本论文提出了一种基于数据驱动的电力系统评估方法，采用图神经网络进行状态建模，并通过分布感知学习实现了电力系统稳定性评估的快速预测和高效计算。

May, 2022

该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法，该方法在 IEEE 118 总线基准系统上的实验表明，相较于现有的 PSSE 求解器，该方法的性能提高了接近一个数量级。

Nov, 2018

本论文综述了近期基于深度学习算法的电力系统监测和优化算法，以应对由于可再生能源资源集成而引起的电力系统的规模、复杂性和动力性的增加，以及历史测量数据收集的趋势和快速发展的深度学习领域的最新进展。

Mar, 2023

本文提出了一个基于贝叶斯分析的安全性论据框架，该框架使用运行数据和最新的深度学习验证技术，支持多种形式的预测，并针对实际的关键系统进行了建模和验证。

Mar, 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

本文提出一种基于混合整数线性规划的框架，首次在电力系统应用中验证神经网络行为，能够确定神经网络分类为安全或不安全的输入范围，并且能够系统地识别对抗性示例，从而提高神经网络在电力系统中的鲁棒性和可靠性。

Oct, 2019

本研究通过深度学习技术来改善电力系统监测和优化算法，着重于应用图神经网络提升电力系统状态估计，并利用强化学习动态重构分布网络。通过广泛的实验和模拟验证了所提出方法的有效性。

Sep, 2023

基于深度迁移学习的测量装置定向测量方法通过深度学习有效处理了面对电力系统短期电压稳定性评估（STVSA）的拓扑变化、样本标注和小规模数据集等挑战，并在 IEEE 39-bus 测试系统上进一步证实了其在处理拓扑变化方面的适应性，通过与传统方法相比提高了约 20% 的模型评估准确性。这种方法还利用 Transformer 模型的自注意力机制对浅层学习方法和基于深度学习的其他方法具有明显优势。

Aug, 2023

本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

Nov, 2017

现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而，在实际应用中，干扰后出现短期电压不稳定的情况很少，导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战，本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构，提出了一种稳定性评估 Transformer (StaaT) 作为分类模型，反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响，本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成，帮助创建一个平衡且代表性的训练集用于分类器。此外，还实施了半监督聚类学习来提高聚类质量，解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性，并且即使增加了可再生能源的渗透，方法的有效性仍然保持一致。比较结果表明，CWGAN-GP 生成的数据集更平衡，而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案，适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。

Oct, 2023