该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

Feb, 2024

本文介绍一种基于学习的稳健方法，用于诊断配电网开关设备的状态，这对于维护终端用户的电能质量至关重要。这种方法通过引入一个扩展的特征向量，包括环境数据、温度读数、开关位置、电机运行、绝缘条件和局部放电信息，解决了传统诊断模型过于依赖专家知识且鲁棒性不足的问题。我们通过特征映射来解决高维度问题。该方法引入了一个决策半径来对未标记样本进行分类，并结合有监督和无监督损失以及一致性正则化函数来更新模型参数。这种方法即使在有限数量的标记样本下也能确保稳健学习。比较分析表明，该方法在准确性和鲁棒性方面明显优于现有模型。

Nov, 2023

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

该论文提出了一种利用谱嵌入方法来解决分布式能源资源对配电网中变压器过载的问题，通过使用电压基拉普拉斯矩阵的前 k 小的特征值辨别电表和母变压器之间的映射关系，该方法通过 IEEE 测试系统和真实饲养器的数字模拟实验证明了其可行性。

May, 2022

本文探讨了忽视电网特有的空间时间特征在模型设计和训练中所带来的泛化风险，提供了电网的各种行为模式及其观察结果作为参考，并对现有的机器学习方法进行了评估。

Apr, 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

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

本论文研究了如何在物理控制系统中高效检测数据分布的异常点，提出了利用归纳式一致性预测和异常检测方法进行检测的方案，并通过仿真实验在自动驾驶和紧急制动系统中得到了良好的实验结果。

Jan, 2020

本文提出了一种新的基于数据驱动的方法，利用智能电表的能源测量时间序列来识别低压电力系统的网络拓扑结构，包括负载相位连接，并应用主成分分析及其图论解释推断拓扑结构。通过在随机生成的网络和 IEEE 公认的 Roy Billinton 分布测试系统上进行模拟演示，验证了所提出方法的有效性。

Sep, 2016

本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。

Oct, 2022