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

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

通过使用卷积神经网络（CNN）和长短期记忆网络（LSTM），本文介绍了一种创新的方法来建立可靠的时间序列预测模型，用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性，显著提高预测准确性并增强电网可靠性。

Oct, 2023

通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

Oct, 2023

通过使用MCReSANet构建高度非线性的谐波电压和电流之间的数据驱动模型，本文提出了解决分布系统中不同负载之间相互作用对谐波电压和电流关系的分析建模问题的方法。使用芬兰和德国的两个数据集进行实证分析，证明了MCReSANet能够建立准确的非线性映射，并且相较于CNN和MLP模型，在降低MAE和模型不确定性方面实现了显著的改进。此外，通过特征重要性分析，揭示了谐波电压和电流在分布系统中各阶谐波之间的详细关系，以及不同负载类型对谐波电流排放的影响模式，从而增强了对分布系统中不同PE负载引起的谐波电流排放的理解和预测能力，为优化不同电网环境下的电能质量提供了更有效的管理手段。

Nov, 2023

使用相关元数据来生成高质量的合成能源数据的条件扩散模型相比于传统方法表现出更好的性能，具有较低的Frechet Inception Distance（FID）得分和Kullback-Leibler divergence（KL散度）的减少。

Mar, 2024

介绍了一种新颖的基于流的生成模型FCPFlow，可用于产生条件和无条件的住宅负荷曲线（RLP）和概率负荷预测。该模型通过引入可逆线性层和可逆正则化层来展现出在连续条件下适用、在不同数据集上可扩展性强以及相对于深度生成模型更好地捕捉RLP的复杂相关性等三个主要优点。

May, 2024

该论文提出了一种基于元学习算法的短期负荷预测方法，通过少量训练样本在任意长度的未知负荷时间序列中快速适应和泛化，并通过历史负荷消耗数据集的评估表明，该方法能够准确预测负荷，比传统的迁移学习和任务特定的机器学习方法提高了12.5%的准确度。

Jun, 2024

本研究解决了在电力系统中，电能时间序列数据（ETS）建模过程中的通用表示学习难题。提出的PowerPM基础模型通过 temporal encoder 和 hierarchical encoder，有效捕捉ETS数据的时间依赖性及其层次间关联，并运用新的自监督预训练框架，实现了在多种下游任务中显著提高性能，展现了强大的泛化能力。

Aug, 2024

本研究解决了电力配电系统神经状态估计中的一个关键问题，即当前模型在传感器损失和分支切换等电网变化中的适应性不足。我们发现图神经网络在此应用中表现最佳，并提出了增强方法以改善其性能，同时进行了全面的模型配置网格搜索，以应对常见的零样本学习情境。

Aug, 2024