本文在智能电网攻击检测问题中，运用机器学习算法，以统计学习方法建立攻击检测框架。通过对攻击向量的统计和几何学属性的分析，检验算法在IEEE测试系统上的性能，实验结果表明，机器学习算法能够检测出攻击的性能比在攻击检测框架中使用状态向量估计方法的算法具有更高的表现。

Mar, 2015

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

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

本文介绍了用于检验大规模机器学习模型的计算工具，重点解决了其应用到电力系统问题时出现的困难；作者提出了一种方法可同时验证多个验证问题，并使用双重化程序将线性等式和不等式约束编码到检验问题中。

Jun, 2023

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

本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于GNN的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

Sep, 2023

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

通过从不同电网的音频和电能记录生成频谱图，利用特征明显的电网频率（ENF）模式辅助电网分类，本文提出了一种新的电网分类方法。该方法采用四种传统机器学习分类器和一个经由神经网络结构搜索优化的卷积神经网络（CNN）进行逐一分类，然后将这些分类结果综合到一个浅层多标签神经网络中进行训练，最终得出每个样本的确定性分类预测。实验结果表明，所提出的方法在验证和测试的准确率上超过了现有最先进的分类器，突显了其方法的有效性和鲁棒性。

Mar, 2024

提出了基于自监督学习的框架用于检测和识别各种类型的网络攻击，该框架利用大量未标记的感知数据中的隐式模式来学习具有概括性和有效性的表示，同时结合少量标记数据训练特定任务的分类器，以及提出了一种新的损失函数来解决现实世界中训练数据不平衡的问题，实验结果表明该框架在电力网系统中表现出优越的性能。

May, 2024