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

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

本研究探讨使用端到端机器学习直接预测可靠性指标，提出了基于输入特征的系统阻抗矩阵编码的机器学习流程，通过对输电线路的定期维护对特定拓扑变化的影响进行考虑，使用支持向量机和 Boosting Trees 进行训练和比较，实验证明了该方法在可靠性评估中的适用性。

May, 2022

通过提出神经网络框架 Truth Table rules (TT-rules)，将规则模型的全局和精确可解释性与深度神经网络的高性能相结合，将神经网络转化为基于规则的模型，该模型在医疗应用中表现出与其他可解释方法相当或更高的性能。

Sep, 2023

该研究提出一种后处理方法通过使用 EM 算法和简化模型来提高树模型的可解释性，并进行了人工合成实验以证明该方法的可行性。

Jun, 2016

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

本文提出了一种新的范式，使用一个可解释的二层神经网络学习一组独立的逻辑规则作为分类的模型，并提出一种基于稀疏性的规则得出算法，相比其他学习算法和黑匣子模型，该方法可以在分类准确性和简单性之间取得更好的平衡。

Mar, 2021

本论文提出一种构建可预测的决策树代替神经网络的方法，决策树易于人类理解，能够量化预测未来行为，从而提高决策的可信度和使用范围。

Sep, 2021

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

本文提出了一种新的解释性神经网络框架，可以生成自然语言的分类解释，试图弥合人类推理和深度神经网络推理相差的鸿沟。该模型在 CUB 鸟类分类和解释数据集上获得了 METEOR 分数 37.9，为目前最高水平。

Oct, 2017