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

本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

Oct, 2022

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

通过数据驱动方法，本研究提出了一种高效的电网潮流学习方法，用于处理带有网络事故的电网系统，并估算相应的概率电压包络。该方法利用网络感知高斯过程预测电压功率函数，提出了一种多任务顶点度核方法，将学习到的核函数推广到未知的电网系统，同时降低了计算复杂度和超参数需求。通过在 IEEE 30-Bus 电网上进行的模拟实验，证明了该方法在 N-1 和 N-2 事故情景下保留和传递潮流知识的能力。对于低训练数据量（50-250 个样本）的 N-1 事故网络结构，与 VDK-GP 相比，多任务顶点度核方法的平均预测误差减少了 50% 以上。此外，即使没有历史 N-2 事故数据，多任务顶点度核方法在超过 75% 的 N-2 事故网络结构中也优于基于超参数的迁移学习方法。该方法相比基于蒙特卡洛采样的方法，仅需十六分之一的潮流解决方案即可实现概率电压包络。

Oct, 2023

利用半监督学习方法，本研究提出了一种结合未标记的事件数据样本的新型半监督框架，通过基于模态分析提取物理可解释特征，改进了现有事件识别方法。在南卡罗来纳合成网络上的数据生成、特征提取和事件识别结果表明，使用基于图的标签传播方法在事件识别性能上优于其他两种半监督学习方法，并可以明显改善相对于仅使用少量标记样本的情况。

Sep, 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

该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

Feb, 2024

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

最近，人们对利用机器学习进行电能质量事件（PQE）的准确分类越来越感兴趣。本文在先前的 PQE 分类研究基础上，提出了一个深度学习框架，利用注意力机制和 Transformer 来准确地在考虑到测量噪音、直流偏移以及电压信号幅值和频率变化的情况下进行 PQE 分类。实验证明，该框架的性能优于最近提出的基于学习的技术，其分类准确率在信噪比、直流偏移和信号幅值、频率变化等条件下能达到 99.81% 到 91.43% 不等。

Feb, 2024

本文在大数据时代提供了一个系统和全面的事件预测技术、应用和评估的调查，包括已经存在的技术、主要应用和评估方法的综述、开放问题和未 来方向。

Jul, 2020