本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

Jul, 2019

本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法，该模型结合了指数平滑（ETS）、先进的长短期记忆（LSTM）和集成方法。模拟研究表明，该模型的性能非常高，竞争力强。

Mar, 2020

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

本文提出一种解释性机器学习方法，利用基于Koopman算子的数据驱动方法识别负载动态，将其分解为相干的时空模式，并根据其单一频率独立演化，特别是那些具有同步动态的电站。结果表明，这种基于Koopman算子的方法在精度和计算效率方面优于深度学习方法（LSTM）。

Apr, 2023

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

比较了两种深度学习模型——长短期记忆网络（LSTM）和双向 LSTM（BLSTM）在电力消耗时间序列（TS）短期预测方面的效果，利用不同背景和规模的四个数据集，其中BLSTM表现优于LSTM。

May, 2023

本文介绍了Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们利用HEDGE填补了可用数据的不足，为住宅分布式能源资源特性和协调的研究提供了数据支持。

Oct, 2023

探讨大型基础模型如何在电力系统中发挥潜力，通过验证其在电力系统领域的四个代表性任务（包括最优功率流、电动汽车调度、电力工程技术报告的知识检索和情景感知）上的表现，证明基础模型在提升电力系统操作流程的效率和可靠性方面具有强大的能力，并提供了关于将基础模型在电力系统应用中的未来部署的建议和展望。

Dec, 2023

借助基础模型（FMs）在电力网络中的应用潜力，我们提出并阐述了基于图神经网络的GridFM概念以及其对于电力网络中不同下游任务的益处，强调了FMs在复杂性和不确定性管理方面利用人工智能重新定义电力网络的能力。

Jul, 2024

本研究解决了在电力消耗特征（ECP）建模中因数据获取受限而导致的模型构建问题。提出了一种新颖的少量学习方法，结合Transformer和高斯混合模型，以克服传统方法的局限性。研究结果表明，该方法能够以极少的数据准确恢复复杂的ECP分布，并且比现有的时间序列建模方法表现更优，同时保持轻量和可解释的特点。

Aug, 2024