通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类（DBSCAN）异常值检测方法，剔除异常值，考虑到气象和社会因素，对三个考虑了每小时用电量，天气和日历特征数据集进行季节性划分，在所有季节性数据集中有效地减少了低估和高估误差，降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。

Feb, 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

基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

Dec, 2016

该文提出了一种基于 Gated Recurrent Unit 的深度学习方法，用于预测澳大利亚维多利亚州在野火季节中的电力负荷，模型考虑到多个因素，使用降温关联因素以及灵活的数据输入结构，与 LSTM 相比表现更好，可以实现 3％的平均预测 MAPE，对维多利亚州而言可能有年度能源节约 8046 万澳元的潜在效益。

Apr, 2023

本文研究了循环神经网络在数据驱动下的噪声动力学系统模拟行为，训练了一组 LSTM 网络，发现在训练噪声变大时，LSTM 更多地依赖其自主动力学而不是噪声输入数据。

Apr, 2019

本文提出了一种新的解决方案，利用粒子群优化算法自主探索和优化超参数、多头注意机制识别准确预测所需的关键特征，并采用高效的计算框架，通过对一个真实的用电需求数据集进行严格评估，实验结果表明，该方法在准确性、鲁棒性和计算效率方面具有显著优势，其平均绝对百分比误差为 1.9376，相较于现有最先进的方法标志着短期负荷预测的新时代的开启。

Sep, 2023

通过研究诸如历史负载和天气预报等输入要素，本文分析一类负载预测算法的可靠性与安全性，提出了一种名为数据注入攻击的潜在威胁，并证明了温度恶意数据的注入可能会导致系统操作的显著且有针对性的损失。

Apr, 2019

该研究探讨了与预测模型相关的潜在隐私风险，重点关注其在智能电网背景下的应用。深度学习（如 LSTM）等基于深度学习的预测模型在优化智能电网系统等多个应用中发挥关键作用，但也引入了隐私风险。研究分析了预测模型泄漏全局属性和对智能电网系统隐私的威胁的能力，并证明对一个 LSTM 模型的黑盒访问可以揭示相当于访问数据本身的大量信息（ROC 曲线下的面积差异仅为 1%）。这凸显了保护预测模型与数据具有相同重要性的重要性。

Sep, 2023

对深度非侵入式负荷监测（NILM）基线模型进行敏感性研究，揭示常用 CNN-based NILM 模型在面对 Fast Gradient Sign Method 等对抗攻击时的脆弱性及其对能源管理系统的潜在影响。

Jul, 2023

本文提出了一种基于扩散的序列到序列结构来估计认知不确定性，并使用强健性添加的柯西分布来估计位置不确定性的方法来预测电气负载预测。与精确预测条件期望相比，我们展示了我们方法在分离两种不确定性和解决突变情况方面的能力。

May, 2023