电力行业是国家重要的基础性行业,保障电力系统的安全稳定运行对国家安全、社会稳定及人民生活有重大意义。电力系统是一个复杂多维非线性系统,其安全可靠运行依赖与电力系统的“大脑”——电网调控系统。该系统的核心在于通过对电网运行过程中的信息数据进行挖掘,实现对电网的运行状态和发展趋势的感知并在态势感知的基础上做出相应的调控决策。然而,随着电网结构不断扩展,电力大数据呈现海量多源异构的特点,传统的数据挖掘方法已经难以应对多变的数据来源和结构形式。随着人工智能技术的发展,以深度学习为代表的数据驱动人工智能技术在高维复杂数据的特征挖掘方面取得了长足发展。于是,如何通过人工智能技术将电力多源异构数据挖掘与电网调控系统中的感知和决策需求相结合,成为本文的研究关键。因此,本文以短期风功率预测、电力设备红外图像识别与故障检测、用户用电行为预测与辨识,分别作为发电侧、输电侧和配电用户侧的典型态势感知场景,研究相应的基于多源异构数据挖掘的深度学习技术,并且对如何利用知识图谱将系统运行态势感知与电网调控系统中的决策需求有效结合进行研究。本文的主要研究工作和贡献如下:（1）发电侧针对风力发电的波动性和随机性,提出了一种基于注意力机制门控循环神经网络的多步风功率预测方法。一方面,提出了一种基于序列到序列的多步风功率预测模型,通过将多步预测任务之间的内在联系加以利用并综合考虑多种影响风功率预测的因素（环境、气候、地理）等,提高了多步风功率预测的准确性和稳定性;另一方面,设计了一种基于注意力机制的特征选择方法。在每一步的预测过程中,注意力机制能够针对预测目标评估当前输入变量的重要程度,对不同环境下影响风功率预测准确性的输入特征进行选择,从而提高了模型预测的准确性。（2）输电侧从电力设备红外图像数据挖掘的角度出发,提出了一种基于边缘感知生成对抗网络的电力设备识别与故障检测技术。首先,针对实际工业应用中可用数据缺乏以及数据集分布不均衡的情况,提出了一种利用电力设备对象边缘特征的基与生成对抗网络的电气设备红外图像生成方法。从红外图像设备提取的边缘特征被用作先验知识,以指导红外图像的生成,从而为数据驱动人工智能方法提供有效的数据扩增。紧接着,设计了一种基于深度学习的电力设备红外图像识别与故障检测框架,并利用所提出的数据扩增方法解决了检测过程中红外图像数据集少量、不均衡的问题,从而能够准确、有效的对电力设备红外图像进行智能化识别与故障精准检测。（3）配电用户侧从用户用电数据挖掘的角度出发,提出了一种基于卷积门控循环网络的用电行为特征挖掘模型,综合考虑了用户用电数据空间上的全局特征和时间上的局部特征,提升所挖掘特征指标的可靠性和代表性。同时,为了使模型的训练更具针对性并提高模型的学习能力,使用K-means聚类首先对用户用电数据进行预处理,根据聚类结果针对性的训练相应的特征挖掘模型,进一步提升用电行为特征挖掘模型的学习效率。最后,使用真实的用户用电数据对所提出的方法在负荷预测、异常用电行为检测两个典型场景方面的表现进行了评估与比较,多方位的验证了所提方法的有效性和优越性。（4）在系统运行态势感知技术的基础上进行了延伸,通过知识图谱将电网运行态势感知技术与电网故障处理的调度决策领域相结合。首先,提出了一种面向电网调度故障处理的知识图谱框架与构建方法。然后在此基础上,对基于知识图谱的电网故障处理决策辅助技术进行了初步探索。针对电网线路及设备的典型故障场景,提出了一种基于知识图谱的电网故障处理决策辅助技术,能够为系统感知到的故障提供相应的处置建议和调度决策辅助。最后,所提出的方法能够结合电力系统运行实时态势感知的优势,实现知识图谱的动态更新,保障了知识的传承与积累。