现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而，在实际应用中，干扰后出现短期电压不稳定的情况很少，导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战，本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构，提出了一种稳定性评估 Transformer (StaaT) 作为分类模型，反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响，本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成，帮助创建一个平衡且代表性的训练集用于分类器。此外，还实施了半监督聚类学习来提高聚类质量，解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性，并且即使增加了可再生能源的渗透，方法的有效性仍然保持一致。比较结果表明，CWGAN-GP 生成的数据集更平衡，而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案，适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。

Oct, 2023

本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。

Sep, 2022

使用图神经网络算法处理测量的相位测量单元数据，并提高了该算法对电力系统多种类型和数量测量的集成，同时提高了其鲁棒性。

Apr, 2023

本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

Sep, 2020

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

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

该论文提出了一种基于半监督多任务学习的新型机器学习框架，用于电力系统动态安全评估，具有准确性、可靠性和意识到拓扑变化的特点。该框架的学习算法通过集成条件掩码编码器和采用多任务学习进行分类感知特征表示，提高了准确性和适用于更大系统的可扩展性。此外，该框架还整合了对预测的置信度度量，提高了可靠性和可解释性。该框架还引入了拓扑相似性指标，以增加对拓扑的认识。对 IEEE 68 总线系统进行了各种实验来验证所提出的方法，使用了两种不同的数据库生成技术来生成所需的训练机器学习算法的数据。结果表明，我们的算法在准确性和鲁棒性方面优于现有的基于机器学习的安全评估技术。最后，我们的工作强调了使用自动编码器进行安全评估的价值，突出了准确性、可靠性和鲁棒性的改进。所有使用的数据集和代码已公开共享，以确保可重现性和透明度。

Jul, 2024

本论文提出了一种基于数据驱动的电力系统评估方法，采用图神经网络进行状态建模，并通过分布感知学习实现了电力系统稳定性评估的快速预测和高效计算。

May, 2022

通过扩散模型提出的对抗净化方法在对抗攻击下大幅提高了事件分类器的准确率，满足实时操作需求，同时减小了原始和受损的数据之间的距离，降低了对抗攻击的影响。

Nov, 2023