为了更有效地提高智能电网的运行效率和智能程度,近年来机器学习相关的技术也逐渐开始应用到智能电网中。其中尤其以神经网络最为流行,神经网络可以通过调整内部大量神经元之间互相连接的方式和权重达到自我学习的目的。在神经网络的训练过程中需要考虑鲁棒性,而随机敏感度可以量化模型对于扰动样本的敏感程度。随机敏感度其可用于鲁棒模型上计算样本的噪声程度或者衡量模型的鲁棒性和稳定性。本文提出了基于随机敏感度的神经网络技术,从数据预处理和模型优化的角度提升现有神经网络模型的性能,并将该技术应用到智能电网中的两个细分领域,所应用的两个领域分别是非侵入式负载监测和短期风速区间预测。非侵入式负载监测的研究重点是使用总电表的数据来分解整个房子中的电器的使用情况。在这项工作中,不同电器的开关情况差别巨大,如冰箱几乎一直是开启状态,而咖啡机只有少部分时候是开启的。这是一个不平衡分类问题,本文通过引入随机敏感度去除了少数类样本中的噪声样本,改进了传统的SMOTE（Synthetic Minority Oversampling Technique）过采样学习方案。实验结果表明,该方法在很多公开数据集与实际的非侵入式负载监测应用中具有良好的性能。短期风速区间预测的研究重点是对短期内具有极大波动性的风速构造预测区间。风力发电已经是当今最为热门的可再生能源,然而其具有极大的不确定性,使得高质量的预测区间成为一个挑战。本文先提出针对预测区间问题的随机敏感度,再将其和两个预测区间评价指标一起构造三目标优化方程,并使用NSGA-III（Non-dominated Sorting Genetic Algorithm III）进行多目标优化以减少模型的局部泛化误差。同时,与以往的方案相比该方法减少了超参数的数量。实验结果表明,本文所提出的方法在不同的置信水平下都能提高短期风速区间预测模型的泛化能力。