Apr, 2023
应用机器学习中的电网行为模式和泛化风险
Power Grid Behavioral Patterns and Risks of Generalization in Applied Machine Learning
Shimiao Li, Jan Drgona, Shrirang Abhyankar, Larry Pileggi
TL;DR
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。
Abstract
Recent years have seen a rich literature of
data-driven
approaches designed
for
power grid
applications. However, insufficient consideration of domain
knowledge can impose a high risk to the practicality of the m
发现论文，激发创造
演化网络拓扑下的电网运行风险评估的图神经网络
该研究探讨了图神经网络在没有明确的高分辨率信息（发电机状态、电网拓扑和电力调度决策）的情况下，能否识别未来几个小时内电网的风险状况。研究发现，基于图神经网络的可靠性和风险评估具有快速而准确的预测能力。
May, 2024
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，优于当前最先进的方法。
Apr, 2024
电力电网智能故障分析
本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。
Nov, 2017
具有未知模式和性能保障的配电网线路故障识别
在这项研究中，我们提出了一种实用而稳健的检测方法，仅利用现有的电压幅值，消除了昂贵的相角或功率流数据的需求，并通过梯度下降学习后事故分布的参数，以及添加 Bregman 散度约束解决可行性问题，证明可以及时检测和定位停电，无需假设已知停电模式。
Sep, 2023
可再生能源系统和电网优化中的分布式解决方案赋能
该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。
Oct, 2023
配电网负荷预测的全球建模方法
该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。
Apr, 2022
静态电源网格模型的采样策略
本研究提出一种基于 Correlation Sampling 算法的机器学习方法，可以更好地解决电网电量计算问题，相应的神经网络结构应当考虑输入数据的相关性以及历史数据的质量和规模，与传统的 copula-based 方法相较，该算法能更广泛地覆盖采样空间。
Apr, 2022
智能电网中基于机器学习的对抗攻击方法研究
研究探讨了智能电网中机器学习的安全性问题，发现深度神经网络方法易受对抗性扰动影响，并指出目前机器学习算法在智能电网中面对各种对抗性攻击的弱点，尤其是在故障定位和类型分类方面。
Mar, 2023
利用机器学习在电力网络模型中从静态特征预测动态稳定性
本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险，结果表明只需少量网络指标即可量化网络重定向流量的能力，得到高于 0.996 的平均预测精度。
Oct, 2022