研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。

Aug, 2018

本文通过使用基于人工智能的语义分割模型，对用于识别受攻击的移动网络信号的频谱感知方法进行漏洞分析，并证明缓解方法可以显著减少基于人工智能的频谱感知模型面对敌对攻击的漏洞。

Sep, 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

本文系统地回顾了过去 20 年中的文献和研究结果，发现对于能源系统的研究来说，远程感应数据和机器学习等自动化方法是从海量数据中提取有效信息的关键。然而，方法标准化以及数据伦理和隐私问题等限制需要逐渐解决。

Feb, 2022

本文提出了一种基于深度学习技术的时空深度网络 PowerFDNet，用于 AC 模型电网中 SFDIA 检测，PowerFDNet 可以有效地建模测量的时空结构，并在基准智能电网上的实验结果证明了其性能的显著改善，同时作者们还实现了一个 IoT 导向的轻型原型，证明了它在移动设备上的潜在应用。

Jul, 2022

利用深度径向基函数（RBF）网络，本文描述了一种增强智慧城市交通智能的新策略，该方法能够从交通数据中提取有价值的见解，并通过深度神经网络的分层结构来学习预测交通状况、识别拥堵模式并提供优化交通管理策略的建议。

Jan, 2024

本文旨在开发一种两阶段的异常检测模型，通过集成机器学习技术 - 支持向量机和朴素贝叶斯，使用集成混合技术进行预测，以及神经网络分类器和随机森林算法进行结果分类，提高工业物联网网络的可靠性。测试结果表明，该模型的准确性最高可达 99％，且优于传统的技术。

Jan, 2021

本文提出了一种方法学习如何在能源领域中开发，部署和评估 AI 系统，以提高其可靠性、可控性和解释性，使用电力系统事件预测（PEF）作为示例应用，通过对同步相量测量单元（PMUs）测量的相量数据进行物理理解和采用基于机器学习的算法来预测所需需求，将物理维度与机器学习模型融合，实现降维和提高预测精度的目标。

Nov, 2021

通过改进的随机 Hough 变换技术，我们通过线性特征和空间分布来解决 UAV 图像中传输线路的检测准确度低和误报率高的问题，通过使用 Hessian 矩阵进行初始预处理和边界搜索和像素行分割来与背景进行区分，我们成功减少了误报和漏检，从而提高了传输线路识别的准确性。实验证明，与传统和随机 Hough 变换方法相比，我们的方法不仅处理图像更迅速，而且检测结果更好。

Feb, 2024

该研究提出了一种深度学习驱动的异常检测系统，结合可解释的机器学习模型，用于识别工业传感器化船舶 TUCANA 中的性能异常，该系统不仅提高了安全性、效率和可持续性，还推动了成本有效和智能化的海上交通运输的新时代。

Dec, 2023