提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的方法。
Apr, 2024
该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。
May, 2024
研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。
Mar, 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
智能电网系统面临多种网络安全威胁，基于人工智能技术的解决方案被越来越广泛地运用，然而最新的敌对系统（如生成对抗网络）的出现使得目前的 AI 技术很容易被攻破，我们需要更多的研究方向来保护智能电网系统。
Feb, 2022
本文介绍智能电网网络所面临的网络安全挑战及攻击分类，并阐述了一种基于 OSI 模型的攻击分类方法，同时提出了新的检测和对抗技术分类，并探讨了未来研究方向。
Jun, 2022
综述了基于图数据的异常检测技术，包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点，最后探讨了基于图结构数据的异常检测领域的未来研究方向。
本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。
Apr, 2014
本文在智能电网攻击检测问题中，运用机器学习算法，以统计学习方法建立攻击检测框架。通过对攻击向量的统计和几何学属性的分析，检验算法在 IEEE 测试系统上的性能，实验结果表明，机器学习算法能够检测出攻击的性能比在攻击检测框架中使用状态向量估计方法的算法具有更高的表现。
Mar, 2015
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