通过使用模拟通信网络 (SRCON) 框架，利用机器学习和专家模型，该研究详细介绍了一种基于真实网络数据的能效模拟方法，用于预测网络能效和用户设备服务质量，从而优化移动网络的能源消耗。

Dec, 2023

本文利用人工智能的计算机视觉技术，设计了一种非侵入式负载监测方法，用于智能电能管理。通过信号变换和图像处理技术，将一维电流信号映射到二维的彩色特征图像，并利用深度神经网络识别电能负载，从而实现云端、非侵入式的用户监测，从而在电力系统控制中节约能源成本。实验结果表明，该方法在大规模物联网中实现了高效的能源管理。

Aug, 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

提出了基于功率线通信 (PLC) 基础设施测量的两个数据集，主要研究低压配电网络的使用案例，包括资产管理、电网状态可视化、预测性维护和新颖性检测等多个方面，强调了机器学习在现实数据中实现对电力网的提取和应用的潜力。

Sep, 2022

为了降低成本并推动本地可再生能源利用，本文基于欧盟技术指导，综合在线分层 EMS，并通过混合模糊推理系统 - 遗传算法模型和 LSTM 预测，实现智能电网中可再生能源社区成本最小化，并超越自给自足策略，实现 20% 的节约。

Jan, 2024

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

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

机器学习和深度学习的快速发展使得在电力系统的电力负荷预测等应用方面取得了广泛的成果。本文提出了一种可解释的深度学习方法，通过学习每个神经网络对输入时间特征进行关注的线性组合来实现。并且，我们提出了多尺度时序分解方法来处理复杂的时间模式。在比利时中央电网负荷数据集上进行了案例研究，结果表明所提出的模型相对于频繁应用的基准模型具有更好的准确性。此外，本方法不仅能展示特征的解释性，还能展示与其他基准方法相比的时间解释性，同时还能获得全局时间特征的解释性，这使得我们能够捕捉到负荷数据的整体模式、趋势和周期性，同时揭示了各种与时间相关的特征在形成最终输出中的重要性。

Feb, 2024

由于人口增长和技术进步，全球的电力消耗和二氧化碳排放都在增加。住宅部门占全球电力消耗的 25%，具有提高效率和减少二氧化碳排放的潜力，同时不降低舒适度。然而，缺乏涵盖多个地区的家庭级统一消耗数据，限制了大规模研究和强大的多区域模型开发。本文介绍了一个多区域数据集，该数据集由公开资源编制而成，以统一的格式呈现。这些数据支持诸如细化数据、需求预测、电器开关分类等机器学习任务。此外，我们开发了一个 RDF 知识图谱，描述了各个家庭的电力消耗，并与家庭相关属性进行语境化查询，以及与其他开放知识库（如维基数据和 DBpedia）的互操作性。这种结构化数据可用于基于数据的政策和业务发展，为各利益相关者提供信息支持。

May, 2024

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