本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

Feb, 2022

本研究针对分布式能源资源在智能电网中所带来的网络安全威胁，提出了基于 Shapley 值解释和 Ward 最小方差公式动态量化分析攻击风险，实现可靠、公平、透明、可重现、有责任的可信人工智能机制，在最新数据集上验证了该机制的有效性。

Jun, 2023

基于深度强化学习的状态对抗方式，提出了一种创新的无模型韧性调度方法，用于具备集成需求响应功能的集成能源系统，该方法能够充分应对可再生能源和负载所带来的不确定性，并减轻网络攻击对调度策略的影响，确保各种能源的稳定供求，并具备抵御网络攻击的韧性。

Nov, 2023

本论文综合调查了深度学习在智能电网和需求响应中的应用，主要包括负载预测、状态估计、能量盗窃检测、能源共享与交易等方面，并提出了如何充分利用深度学习技术应对该领域中的重要问题和潜在方向。

Jan, 2021

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

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

通过数据驱动技术和工业及住宅建筑的案例研究，本文不仅揭示了在平衡和新兴灵活性市场中机构的关键机遇，还成功开发了机构的端到端实用工具，验证了其操作能力，并为弹性和高效能源系统的演进作出了贡献。

Jan, 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

本文介绍了一种基于动态学习的无功功率攻击方法，该攻击可以针对独立工作的电力系统，并且可以在其他发电机和使用者独立操作的情况下有效。

Apr, 2022

使用深度强化学习（特别是深度 Q 网络）确定户用电动汽车的成本减少充电策略，该策略可为终端用户节约超过 20% 的电费开支。

Oct, 2023