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

本文提出了一种联邦学习机制，结合混合卷积神经网络体系结构，并利用图形神经网络和 LSTM 层中的本地相关性和数据时间模式，以在分布式设置中灵活且高效地训练 FDIA 检测器，同时保护客户的隐私。

Jun, 2023

研究了虚拟数据注入攻击对电力系统安全和稳定运行的严重威胁，提出了一种基于时空图神经网络的攻击定位方法，通过综合分析案例，严谨地证明了该方法的准确性和有效性。

Jan, 2024

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

基于因果推断和图注意力网络（GAT）的联合 FDIA 检测和定位框架用于识别受攻击的系统节点，通过提取因果关系模式，该框架在 FDIA 检测和定位任务上表现出高解释性和稳健性。

Sep, 2023

本文提出了一种基于联邦学习的隐私保护和通信高效的攻击检测框架 FedDiSC，通过联合训练攻击检测模型，利用表示学习的深度自编码器网络精确检测电力系统和网络安全的异常，利用 DP-SIGNSGD 等梯度隐私保护量化方案，提高其通信效率，并在公开的工业控制系统数据集上验证了其有效性。

Apr, 2023

本研究提出了一种无监督对抗自编码器（AAE）模型，用于检测不平衡电力分配网格中的虚假数据注入攻击（FDIAs），并在 IEEE 13 巴士和 123 巴士系统上展示了其在检测网络攻击方面的卓越性能。

Mar, 2024

使用遮蔽模型和自监督学习提出了一种用于传感器故障检测、隔离和修复的新框架，该方法通过捕捉不同传感器之间的复杂时空关系提高了传感器测量的准确性和可靠性。

Mar, 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

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