本文探讨了利用人工智能和溶解气体分析的变压器故障诊断的最新技术，并分析了不同方法的优缺点。研究旨在提供对变压器故障诊断和人工智能在保证电力系统可靠运行中的作用的有价值的见解。

Apr, 2023

应用知识图谱和梯度提升决策树技术，我们提出了一种能够有效学习少量高维数据的方法，用于电力变压器的安全状态评估和故障分析，取得了相比于神经网络和逻辑回归等其他方法更高的预测准确性，并在进步性、实用性和广泛应用潜力方面有显著改进。

Feb, 2024

本文介绍一种基于学习的稳健方法，用于诊断配电网开关设备的状态，这对于维护终端用户的电能质量至关重要。这种方法通过引入一个扩展的特征向量，包括环境数据、温度读数、开关位置、电机运行、绝缘条件和局部放电信息，解决了传统诊断模型过于依赖专家知识且鲁棒性不足的问题。我们通过特征映射来解决高维度问题。该方法引入了一个决策半径来对未标记样本进行分类，并结合有监督和无监督损失以及一致性正则化函数来更新模型参数。这种方法即使在有限数量的标记样本下也能确保稳健学习。比较分析表明，该方法在准确性和鲁棒性方面明显优于现有模型。

Nov, 2023

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

本研究使用可解释人工智能方法的 SHAP，通过机器学习从中识别贡献最大的传感器来检测感测器之间的变化，并利用奥氮平来测试其方法的应用性，从而证明了这种方法可以提高传感器方法的效率和准确性。

Jun, 2023

探讨了特征工程对于解决物理系统数据诊断过程中存在的数据质量，噪声干扰，决策模型不精确等挑战的影响作用；论文使用特征筛选、降维和决策模型等方法，在 118 个节点的电力系统上进行了数据驱动的故障诊断，同时比较了多种高级技术在该领域的应用。实验结果表明，特征筛选和降维方法的联合应用可以有效提高数据质量，提高物理系统的诊断准确性。

Mar, 2023

研究使用机器学习和数据同化技术，利用替代模型对地质碳储存项目进行集成，并在保持高保真度的情况下得到后验状态的结果。结果表明，利用机器学习模型进行数据同化可以显著提高标准 ESMDA 过程的速度，并且使用替代模型实现的随机最大似然方法在确定性建模和不确定性量化方面优于传统的 ESMDA 方法。

Feb, 2024

通过使用非负张量分解的统计行为分析方法，我们在聚变反应实验中展示了提高特异性和准确性的能力，从而能够识别出电网系统中的异常情况。

Oct, 2023

本研究利用深度学习，将时间序列编码为各种类型的图像，并使用卷积神经网络对其进行分类，其中采用 GASF/GADF 和 MTF 技术进行编码。通过在 20 个标准数据集上使用 TILE CNNs 进行学习，本方法取得了与当前九种最佳时间序列分类方法具有高度竞争力的结果。同时，本文还使用 DA 对经过编码的 GASF 图像进行降噪自编码器的培训，并在 4 个标准数据集和一个合成复合数据集上证明，使用 GASF 图像进行插值可以将测试数据的均方误差降低 12.18％-48.02％。分析了由 Tibed CNNs 和 DAs 学习到的特征和权重，解释了本方案的工作原理。

Jun, 2015

本文中，我们使用混合（离散 / 连续）动态贝叶斯网络（DBN）对逆水气转移系统（RWGS）进行建模，并展示了如何使用概率推断跟踪系统状态。通过从真实数据中进行测试，证明了混合 DBNs 在监测复杂实际物理系统方面的可行性。

Dec, 2012