本研究使用深度学习的方法，将电力系统的快照数据表示为二维图像进行处理，进行线路 N-1 安全性和小信号稳定性的评估，比传统方法快 255 倍以上，并可以正确确定危险点的准确度超过 99%。

Mar, 2019

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

探索量子和混合量子 - 经典神经网络在电力流分析中的潜在应用。使用基于 IEEE 4-bus 和 33-bus 测试系统的两个小型数据集进行实验，并对量子、混合量子 - 经典和经典神经网络进行系统性能比较。结果表明，开发的混合量子 - 经典神经网络优于量子和经典神经网络，因此可以改善基于深度学习的电力流分析在噪声中等规模的量子 (NISQ) 时代。

Nov, 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

我们提出了一种新颖的方法，引入了三个指标：系统复杂性指数（SCI），人工智能稳定性的李雅普诺夫指数（LEAIS）和纳什均衡鲁棒性（NER）。SCI 量化了人工智能系统的内在复杂性，LEAIS 捕捉了其稳定性和对扰动的敏感性，而 NER 评估了其对对手操纵的战略鲁棒性。通过比较分析，我们展示了我们的框架相对于现有技术的优势。我们讨论了理论和实践的意义，潜在的应用，限制以及未来的研究方向。我们的工作通过提供一种全面的、理论上有基础的人工智能安全评估方法，为安全可靠的人工智能技术的发展做出了贡献。随着人工智能的不断发展，通过跨学科合作优先考虑和推动人工智能安全是确保其对社会的益处负责任的部署至关重要。

Apr, 2024

通过物理信息神经网络（PINNs）整合物理规律的先验知识，本研究提出了一种新颖的方法用于加速电力系统状态估计，以监测电力系统的运行情况。该方法在保持高准确性的同时，显著降低了状态估计的计算复杂性，实验证明其准确度提高了 11％，结果的标准偏差降低了 75％，收敛速度提高了 30％。

Oct, 2023

为了应对气候变化，需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面，可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量，发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外，应用所提出的方法，还能准确识别出电力网的易受攻击的节点。最后，发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时，也具有准确性和实用性。

Jun, 2022

该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。

May, 2024

通过最大化神经进化框架下人工神经网络模型的准确性和最小化功耗，本研究提出了一种新的变异策略，引入了模块层的随机重新引入，通过训练过程中同时训练两个模型以推动其中一个模型的功耗更低且准确性相似，结果表明功耗降低了 29.2%，但预测性能基本不受影响。

Jan, 2024

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