RISE Controller Tuning and System Identification Through Machine Learning for Human Lower Limb Rehabilitation via Neuromuscular Electrical Stimulation
神经肌肉电刺激（NMES）已有效地应用于许多脊髓损伤（SCI）患者的康复治疗。在这种情况下，我们介绍了一种新的，强大的，基于智能控制的方法来闭环NMES系统。我们的方法利用鲁棒控制律来保证系统的稳定性和机器学习工具来优化控制器参数和系统辨识。关于后者，我们介绍了使用过去的康复数据来建立更现实的数据驱动的识别模型。此外，我们将所提出的方法用于下肢的康复，使用控制技术命名为鲁棒积分的符号的错误（RISE），离线改进的遗传算法优化器，和神经网络模型。尽管在文献中，RISE控制器在健康受试者身上表现出良好的效果，但在没有任何微调方法的情况下，反复试验的方法会很快导致SCI患者的肌肉疲劳。在本文中，第一次，RISE控制器进行了评估与两个截瘫患者在一个刺激会话和七个健康的人在至少两个和最多五个会话。结果表明，所提出的方法提供了一个更好的控制性能比经验调整，这可以避免过早疲劳的NMES为基础的临床程序。
2021-05-10 cs.SY eess.SP eess.SY
An Energy Consumption Model for Electrical Vehicle Networks via Extended Federated-learning
Chalmers University of Technology（查尔姆斯理工大学）
电动汽车（EV）的兴起促进了生态可持续发展的社会。然而，电动汽车的“里程焦虑”阻碍了其在客户中的广泛接受。本文提出了一种新的解决方案，范围焦虑的基础上，联邦学习模型，这是能够估计电池消耗，并提供能源效率的路线规划的车辆网络。具体来说，新方法扩展了联邦学习结构的两个组成部分：异常检测和共享政策。第一个组件识别模型学习中的阻碍因素，而第二个组件提供了车辆网络之间的信息共享时，共享是必要的，以保持学习效率的指导方针。这两个组件协作以增强对网络中数据异构性的学习鲁棒性。数值实验结果表明，该方法在不增加时间复杂度和不需要在车辆网络间传输原始数据的情况下，能够在异构数据分布下提供更高精度的车辆电池消耗估计.
2022-01-25 cs.LG cs.SY eess.SY
Dynamics and Optimization in Spatially Distributed Electrical Vehicle Charging
本文研究空间分布式电动汽车充电需求下用户自私选择所形成队列系统的均衡与全局收敛性，通过凸规划、拉格朗日对偶和李雅普诺夫理论刻画均衡及无政府代价，并扩展至需求弹性模型，仿真验证了全局行为。
2024-04-01 cs.SY eess.SY math.OC
Identification of Additive Continuous-time Systems in Open and Closed loop
本文提出一种新颖的连续时间系统辨识方法，可为开环和闭环设置提供加性模型，估计量具有通用一致性且能辨识临界稳定系统，数值仿真和实验数据验证了其有效性。
2024-09-25 cs.SY eess.SY
Electric End-User Consumer Profit Maximization: An Online Approach
智能电网概念内的通信技术的快速增长可以以在线方式从/向所有消费者提供数据和控制信号。这可以促进最终用户客户的更多参与。这些类型的客户不一定拥有强大的预测工具或存储大量历史数据的能力。此外，相关信息并不总是事先已知的，而决策需要在非常有限的时间内快速做出。这些局限性以及决策的新结构（它来自于在有限的信息量下快速做出决策的必要性）意味着需要研究一种新的框架：在线决策。在这项研究中，我们提出了一个在线约束凸优化框架，操作响应最终用户电力客户在实时。在这个在线决策框架内，算法提出了两种情况下：没有预测数据是在决策的时刻，和有限数量的向前时间段预测的不确定参数。仿真结果表明，该模型能够在一个易于实现的过程中实现可观的利润。进行了全面的数值测试案例，以与现有的替代模型进行比较。
2020-09-10 cs.SY eess.SY math.OC
FaultXformer: A Transformer-Encoder Based Fault Classification and Location Identification model in PMU-Integrated Active Electrical Distribution System
FaultXformer通过双阶段Transformer编码器实现高精度故障分类与定位，优于传统深度学习模型。
2026-02-27 cs.AI cs.LG cs.SY
A Novel Power-Band based Data Segmentation Method for Enhancing Meter Phase and Transformer-Meter Pairing Identification
提出基于功率频带的数据分割（PBDS）方法，通过选取高相关电压段计算相关性，有效解决高功率下电压降导致的电表相位与变压器-电表配对误识别问题，在13条馈线验证中显著提升准确性和鲁棒性。
2023-09-14 cs.SY eess.SY
Causative Cyberattacks on Online Learning-based Automated Demand Response Systems
本文探讨了基于AI的自动需求响应系统在开放通信信道下的因果型数据完整性网络攻击漏洞，并基于纽约大学校园建筑数据设计了数据驱动攻击策略，验证了篡改实时激励、事件数据和用户响应的可行性与影响。
2023-07-27 cs.CR cs.LG cs.SY
Data-Driven Nonlinear Identification of Li-Ion Battery Based on a Frequency Domain Nonparametric Analysis
Vrije Universiteit Brussel (VUB)（布鲁塞尔自由大学）
本文提出了一种数据驱动的多项式非线性状态空间模型，用于电池在线性与非线性区域临界点的运行点识别，通过频率域非参数分析量化电池在不同荷电状态下的线性和非线性行为。
2018-05-17 cs.SY eess.SY
Parameter Estimation in Electrical Distribution Systems with limited Measurements using Regression Methods
针对测量装置稀少的老旧低压配电网，本文利用节点子集的时序电压、电流数据和可计算代理量，比较多种加权回归方法估计支路总阻抗，并在真实馈线仿真中验证其有效性。
2023-08-18 cs.SY eess.SY
Multiple Vehicles and Traction Network Interaction System Stability Analysis and Oscillation Responsibility Identification
针对铁路系统车辆与牵引网络电气不兼容致系统不稳定等问题，提出基于组件连接的建模方法及多级灵敏度分析方法，可识别关键车辆和参数，还给出系统级测试流程，经案例研究验证了方法正确性。
2026-07-14 cs.SY eess.SY
Advancements in Arc Fault Detection for Electrical Distribution Systems: A Comprehensive Review from Artificial Intelligence Perspective
本文从人工智能视角全面综述了配电系统电弧故障检测的最新进展，探讨了多种检测方法并突出了基于AI方法的卓越性能，为未来研究提供了结构化框架。
2024-12-22 cs.SY eess.SY
Tractable Identification of Electric Distribution Networks
针对配电网辨识中估计过程病态、计算量大的问题，提出两种导纳矩阵估计方法，在保证精度的同时提升了计算效率。
2023-08-22 cs.SY eess.SY
Suppressing seizure via optimal electrical stimulation to the hub of epileptic brain network
该研究构建融合系统辨识与控制策略的模型预测平台，证明刺激癫痫脑网络枢纽可取得与直接刺激SOZ相当的癫痫抑制效果。
2024-06-14 cs.SY eess.SY q-bio.NC
Agentic-AI based Mathematical Framework for Commercialization of Energy Resilience in Electrical Distribution System Planning and Operation
ABB Ability Innovation Center, Hyderabad（ABB能力创新中心，海得拉巴）；Indian Institute of Technology Tirupati（印度理工学院蒂鲁帕蒂分校）
提出一种结合双智能体PPO与市场机制的数学框架，在配电系统规划与运行中实现韧性商业化，通过智能决策优化DER配置，在10个测试回合中达到平均韧性得分0.85和效益成本比0.12，创造可持续市场激励。
2025-08-06 cs.GT cs.LG cs.SY
Detailed Primary and Secondary Distribution System Model Enhancement Using AMI Data
本文提出一种高度自动化的新方法，利用AMI和DAS测量值结合ACOPF估计客户功耗及变电站电压，提升含高渗透率DERs的配电馈线模型准确性，并通过OpenDSS验证。
2021-05-29 cs.SY eess.SY math.OC
Fast Distribution Grid Line Outage Identification with $μ$PMU
Stanford University（斯坦福大学）；Arizona State University（亚利桑那州立大学）
本文提出基于μPMU的随机时间序列分析的数据驱动故障监测方法，通过功率流分析证明线路故障后电压时间序列的统计特性显著变化，利用最大似然方法直接学习分布参数，实现快速准确的故障识别。
2018-11-14 cs.LG cs.SY eess.SY
Phase Identification of Smart Meters Using a Fourier Series Compression and a Statistical Clustering Algorithm
配电系统中相连通性的准确标记对于维护和操作是重要的，但通常是错误的或丢失的。在本文中，我们提出了一个过程，以确定哪些智能电表必须在同一阶段使用层次聚类方法的电压时间序列数据。我们不直接处理时间序列数据，而是应用傅里叶变换来表示频域中的数据，去除傅里叶系数的$98\%$，并使用剩余的系数来聚类处于相同相位的仪表。通过确认仪表的集群（阶段）成员资格在两个月的时间段内没有变化来验证该过程的结果。此外，我们还确认属于配电网络内相同馈线的电表被正确地分类到相同的集群中，即分配到相同的相位。
2022-12-24 cs.SY eess.SY stat.AP
Quick Line Outage Identification in Urban Distribution Grids via Smart Meters
Stanford University（斯坦福大学）；Arizona State University（亚利桑那州立大学）
分布式能源（DER）在配电网中的日益整合，提出了各种可靠性问题，由于DER的不确定性和复杂的行为。随着DER在配电网中的大规模渗透，传统的停电检测方法，依赖于客户报告和智能电表的最后喘息信号，将具有较差的性能，因为可再生发电机和存储器以及城市配电网中的网状结构可以在线路停电后继续供电。为了应对这些挑战，我们提出了一个数据驱动的停电监测方法的基础上的随机时间序列分析的理论保证。具体来说，我们证明通过电力流分析，时间序列电压测量的依赖性表现出显着的统计变化后，线路停电。这使得最优变点检测理论适用于线路故障的识别。然而，现有的变点检测方法需要停电后的电压分布，这是未知的配电系统。因此，我们设计了一个最大似然估计直接学习的分布参数从电压数据。我们证明，估计参数为基础的检测也达到了最佳性能，使其非常有用的快速配电网停电识别。此外，由于智能电表已被广泛安装在配电网和先进的基础设施（例如，PMU）还没有被广泛使用，我们的方法只需要电压幅值的快速停电识别。仿真结果表明，在8个配电网的14个配置和没有DER使用智能电表数据的高精度停电识别。
2021-04-01 cs.LG cs.SY eess.SP
