- 利用先前未见工具使大型语言模型能够执行电力系统模拟：以 Daline 为例
通过将实验技术与大语言模型（LLM）相结合，科学研究的转型正在改变研究领域，提供了超越专业问题解决的人工智能能力，成为人类科学家的研究助手。该研究提出了一个模块化框架，将电力系统和 LLM 领域的专业知识集成，以解决 LLMs 在电力系统仿 - 人工智能在可再生能源领域的现状与未来发展：全面调查
利用人工智能算法，研究了人工智能在可再生能源领域的应用，包括可再生能源发电、能源预测和能源系统优化等方面，分析了其性能和结果，并总结了人工智能在能源行业发展中的重要性和未来方向。
- 短期电力需求的任意分位数概率预测
该论文提出了一种新颖的通用方法，能够预测任意分位数，并应用于两种不同的神经网络结构，在短期电力需求预测任务中取得了最新的分布预测结果。
- 利用空间环境背景进行电力系统防火网的在线功率流规划
通过开发一个基于 Moore 邻域模型的动态模型来捕捉火势蔓延的不确定性，我们提出了一个在线优化建模框架来顺序规划电力网络中的电力流动，以此来应对澳大利亚的森林火灾对电力系统的重大影响。
- 考虑不完全的拓扑信息的电力系统中虚拟数据注入攻击定位：时空图小波卷积神经网络方法
研究了虚拟数据注入攻击对电力系统安全和稳定运行的严重威胁，提出了一种基于时空图神经网络的攻击定位方法，通过综合分析案例，严谨地证明了该方法的准确性和有效性。
- 大型电力系统基础模型
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 - 应用大型语言模型于电力系统：潜在安全威胁
应用大型语言模型（LLMs）于电力系统可以提升决策和运营效率，但也可能带来潜在安全威胁。本文分析了应用 LLMs 于电力系统可能造成的威胁，并强调了对紧急研究和开发应对措施的需求。
- 基于 PINNs 的瞬态稳定性分析不确定性量化
本研究利用物理信息神经网络（PINNs）的集成模型（E-PINNs）来解决具有缺失参数和摆动方程中的不确定性传播的电力系统的暂态稳定性挑战，并在提高准确性和降低计算负载方面估计关键参数的角度和惯性系数。E-PINNs 利用摆动方程的基本物理 - 用输入凸神经网络学习最优潮流值函数
通过机器学习来学习凸近似解，以实现在线设置下较快的分析，并允许与其他凸依赖决策问题的耦合，从而在这些复杂问题中实现小精度换取速度上的巨大收益，以高效地探索广阔的解空间。
- 使用退出一个样本最大对数似然目标稳定训练概率模型
基于数据驱动方法的概率建模用于电力系统运行和规划过程，需要充足的大型数据集。本文提出一种自适应的核密度估计模型，通过分配可学习的权重给核心实现了该模型的性能改进，同时使用修正的期望最大化算法加快优化速度，并通过和高斯混合模型的比较，表明所提 - 利用多头卷积神经网络和深度生成模型实现次日边际排放的即时预测
通过使用多头卷积神经网络，本研究提出为给定的独立系统运营商生成次日边际和平均排放预测的方法，并呈现了一种近实时的工作流程以完全开发给定调度计划的排放影响。
- 电力市场的价格感知深度学习
深度学习对电力价格产生影响，本研究探讨了预测误差如何传播到电力价格中，并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性，我们建议将电力市场结算优化嵌入深度学习层，通过这一层进行不同程度的预测和定价误差平衡，而不仅仅是最小化预 - 机器学习检测网络攻击并区分电力系统干扰类型
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 - 用 GPU 加速的机器学习模型验证在电力系统中的应用
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。
- 机器学习推断电力系统吸引盆地
提出了一种基于平衡库容计算的机器学习技术，通过测量数据推断典型电力系统中引起运行中断的吸引盆地，并证明该技术可以准确预测系统是否能在大幅度随机扰动后返回到功能状态，同时还可以用于推断典型混沌系统中的吸引子。
- 基于模型的深度强化学习电压控制策略高效学习
提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。
- 电力系统中基于多通道 GNN 的类型信息应用于事件检测
该研究提出了一种基于多通道图神经网络的电力系统事件检测方法，利用语义和拓扑通道来处理短文本、专业术语和少量标记数据等问题，并在模拟和真实数据集上实现了较高的检测准确率。
- 使用超结构图卷积网络评估分布系统可靠性
本文研究了在电力系统中采用基于图卷积网络和超结构表示学习框架的人工智能工具，以提高分布式电网规划的计算效率和预测准确性。结果发现，这种超结构图卷积神经网络对比当前方法和其他七种深度学习模型更优。
- 物理约束下的电力系统故障定位后门攻击
本文首次提出了一种新型物理约束的后门攻击方法，将攻击信号嵌入学习模型中，在遇到相应的信号时才执行攻击，研究结果表明 DL 在电力系统故障定位任务中存在鲁棒性问题，因此后门攻击对于电力系统中的 DL 实现构成了真正的威胁。
- 基于混合 AI 的相量测量单元数据异常检测模型
本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。