功功率以提升系统的暂态稳定性。
　　研究由多个微电网互联组成的未来配电网系统的系统范围稳定性评估。特别地，研究了在输电线路有损的情况下互联微电网系统范围稳定性。受到电力电子和同步量测技术的推动，下垂控制方法在互联微电网中引入以实现自主有功功率共享。考虑频率和电压下垂控制，首先通过小信号稳定性分析方法评估互联微电网的稳态稳定性。进而，基于Lur’e系统理论，通过设计Lyapunov函数给出系统范围渐进稳定性的线性矩阵不等式判据。
　　最后对全文进行了归纳与总结，并对数据驱动建模与数据驱动控制问题的进一步研究和未来发展方向进行了展望。