glassoformer: a query-sparse transformer for post-fault power grid voltage prediction
University of California Irvine（加州大学欧文分校）；Purdue University（普渡大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）；The University of Utah（犹他大学）
我们提出了GLassoformer，一种新的和有效的Transformer架构，利用组Lasso正则化，以减少查询的标准自我注意力机制的数量。由于稀疏查询，GLassoformer比标准Transformers计算效率更高。在电网故障后电压预测任务中，GLassoformer在准确性和稳定性方面明显优于许多现有的基准算法。
2022-01-22 cs.LG eess.SP
Dynamic Fault Characteristics Evaluation in Power Grid
Xuzhou Power Supply Bureau（徐州供电局）；Nanjing Power Supply Bureau（南京供电局）；Nanjing University of Finance & Economics（南京财经大学）
针对电网运维智能化需求，提出结合知识图谱与时序数据的GNN电网故障检测方法，可精准定位故障节点并分析故障传播规律。
2024-01-27 cs.CL cs.LG eess.SP
Predicting Fault-Ride-Through Probability of Inverter-Dominated Power Grids using Machine Learning
Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Technical University of Dortmund（多特蒙德工业大学）
本文构建合成电网动态仿真数据集，以故障清除后保持在穿越曲线内的概率为训练目标，验证机器学习可准确预测逆变器主导电网的故障穿越概率并泛化至 IEEE-96 系统。
2024-06-13 cs.LG cs.SY eess.SY
Learning From High-Dimensional Cyber-Physical Data Streams for Diagnosing Faults in Smart Grids
University of Windsor（温莎大学）；University of New Brunswick（新不伦瑞克大学）；Canadian Institute for Cybersecurity（加拿大网络安全研究院）
本文研究智能电网高维数据流下的故障诊断，通过结合特征选择、降维与决策模型，在118节点系统中比较多种方法，提出提升数据质量的设置。
2023-03-15 cs.AI cs.LG
Optimizing a Digital Twin for Fault Diagnosis in Grid Connected Inverters -- A Bayesian Approach
Centre Tecnològic de Telecomunicacions de Catalunya（加泰罗尼亚电信技术中心）；Aalborg University（奥尔堡大学）；LUT University（拉彭兰塔工业大学）
本文提出了一种基于超参数整定的贝叶斯优化数字孪生模型，用于诊断并网逆变器的各种故障。由于故障检测和诊断需要非常高的精度，我们将我们的努力引导到数字双胞胎的在线优化上，这反过来又允许在有限的数据量下灵活实施。因此，所提出的框架不仅成为有限数据的数字孪生设计的模型版本化和部署的实用解决方案，而且还允许集成深度学习工具以提高超参数调整能力。对于分类性能评估，我们考虑不同的故障情况下，在虚拟同步发电机（VSG）控制的并网转换器，并证明我们的方法的有效性。我们的研究结果表明，我们的数字孪生设计实现了更高的准确性和保真度水平，克服了传统超参数调整方法的缺点。
2022-12-07 cs.LG cs.SY eess.SY
DeepONet-Grid-UQ: A Trustworthy Deep Operator Framework for Predicting the Power Grid's Post-Fault Trajectories
本文提出了一种新的数据驱动的电力系统故障后轨迹的可靠预测方法。该方法基于深度运营商网络（DeepONets）的全新概念。与学习近似函数的传统神经网络相比，DeepONets旨在近似非线性算子。在这个运营商框架下，我们设计了一个DeepONet，以（1）将通过模拟或相量测量单元收集的故障轨迹作为输入，以及（2）提供预测的故障后轨迹作为输出。此外，我们赋予我们的方法一个急需的能力，通过不确定性量化平衡效率与可靠/值得信赖的预测。为此，我们提出并比较了两种方法，使量化的预测不确定性。首先，我们提出了一种\textit{Bayesian DeepONet}（B-DeepONet），它使用随机梯度哈密顿蒙特卡罗从DeepONet参数的后验分布中采样。然后，我们提出了一个\textit{Probabilistic DeepONet}（Prob-DeepONet），它使用概率训练策略为DeepONets配备一种自动不确定性量化形式，几乎没有额外的计算成本。最后，我们使用IEEE 16机68总线系统验证了所提出的B-DeepONet和Prob-DeepONet的预测能力和不确定性量化能力。
2022-02-15 cs.LG cs.NA math.NA
Detecting and interpreting faults in vulnerable power grids with machine learning
UiT-the Arctic University of Norway（挪威北极圈大学）；Arva Power Company（Arva电力公司）；NORCE Norwegian Research Centre AS（挪威研究中心NORCE）
不定期的电力扰动会给用户和电网运营商带来严重后果。为了防范此类事件，有必要确定配电网络中断的原因。在这项工作中，我们专注于挪威社区在北极的电网，经历了几个故障，其来源是未知的。首先，我们构建了一个数据集，包括相关的气象数据和信息记录的电能质量计的当前电能质量。然后，我们采用机器学习技术来预测故障的发生。实验结果表明，线性和非线性分类器都取得了良好的分类性能。这表明所考虑的电能质量和天气变量很好地解释了电力扰动。解释分类器的决策过程为理解干扰的主要原因提供了有价值的见解。传统的特征选择方法只能指出哪些是平均而言主要解释数据集中故障发生的变量。除了提供这样的全局解释外，识别解释每个单独故障的特定变量集也很重要。为了应对这一挑战，我们采用了一种最新的技术来解释深度学习模型的决策过程，称为集成决策。所提出的方法可以获得详细的见解发生的特定故障，这是有价值的配电系统运营商实施战略，以防止和减轻电力扰动。
2021-08-16 cs.LG
Time series forecasting based on optimized LLM for fault prediction in distribution power grid insulators
Center of Technology and Systems (UNINOVA-CTS)（技术与系统中心（UNINOVA-CTS））；Associated Lab of Intelligent Systems (LASI)（智能系统联合实验室（LASI））；Faculty of Engineering and Applied Sciences, University of Regina（里贾纳大学工程与应用科学学院）
本文提出一种结合树结构Parzen估计优化、输入滤波与大语言模型的混合深度学习模型，用于预测高压绝缘子泄漏电流增加，在短期和中期预测中均优于现有深度学习方法。
2025-02-27 cs.AI cs.LG eess.SP
A Systematic Evaluation of Machine Learning Methods for Fault Detection and Line Identification in Electrical Power Grids
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
本研究首次在10毫秒关键时间窗内系统评估多种机器学习模型用于电网故障检测与故障线路定位，最优模型F1分数达0.991±0.018，处理时间0.342毫秒。
2026-09-16 cs.LG eess.SP
Robustness of Spatio-temporal Graph Neural Networks for Fault Location in Partially Observable Distribution Grids
Ghent University -- imec（根特大学--imec）
本文提出STGNN模型，通过对比不同图构建策略，提升配电网络故障定位的鲁棒性和效率，实验显示STGNN在F1得分和稳定性上优于RNN基线。
2026-05-08 cs.LG
A Fault Detection Scheme Utilizing Convolutional Neural Network for PV Solar Panels with High Accuracy
Lakehead University（湖首大学）；University of Toronto（多伦多大学）
本文提出基于CNN的光伏板故障检测方案，通过二分类和多分类实现高精度故障识别，效果优于先前研究。
2022-10-14 cs.CV cs.LG eess.IV
SunDown: Model-driven Per-Panel Solar Anomaly Detection for Residential Arrays
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
近年来，由于技术的快速改进和价格的下降，公用事业规模和住宅规模的太阳能装置都有了显着增长。与专业管理和维护的公用事业规模的太阳能发电场不同，较小的住宅规模的安装通常缺乏用于性能监测和故障检测的传感和仪器。因此，故障可能长时间未被检测到，导致房主的发电和收入损失。在本文中，我们提出了日落，一个无传感器的方法，旨在检测住宅太阳能电池板故障。SunDown不需要任何新的传感器来进行故障检测，而是使用模型驱动的方法，利用相邻面板产生的功率之间的相关性来检测与预期行为的偏差。SunDown可以处理多个面板中的并发故障，并执行异常分类以确定可能的原因。使用两年的太阳能发电数据从一个真正的家庭和手动生成的数据集的多个太阳能故障，我们表明，我们的方法有一个MAPE为2.98%时，预测每个面板的输出。我们的研究结果还表明，SunDown能够检测和分类故障，包括积雪，树叶和碎片，以及电气故障，准确率为99.13%，并且可以检测多个并发故障，准确率为97.2%。
2020-05-25 cs.CY cs.LG eess.SP
Latency-Aware Deep Learning Benchmark for Real-Time Cyber-Physical Attack and Fault Classification in Inverter-Dominated Power Grids
Emad Abukhousa（埃马德·阿布库霍萨）；Saman Zonouz（萨曼·宗努兹）
本文提出了一种延迟感知的深度学习基准测试框架，用于评估在逆变器主导电网中使用高保真时域信号进行电力系统异常检测的深度学习模型。通过系统评估从物理故障和网络攻击中生成的流数据集，评估了八种神经网络架构，包括MLP到Transformer。所有模型都能在亚周期响应时间低于15毫秒的情况下实时分类两种代表性多事件序列，但端到端推理延迟始终超过三个周期，范围从50到90毫秒。这些结果突显了算法能力与保护级部署之间的关键差距，指出了进一步优化和硬件加速的必要性。研究结果建立了可重复的亚周期异常检测基准，并为将机器学习方法从研究原型过渡到实际保护应用提供了指导。
2026-05-17 cs.AI cs.LG cs.SY
Generalization of Graph Neural Network Models for Distribution Grid Fault Detection
tabular cc Dept.\ of Information Technology, IDLab & Water
该研究针对配电网故障检测的拓扑鲁棒性需求，首次将GraphSAGE、GAT、GATv2引入RGNN流水线，通过IEEE 123节点网络基准测试发现RGATv2泛化性能最优。
2025-10-03 cs.AI cs.LG cs.SY
Fault Detection for agents on power grid topology optimization: A Comprehensive analysis
Fraunhofer IEE（弗劳恩霍夫IEE研究所）；Kassel University（卡塞尔大学）；Kiel University（基尔大学）
针对DRL电网拓扑优化智能体失效原因不明的问题，本研究通过聚类识别5类失效模式，提出多分类预测方法，其中LightGBM预测准确率达82%、存活/失效分类准确率达87%，还通过特征分析明确了电网关键特征与区域。
2024-09-17 cs.AI cs.LG cs.SY
Fault Detection in Solar Thermal Systems using Probabilistic Reconstructions
University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）
针对太阳能热系统故障检测问题，提出基于概率重构的异常检测框架，在PaSTS数据集上验证其可检测多样故障且泛化至未见过的系统，还证明异方差不确定性估计的重要性，论证简单深度学习模型的合理性。
2025-11-13 cs.LG cs.SY eess.SY
Real-Time Risky Fault-Chain Search using Time-Varying Graph RNNs
Rensselaer Polytechnic Institute（伦斯勒理工学院）
针对气候变化下电网连锁故障链实时搜索难题，提出将其建模为 POMDP 并用时变 GRNN 捕捉拓扑动态与时空依赖，实现可扩展的风险故障链识别。
2025-03-12 cs.LG cs.SY eess.SP
SolarBoost: Distributed Photovoltaic Power Forecasting Amid Time-varying Grid Capacity
DAMO Academy, Alibaba Group（阿里集团达摩院）
针对分布式光伏发电预测中电网数据缺失、容量时变等挑战，提出SolarBoost方法，将聚合功率分解为单位输出函数与动态容量的组合，并设计高效算法，经理论分析与多地部署验证，显著降低预测损失。
2025-10-24 cs.LG
Smart Fault Detection in Nanosatellite Electrical Power System
Department of Mechatronics, School of Intelligent Systems College of Interdisciplinary Science and Technology University of Tehran（机械电子系、智能系统学院 interdisciplinary 科学与技术学院 特拉布宗大学）；Faculty of New Sciences and Technologies University of Tehran（新科学与技术学院 特拉布宗大学）；School of Science and Technology Faculty of Science, Agriculture, Business and Law University of New England（科学与技术学院 科学、农业、商业与法律学院 新英格兰大学）
本文提出了一种基于神经网络的智能故障检测方法，用于纳卫星电气供电系统在无姿态确定控制系统的情况下进行故障诊断与分类。
2026-01-01 cs.LG
Reinforcement Learning with Probabilistic Boolean Network Models of Smart Grid Devices
Centro de Ciencias de la Complejidad (C3), Universidad Nacional Autónoma de México（墨西哥国立自治大学复杂性科学中心）；Centre de Recerca en Enginyeria Biomèdica, Universitat Politècnica de Catalunya（加泰罗尼亚理工大学生物医学工程研究中心）；Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México（墨西哥国立自治大学应用数学与系统研究所）；Lakeside Labs GmbH（Lakeside Labs 有限公司）；Institut de Recerca Sant Joan de Déu（圣琼德乌研究所）
智能电网领域需要不断提高其效率和弹性，以提供高质量的电力，在耐电网中，管理故障并避免故障。实现这一点需要高的组件可靠性，充分的维护，并研究故障发生。正确的系统操作涉及这些活动，以及检测、分类和隔离故障和故障的新方法，以及使用预测算法和分析（使用数据分析和资产状况来计划和执行活动）对流程进行建模和模拟。我们展示了一个复杂的自适应，自组织建模方法，概率布尔网络（PBN）的应用，作为一种方式对智能电网设备的动态的理解，并建模和表征其行为。这项工作表明，PBN是等价于标准的强化学习循环，其中代理/模型与其环境相互作用，并以奖励信号的形式接收反馈。不同的奖励结构是为了描述偏好的行为。该信息可用于指导PBN避免故障状况和故障。
2021-02-02 cs.LG cs.SY eess.SY
Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems
Department of Electrical and Electronic Engineering, Faculty of Engineering Sciences（电气与电子工程系，工程科学学院）
本文提出PISSM模型，结合物理信息与状态空间方法，提升无电网系统中太阳能预测的准确性和效率，通过轻量级设计实现实时控制。
2026-04-17 cs.AI cs.LG cs.SY
Classification of power quality events in the transmission grid: comparative evaluation of different machine learning models
TÜBİTAK Marmara Research Center（土耳其科学技术研究理事会马尔马拉研究中心）；Turkish Electricity Transmission Corp. (TEİAŞ)（土耳其输电公司）
本研究针对输电网电能质量事件按根本原因分类的需求，对比评估大量机器学习模型，发现Cubic SVM和XGBoost表现最优，相关模型将应用于土耳其输电系统的监测平台。
2025-03-17 cs.LG eess.SP
Offline Reinforcement Learning for Distribution-Grid Protection
Friedrich-Alexander-Universität Erlangen–Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Ostbayerische Technische Hochschule Amberg-Weiden（东巴伐利亚安贝格-魏登应用技术大学）
本研究利用离线强化学习（CQL）基于CIGRE中压网络静态轨迹实现配电网线路选择性跳闸，在225个保留情节中达到F1分数0.9738，并发现密集预测性能与终端保护行为可能导致不同模型排名。
2026-09-22 cs.LG cs.SY eess.SY
Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids
Semnan University（塞姆南大学）；Islamic Azad University（伊斯兰阿扎德大学）
本研究针对光伏发电不可预测性导致的智能电网管理问题，提出随机森林、XGBoost、lightGBM、CatBoost和MLP-ANNs等机器学习算法预测太阳辐射，发现随机森林表现最优且特征选择能提升MLP-ANNs性能。
2023-10-20 cs.LG cs.SY eess.SY
Impact of Data Sparsity on Machine Learning for Fault Detection in Power System Protection
Pattern Recognition Lab, Friedrich-Alexander-University Erlangen-Nuremberg（模式识别实验室，埃森纳赫-纽伦堡弗里德里希-亚历山大大学）；Institute of Electrical Energy Systems, Friedrich-Alexander-University Erlangen-Nuremberg（电气能源系统研究所，埃森纳赫-纽伦堡弗里德里希-亚历山大大学）
本文研究了数据稀疏性对电力系统保护中机器学习故障检测的影响，提出评估框架并验证了其有效性，发现FD鲁棒性高而FLI敏感性高。
2025-05-21 cs.LG eess.SP
Federated Physics-Grounded Reinforcement Learning for Distributed Stability Control in Smart Grids
研究智能电网暂态稳定性控制问题，提出FedPPO-PG框架，将其转化为协作多智能体强化学习问题，通过物理基础邻域、引导策略初始化和集中评论家等方法，在模拟中取得良好效果，减少稳定时间、降低控制功率且满足实时要求。
2026-07-08 cs.LG cs.SY eess.SY
DPFAGA-Dynamic Power Flow Analysis and Fault Characteristics: A Graph Attention Neural Network
Hampton University（汉普顿大学）；Advanced Technology Center（先进技术中心）
针对智能电网中ML方案标注数据不足、存在未知数据的问题，提出融合GAT、CAN与马尔可夫随机场概率图模型的框架，实现半监督故障诊断，兼顾计算效率与精度，在智能电网用例中验证了有效性。
2025-03-23 cs.LG
Predicting battery end of life from solar off-grid system field data using machine learning
数亿人用不上电。分散式太阳能电池系统是解决这一问题的关键，同时避免了碳排放和空气污染，但由于成本相对较高，而且位于农村地区，因此无法及时进行预防性维护。根据运行数据准确诊断电池健康状况并预测寿命终止，可改善用户体验并降低成本。但缺乏受控的验证测试和可变的数据质量意味着现有的基于实验室的技术无法工作。我们应用可扩展的概率机器学习方法来诊断1027个太阳能连接的铅酸电池的健康状况，每个电池运行400-760天，总计6.2亿个数据行。我们展示了73%的寿命终止预测准确率，提前八周，在故障点上升到82%。这项工作突出表明，有机会利用“大数据”技术，在不增加设备的情况下，从现有的测量数据中估计健康状况，从而延长使用寿命并提高实际应用的性能。
2021-07-29 cs.LG cs.SY eess.SY
