- 电力系统中的异常检测与上下文无关学习
提出了一种新颖的上下文感知异常检测算法 GridCAL，它考虑了常规拓扑和负荷 / 发电变化的影响，通过将实时功率流测量值转化为上下文不可知的值，以统一的统计模型为基础进行异常检测。数值模拟结果表明，该方法准确且计算效率高，优于当前最先进的 - 神经网络嵌入优化的 ReLU 激活函数线性化：最佳日前能源调度
本文研究了针对常用的修正线性单元（ReLU）激活函数的线性化方法，为将神经网络模型与 ReLU 激活函数结合的优化问题提供了有效解决工具。
- 基于序列到序列预测的电力系统状态估计
本文提出一种端到端的深度学习框架，以准确预测实时多步电力系统状态估计，该模型采用序列到序列框架和双向门控循环单元（BiGRUs），在现有模型中具有卓越的预测能力表现。
- 因子图上的图神经网络用于基于 PMUs 的鲁棒、快速、可扩展的线性状态估计
使用图神经网络算法处理测量的相位测量单元数据，并提高了该算法对电力系统多种类型和数量测量的集成，同时提高了其鲁棒性。
- MM基于不同时域的增强风速混合变压器网络预测
本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。
- 通过对抗性攻击利用负载预测的漏洞
通过研究诸如历史负载和天气预报等输入要素，本文分析一类负载预测算法的可靠性与安全性，提出了一种名为数据注入攻击的潜在威胁，并证明了温度恶意数据的注入可能会导致系统操作的显著且有针对性的损失。
- 深度学习用于电力系统安全评估
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%。
- 利用深度强化学习的自适应电力系统应急控制
本文提出一种利用深度强化学习进行电力系统紧急控制的方法，并设计了一个名为 “RLGC” 的开源平台来辅助这种方法的开发和基准测试。通过在两区四机系统和 IEEE 39-Bus 系统中的案例研究，证明了该方法的优异性能和鲁棒性。
- MM电力系统中的机器学习是否存在漏洞？
本文探讨了机器学习在电力系统中的安全性问题，并指出目前大多数算法容易受到对抗性输入数据的攻击，因此需要设计更加健壮和安全的算法。
- 基于概率专家建议的最优发现：有限时间分析和宏观最优性
本研究针对电力系统安全分析中的一个问题，提出基于乐观主义和 Good-Turing 缺失质量估计器的算法，证明其性能的两个不同的遗憾界。同时，在更严格的假设下，与口头策略和均匀采样相比，证明了宏观最优结果。最后，提供了数值实验来说明这些理论