统一调度、统一决策是强耦合一体化大电网安全可靠运行的根本需求,而多级协调调度是我国多年来形成的又一制度优势,从而确保电力设施安全运行。为解决全网综合决策与各级调度分散控制之间的矛盾,国家电网公司设计了“多目标经济运行域"、"多维度实时评估与自主优化技术"、"分区电网源荷协同优化控制技术”等不同的分析方向,其中有功无功协调控制方法是“分区电网源荷协同优化控制技术”中非常重要的组成部分,因此研究有功-无功协调控制方法是实现大电网智能调度、智能电网安全运行的关键一环。通常,对于这类问题,通常采用两种主要的解决方案,即经典的数学计算方法和人工智能启发式算法。然而,这些人工智能算法都不具备知识迁移的能力,每一个优化任务都是独立进行的,一旦执行一个全新的任务,就要重新初始化,不能高效利用起过去优化知识,导致算法的优化搜索时间较长,难以满足大规模电力系统的快速优化决策的需求。提出了一类基于迁移强化学习优化算法,用于电力系统有功无功一体化调度问题求解的基本思路。该方法将历史源任务的最优知识网络存储起来,用于形成新优化任务的最优知识网络,从而达到加快新任务下寻优速度的目的。对于电力系统有功无功协调优化问题而言,构建了分层的分散式迁移强化学习框架。上层通过全局主智能体实现不同智能之间的协同,下层各智能体利用迁移强化学习快速获取局部系统中的最优解。总的来说,将逐步展示迁移强化学习应用到有功无功一体化调度中的方法,具体如下:（1）首先研究了强化学习单智能体如何学习一体化调度决策知识,并融合了迁移学习的优点,使智能体能够在一个未知的新环境中高效地获取新知识,短时间内提高可能解的质量。将历史任务的最优网络保存下来,作为新任务优化测试的指导,可以有效地减少盲目的随机搜索,提供初始值的质量,从而提高寻找最优解的速度,最后利用电力系统经典有功无功协调优化问题进行性能验证。（2）其次研究了多智能体优化算法如何应用到多任务非线性迁移强化学习中,并提出了由主智能体领导的分层优化的框架。底层根据不同任务分工协作,上层主智能体来进行最优组合动作。采用一致性理论实现智能体之间的合作与协同学习,建立多个历史任务的源任务库,最后设计算例时添加了风光储系统对分散式的有功无功协调优化方法进行了性能验证。