研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

Aug, 2018

通过使用人工智能技术，本研究提出了一种新颖的智能电网基于模型的网络攻击检测方法，以阻止监控控制和数据采集系统（SCADA）上接收的负载数据的数据完整性网络攻击（DIAs），并使用回归模型进行负载数据的预测，以及通过无监督学习方法对处理后的数据进行聚类，以实现最佳性能。实验结果表明，EE-BiLSTM 方法比其他两种方法更稳健和准确。

Dec, 2023

本文研究如何更好地利用消费者的电表读数来估算负载情况以实现电力网络规划优化，并使用深度神经网络方法与传统方法进行比较，结果表明深度神经网络方法优于传统方法，该方法可用于提高动态定价的支持。

Jun, 2016

智能电网系统中的能量窃取检测和能量消费预测是两个相关的挑战。该研究提出了一种组合了长短期记忆和去噪扩散概率模型的解决方案，通过利用重建和预测误差，系统能够识别能量窃取的实例。在实验中，该方案在能量窃取检测和能量消费预测问题上优于基准方法，并且集成方法显著提高能量窃取检测的性能。该研究为解决能量窃取检测和能量消费预测挑战提供了全面有效的解决方案，展示了智能电网系统的良好结果和改进的安全性。

Jul, 2023

使用基于深度学习的数据驱动框架识别、诊断和定位工控系统中智能电网上的一种类型的网络攻击，该方法结合了自编码器、基于长短期记忆（LSTM）的递归神经网络和深度神经网络，并在 IEEE 14-bus 模型上进行了实验验证。

Sep, 2020

基于机器学习的智能电网攻击检测模型，通过利用来自相量测量设备（PMUs）的数据和日志，学习系统行为并有效识别潜在的安全边界。研究使用来自不同 PMUs、继电器嗅探警报和日志的 15 个独立数据集验证了提出的模型，结果显示随机森林模型在检测电力系统扰动方面表现最佳，准确率达到了 90.56%，有助于操作人员的决策过程。

Jul, 2023

智能电表、再节点化、基于深度学习的剖析攻击、神经网络嵌入以及家庭用电记录

Apr, 2024

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

基于深度循环模型的海上监视方法，利用公开可用的自动识别系统（AIS）数据，通过对观测到的船舶运动模式进行编码和重建，结合阈值机制对计算的观测和重建的运动模式之间的误差进行处理，通过训练深度学习框架（编码器 - 解码器架构）使用观测到的运动模式，使模型能够学习和预测预期的轨迹，并与实际轨迹进行比较，研究展示了具有回归丢失的双向门控循环单元（GRU）在捕捉海上数据的时间动态方面表现出卓越的性能，彰显了深度学习在增强海上监视能力方面的潜力，为未来领域的研究奠定了坚实基础，通过技术的创新应用为改善海上安全指明了道路。

Jun, 2024

我们的研究旨在开发一种在当代生活环境中对住宅占用进行隐私保护和有效检测的模型，利用基于深度学习技术的混合 Transformer-RNN 模型，使用每小时的智能电表数据，在具有不同特征的住户中实现近 92％的准确度，并通过与最先进的模型（包括基于注意力的占用检测方法）的比较验证了其有效性。

Aug, 2023