ОБЗОР ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭНЕРГЕТИЧЕСКОМ ИНТЕРНЕТЕ

A REVIEW OF THE APPLICATION OF ARTIFICIAL INTELLIGENCE IN ENERGY INTERNET

Wang Jinxian

Student, Department of Production Economics,  Kazan (Volga Region) Federal University,

Russia, Kazan

Olga Demyanova

supervisor, Candidate of Science (Economics), Associate Professor, Kazan (Volga Region) Federal University,

Russia, Kazan

АННОТАЦИЯ

Технология искусственного интеллекта обладает выдающимся преимуществом эффективного решения сложных проблем. Интернет энергии - это результат интеграции информационных технологий и энергетики. Энергетический Интернет является результатом интеграции информационных технологий и энергетики и может предоставлять потребителям гибкие услуги по совместному использованию энергии. Из-за прерывистого и неустойчивого характера возобновляемой энергии эффективное использование возобновляемой энергии имеет важное значение для энергетической отрасли. Эффективное использование возобновляемых источников энергии требует все более оперативной информации о спросе и предложении энергии, а кривые спроса и предложения энергии стали более Технология искусственного интеллекта имеет широкий спектр применения в энергетике, поскольку она становится все более сложной и изменчивой. Технология искусственного интеллекта широко используется в моделировании, прогнозировании, управлении и оптимизации систем в области энергетического интернета. В данной статье представлен обзор типичных сценариев применения технологий искусственного интеллекта в энергетическом интернете. В данной статье представлен обзор текущего состояния исследований по типичным сценариям применения технологий искусственного интеллекта в энергетическом интернете и намечены направления дальнейшего развития.

ABSTRACT

The artificial intelligence technology has outstanding advantages in solving complex problems efficiently. Energy Internet, fusing energy with information technology, can provide consumers with flexible sharing services for energy. Due to the intermittence and volatility of power generation by renewable energy, not only effective utilization of renewable energy requires more and more real-time information of energy supply and demand, but also the mode of energy supply and demand becomes more complex and variable. Recently, artificial intelligence technology has been widely used in system modeling, prediction, control, optimization, and other aspects in the field of energy Internet. This paper makes an overview on the current research status of the artificial intelligence technology in the typical application scenarios in energy Internet. Besides, the related future development trend is also put forward.

Ключевые слова: энергетический интернет; искусственный интеллект.

Keywords: energy Internet; artificial intelligence;

ВВЕДЕНИЕ

Энергия является основой для развития современного общества. Сочетание глобального энергетического кризиса и загрязнения окружающей среды привело к изменению поведения в области энергопотребления. Существует глобальный консенсус по решению энергетических и экологических проблем путем развития возобновляемых источников энергии. Начались исследовательские проекты по новым энергетическим технологиям, в частности, по использованию солнечной энергии, энергии ветра, биомассы и других возобновляемых источников энергии. Концепция энергетического интернета (ЭИ) в последние годы становится все более популярной в ответ на реконфигурацию традиционной инфраструктуры доставки энергии. Потоки энергии и одноранговый сетевой обмен. К основным преимуществам ЭИ относятся открытость, прочность и надежность. В будущем ИО постепенно заменит традиционную энергосистему, поскольку обеспечивает потребителям гибкое совместное использование энергии. Из-за прерывистого и неустойчивого характера возобновляемых источников энергии традиционные сети с трудом адаптируются к необходимости широкомасштабного доступа к возобновляемым источникам энергии. Кроме того, обычные микросети (МГ) и распределенные генераторы не способны максимально использовать возобновляемую энергию. Только благодаря совместному использованию энергии в распределенных МГ, управляемых потоком информации в коммуникационных сетях, можно эффективно, экономично и безопасно использовать возобновляемую энергию. Технологии искусственного интеллекта (ИИ), такие как глубокое обучение, нечеткая логика, искусственная нейронная сеть (ИНС), машина опорных векторов (SVM) и частицы. Нечеткая логика, искусственная нейронная сеть (ИНС), машина опорных векторов (SVM) и оптимизация роя частиц (PSO), а также ряд гибридных подходов ИИ предоставляют мощные инструменты для проектирования, моделирования, прогнозирования, управления, оптимизации, оценки, обнаружения, диагностики неисправностей и обеспечения отказоустойчивости, управления спросом и классификации потребителей. В данной статье представлено типичное применение технологии ИИ в Энергетическом Интернете. На рисунке 1 вкратце показана типичная система ЭИ. На рисунке 2 показаны возможные области использования технологии ИИ для повышения производительности и лучшего управления МГ, как  описано в данной работе

Рисунок 1. Схема ЭИ

Рисунок 2. Применение ИИ в разных аспектах МГ

Искусственный интеллект в энергетическом интернете

1.1 Прогнозирование

1.1.1 Прогнозирование нагрузки

Прогнозирование нагрузки играет ключевую роль в разработке экономичных, надежных и безопасных стратегий работы энергосистем и необходимо для эффективного управления энергией в ЭИ. Традиционно прогнозирование нагрузки осуществлялось с использованием инженерных и статистических методов. Недостатками инженерных методов являются их сложность, что затрудняет их применение на практике, и отсутствие входной информации. Статистические методы включают, например, методы сходства временных рядов и методы регрессии. В целом, эти методы являются по сути линейными моделями, в то время как модели нагрузки обычно являются нелинейными функциями экзогенных переменных. Поэтому статистические методы неадекватны с точки зрения точности и гибкости прогнозирования нагрузки. Методы искусственного интеллекта играют все более важную роль в прогнозировании нагрузки для достижения желаемых результатов прогнозирования. В последние годы методы искусственного интеллекта, включая глубокое обучение, достигли хороших результатов в области прогнозирования нагрузки. Ожидается, что с развитием методов прогнозирования на основе ИНС, методы глубокого обучения повысят точность прогнозирования за счет более высоких уровней абстракции. Кроме того, нечеткая логика, генетические алгоритмы и SVM также широко используются в прогнозировании нагрузки. Сочетание этих методов с глубоким обучением привело к высокой точности прогнозирования нагрузки.

1.1.2 Прогнозирование солнечной освещенности

Прогнозирование солнечного излучения важно для оптимальной работы и прогнозирования мощности подключенных к сети фотоэлектрических станций. На солнечное излучение влияет множество метеорологических характеристик, что приводит к сложной структуре, а значит, его прогнозирование неэффективно и неточно; выдающиеся преимущества методов искусственного интеллекта в решении сложных проблем играют все более важную роль в улучшении прогнозирования солнечного излучения. Чтобы уменьшить избыточность информации в наборе признаков и повысить точность прогнозирования, предлагается метод выбора признаков для краткосрочного прогнозирования облученности на основе условной взаимной информации и регрессии гауссовского процесса, который уменьшает размерность оптимального набора признаков и достигает высокой точности прогнозирования. Для достижения хороших результатов была обучена сеть долговременной и кратковременной памяти, учитывающая значимость последовательных часов в течение суток. Данное исследование предлагает новую альтернативу применения передовых алгоритмов машинного обучения для прогнозирования солнечной радиации. Однако в исследовании не учитываются ошибки в прогнозировании солнечной радиации, связанные с ошибками прогноза погоды. Использование статических сетей и нелинейной авторегрессионной модели с внешними входами для прогнозирования солнечной радиации оказалось более эффективным, чем статические нейронные сети. Была оценена точность SVM, ANN и эмпирических моделей солнечной радиации с различными комбинациями входных параметров, что позволило уменьшить размерность данных и повысить точность прогноза. Для дальнейшего повышения точности прогнозирования можно продолжить изучение методов K-NN, дерева регрессии и случайного леса для прогнозирования солнечной радиации. Прогнозирование солнечной радиации на час вперед было достигнуто путем объединения кластеризованных данных и адаптивной модели нейро-нечеткой системы выводов с хорошими результатами.

1.1.3 Прогнозирование выходной мощности

Мощность фотоэлектрической установки зависит от солнечной радиации и температуры. Это делает прогнозирование выходной мощности популярной темой исследований для ученых в области фотоэлектричества. Недавно методы искусственного интеллекта достигли хороших результатов в прогнозировании выходной мощности фотоэлектрических установок. Для получения более стабильных показателей, чем при прогнозировании с помощью отдельных моделей, использовалась комбинация методов моделирования (радиальный базис, обычные сети с прямой передачей, адаптивные нейро-нечеткие системы вывода и SVM) для разработки стабильной, эффективной и точной модели для прогнозирования выходной мощности ветровых турбин по дням, выходящей за рамки отдельных моделей. Для анализа влияния пространственных климатических переменных на производительность модели была предложена ИНС для прогнозирования выходной мощности ветровых турбин, показавшая, что прогноз мощности сильно зависит от характеристик участка и направления ветра.

1.2 Оптимизация

Традиционные методы оптимизации размеров фотоэлектрических систем включают интуитивные методы, которые являются самыми простыми, и численные методы, недостатком которых является необходимость использования больших наборов данных о солнечном излучении. Использование методов искусственного интеллекта для оптимизации размеров фотоэлектрических систем может обеспечить более высокую степень точности, чем традиционные методы. Используя эмпирические данные, предложен метод оптимального размещения и определения размеров PV-STATCOM. Метод индекса потерь мощности и адаптивный алгоритм роя частиц используются для решения двух подпроблем - оптимизации расположения распределительной сети и оптимизации размера распределительной сети, соответственно, с целями минимизации потерь, минимизации затрат и повышения напряжения в распределительной сети. Экспериментальные результаты показывают, что адаптивный алгоритм роя частиц не только имеет лучшую производительность, чем алгоритм роевой оптимизации и алгоритм молниеносного поиска, но и сходится быстрее. Новый гибридный подход к моделированию, сочетающий рекуррентные нейронные сети и процессы Орнштейна-Уленбека, был разработан для получения точных моделей мощности для фотоэлектрических

панелей и нагрузок. Однако для получения решения требуется большое количество времени и пространства, поэтому для решения рассматриваемой проблемы управления энергией необходимо разработать другие алгоритмы. Методы искусственного интеллекта достигли высокой точности прогнозирования при исследовании отслеживания точки максимальной мощности в фотоэлектрических системах. Объединив генетические алгоритмы с ИНС для оценки модернизации энергосистем, Аскионе и др. предлагают оптимальное по стоимости решение. Для того чтобы инженеры могли оптимизировать модернизацию зданий, можно рассмотреть возможность разработки удобных интерфейсов. Для оптимального управления энергопотреблением в МГ предлагается новая многоступенчатая архитектура интеллектуальной системы управления энергией (SEMS), учитывающая различные неопределенности ресурсов, а результаты моделирования иллюстрируют эффективность предложенной SEMS на различных примерах. Решатель для оптимизации роя частиц и последовательный решатель линейного программирования реализованы и сравнены, а также предложена модель распределения энергии для генерации задач нелинейного программирования, что приводит к эффективной экономии затрат на энергию. Если смешать оптимизацию роя частиц и последовательное линейное программирование, то можно получить перспективный метод решения. Разработан адаптивный алгоритм контекстного обучения разбиения для комбинаций блоков, который превосходит традиционные алгоритмы UC. Включение проблемы приливов в проблему UC для безопасных приливных течений может стать дальнейшим направлением исследований.

1.3 Обнаружение и диагностика

Методы ИИ играют ключевую роль в диагностике неисправностей в энергосистемах. Основные используемые методы ИИ: модели нечеткой логики, методы нейронных сетей с обобщенной регрессией, многоядерные SVM, иммунные нейронные сети, распределенное машинное обучение, ANN, нейро-нечеткие и вейвлет-нейронные сети, а также скрытые марковские модели. Использование вычислительного и коммуникационного интеллекта эффективно для повышения качества мониторинга и управления интеллектуальными сетями. ИИ играет важную роль в обнаружении атак. Последние методы ИИ для обнаружения атак - это в основном методы глубокого обучения, которые дали хорошие результаты. Существуют также модели гауссовской смеси, бесследовая фильтрация Калмана и алгоритмы оценки состояния на основе взвешенных наименьших квадратов, машинное обучение (ML) и т.д., результаты моделирования которых оказались лучше других изученных традиционных методов. Взаимосвязь между шумом измерений и свойствами дисперсии смещения обучаемой модели не рассматривается.

Предлагается новая система глубокого обучения для обнаружения и классификации островных или сетевых возмущений, позволяющая избежать проблемы ошибочного выхода распределенных источников энергии из сети. Однако этот подход еще не рассматривал более сложные условия, такие как большее количество возмущений и неисправностей, и не применялся для детального мониторинга микросетей. был предложен новый распределенный ML-подход на основе выбора признаков для обнаружения динамических характеристик различных событий в энергосистеме, который был проверен на взаимосвязанной двухрегиональной МГ с несколькими вариантами выработки энергии. Алгоритм требует меньше вычислительных затрат, чем традиционные методы, и показывает хорошие перспективы для применения. Однако в данном исследовании не рассматривается динамика нагрузки, прерывистая генерация и продолжительность сбоя. Обнаружение событий основано на одном типе трехфазного повреждения, которое вызывает угловую неустойчивость ротора, и не дает более полного анализа других типов неустойчивости.

1.4 Управление спросом

Управление спросом является одной из ключевых функций интеллектуальной сети, позволяя потребителям принимать обоснованные решения о потреблении энергии и помогая поставщикам энергии снизить пиковый спрос и изменить профили нагрузки. Это повышает устойчивость интеллектуальной сети и снижает общие эксплуатационные расходы и выбросы углекислого газа. Существующие стратегии управления спросом в традиционных системах управления энергопотреблением в основном используют специфические для системы технологии и алгоритмы. Кроме того, существующие стратегии могут обрабатывать только ограниченное количество управляемых нагрузок ограниченного типа. Предлагается интеллектуальная стратегия зарядки с использованием инструментов ML для определения времени зарядки EV во время сеанса подключения, демонстрирующая, что правильно обученная глубокая нейронная сеть может значительно снизить затраты на зарядку, часто приближаясь к оптимальной стоимости зарядки, рассчитанной ретроспективно. Однако влияние парка автомобилей на профиль нагрузки не было исследовано. Предложена интегрированная система управления энергией с использованием генетического алгоритма со смещением стандартного отклонения, который позволяет достичь хороших результатов. Алгоритм искусственного иммунитета был использован для решения многоцелевой задачи управления спросом, снижая эксплуатационные расходы и соотношение пиковой и средней мощности. Однако он не устанавливает справедливый механизм распределения между потребителями для удовлетворения их потребностей и не разрабатывает приемлемый метод обмена информацией для защиты конфиденциальности потребителей. Предлагается метод планирования распределенного хранения энергии на основе игрового алгоритма, который имеет хорошие показатели по снижению соотношения пиковых и средних значений, общей стоимости, ежедневных платежей клиентов и потребления энергии в коммуникационных сетях интеллектуальных сетей. Предлагается распределенная система управления спросом на электроэнергию на основе алгоритма искусственной иммунной сети, позволяющая удерживать потребление системы в пределах 1% от заданного предела нагрузки. Для поддержки многоуровневого управления интеллектуальными сетями исследователи могут попытаться разработать иерархические или составные искусственные иммунные системы. Чтобы позволить домохозяйствам в интеллектуальной сети осуществлять активное управление спросом, были разработаны системы принятия решений на основе ИНС для снижения стоимости электроэнергии для потребителей. Вышеперечисленные результаты исследований позволили улучшить качество системы электроснабжения

1.5 Планирование

Стратегии планирования энергопотребления могут быть использованы для обеспечения обратной связи в реальном времени с потребителями, чтобы стимулировать более эффективное использование электроэнергии. Онлайн оптимизация планирования систем управления энергопотреблением зданий с использованием глубокого Q-обучения и глубоких градиентов политики была проверена на большой базе данных Pecan Street и может быть использована для обеспечения обратной связи с потребителями в режиме реального времени. Предложен алгоритм гармонической оптимизации "голубиной стаи" для планирования работы умных приборов в умном доме, который более эффективен, чем использование метаэвристики и алгоритмов гармонического поиска и оптимизации "голубиной стаи". Однако существует компромисс между комфортом пользователя и стоимостью. На основе решений контроллера предлагается новый бинарный алгоритм поиска с обратным перебором для обеспечения оптимального решения по планированию для управления переключением распределенных генераторов, который сравнивается с бинарным алгоритмом роя частиц с точки зрения объективной функции и экономии энергии. Сформулирована проблема планирования параллельных пакетных машин с динамическим поступлением заданий и схемами ценообразования по времени использования как смешанная целочисленная модель планирования и предложен многоцелевой дифференциальный эволюционный алгоритм для эффективного решения этой NP- трудной крупномасштабной задачи, который, как было показано, превосходит NSGA-II и AMGA по качеству решения и распределению.

Однако некоторые практические ограничения, такие как различные размеры заданий и время настройки оборудования, не были включены в модель. На основе методов глубокого ML представлен подход теории игр для приведения энергосистемы в нормальное устойчивое состояние или состояние после аварии. Предложен алгоритм оптимизации роя частиц на основе биогеографии для решения экономических задач планирования с различными ограничениями в виде уравнений и неравенств, такими как балансировка мощности, неработающие регионы и ограничения по темпу. Исследователи могут расширить алгоритм оптимизации роя частиц на основе биогеографии для решения других более сложных экономических задач планирования, таких как динамические экономические задачи планирования и экологические экономические задачи планирования. Близкая к оптимальной стратегия составления расписания в реальном времени получена путем применения глубокого рекурсивного нейросетевого подхода к обучению.

1.6 Классификация потребителей

Классификация различных типов потребителей является очень важной задачей в интеллектуальной энергосистеме, поскольку к разным типам потребителей могут применяться разные условия. Кроме того, поставщики электроэнергии могут использовать информацию о категориях потребителей для лучшего прогнозирования их поведения, что также является актуальной задачей для балансировки нагрузки. Различные типы ИНС были успешно применены для решения проблемы классификации потребителей электроэнергии. Однако применение таких структур имеет ряд недостатков, поскольку на производительность влияет вес сетевого соединения, параметры инициализации и порядок обучающих выборок. Методы глубокого обучения были применены с хорошими результатами. Применение многоядерных машин экстремального обучения для решения задач классификации также дало достаточно точные результаты. Кроме того, методы ИИ были применены к следующим аспектам ЭИ: оценка стабильности напряжения, распределение тока и восстановление напряжения, продление срока службы батарей, методы эффективного сброса нагрузки МГ, вероятностные токи МГ, моделирование производительности, стратегии интеллектуального управления инверторами, стабильность ветровой энергии, управление гибридными МГ переменного/постоянного тока, общее оптимальное управление подключаемыми электромобилями.

2. Будущие направления

Ниже приведены некоторые идеи и предложения по будущим направлениям исследований. (1) В энергосистеме все еще низкая степень автоматизации и интеллекта во всех аспектах управления, и даже если есть много задач, которые достигли определенного уровня интеллекта, результаты часто независимы друг от друга и не дают полной возможности для эффективной синергии. (2) Управление информацией является ключевым элементом ИО. (2) Управление информацией является неизбежной тенденцией в области ИО, но данные различных источников энергии и роли различны и трудно управляются единым образом, что влияет на синергию информационных технологий. Как эффективно сопоставить все типы данных, извлечь ключевую информацию и установить взаимосвязи - это важная часть пути ИИ в продвижении информационных технологий.

Заключение

В данной статье рассматривается использование технологии ИИ в ОУ с момента появления AlphaGo. (1) Технологии ИИ становятся все более важными для эффективной работы ОУ. (2) Большинство новых технологий ИИ все еще находятся на стадии исследований или предварительного применения и имеют определенные недостатки, оставляя простор для совершенствования и исследований. (3) Технологию ИИ необходимо развивать в интеллектуальный инструмент анализа с возможностью работы в режиме реального или квазиреального времени, в полной мере используя его эффективные и интеллектуальные возможности и преимущества.

Список литературы:

1. RIFKIN J. The third industrial revolution: how lateral power is transforming energy, the economy, and the world[M]. New York: Palgrave Macmillan, 2013
2. CAO J, HUA H, REN G. The SAGE encyclopedia of the Internet[M]. Newbury Park: Sage, 2018: 344-350.
3. CAO Y, QIANG L I, TAN Y, et al. A comprehensive review of Energy Internet: basic concept, operation and planning methods, and research prospects[J]. Journal of Modern Power Systems and Clean Energy, 2018, 6(3): 1-13.
4. YAN M, LI X, LAI L L, et al. Energy internet in smart city review[C]// International Conference on Wavelet Analysis and Pattern Recognition. Ningbo: IEEE, 2017:188-193.
5. HUA H, CAO J, YANG G, et al. Voltage control for uncertain stochastic nonlinear system with application to energy Internet: non-fragile robust approach[J]. Journal of Mathematical Analysis and Applications, 2018, 463(1): 93-110.
6. LIU Z, LUO Y, ZHUO R, et al. Distributed reinforcement learning to coordinate current sharing and voltage restoration for islanded DC microgrid[J]. Journal of Modern Power Systems and Clean Energy, 2017, 6(2): 364-374.
7. YANG G, CAO J, HUA H, et al. Deep learning based distributed optimal control for wide area energy Internet[C]//Proceedings of the 2018 IEEE International Conference on Energy Internet. Beijing: IEEE Computer Society, 2018: 292-297.
8. BOSE B K. Artificial intelligence techniques in smart grid and renewable energy systems—some example applications[J]. Proceedings of the IEEE, 2017, 105(11): 2262-2273.
9. ISMAIL M M, BENDARY A F. Smart battery controller using ANFIS for three phase grid connected PV array system[J]. Mathematics and Computers in Simulation, 2018, in press, DOI: https://doi.org/10.1016/j.matcom.2018.04.008.
10. CONTEH F, TOBARU S, LOTFY M E, et al. An effective load shedding technique for micro-grids using artificial neural network and adaptive neuro-fuzzy inference system[J]. Aims Energy, 2017, 5(5): 814-837.
11. BAGHAEE H R, MIRSALIM M, GHAREHPETIAN G B, et al. Application of RBF neural networks and unscented transformation in probabilistic power-flow of microgrids including correlated wind/PV units and plug-in hybrid electric vehicles[J]. Simulation Modelling Practice and Theory, 2017, 72(C): 51-68.
12. CABRERA P, CARTA J A, GONZALEZ J, et al. Wind-driven SWRO desalination prototype with and without batteries: a performance simulation using machine learning models[J]. Desalination, 2017, 435(1): 77-96.
13. INAYAGAM A, ALQUMSAN A A, SWARNA K S V, et al. Intelligent control strategy in the islanded network of a solar PV microgrid[J]. Electric Power Systems Research, 2018, 155(2018): 93-103.
14. HUA H, HAO C, QIN Y, et al. A class of control strategies for energy Internet considering system robustness and operation cost optimization[J]. Energies, 2018, 11(6): 1593.
15. SOLIMAN M A, HASANIEN H M, AZAZI H Z, et al. Hybrid ANFIS-GA-based control scheme for performance enhancement of a grid-connected wind generator[J]. IET Renewable Power Generation, 2018, 12(7): 832-843.
16. TIAN C, MA J, ZHANG C, et al. A deep neural network model for short-term load forecast based on long short-term memory network and convolutional neural network[J]. Energies, 2018, 11, 3493.
17. SHI H, XU M, LI R. Deep learning for household load forecasting-a novel pooling Deep RNN[J].IEEE Transactions on Smart Grid, 2017, 9(5): 5271-5280.
18. SUNDARAVELPANDIAN S, JOHAN S, PHILIPP G. Deep-learning neural-network architectures and methods: Using component-based models in building-design energy prediction[J]. Advanced Engineering Informatics, 2018, 38(2018): 81-90.
19. LI C, DING Z, ZHAO D, et al. Building energy consumption prediction: an extreme deep learning approach[J]. Energies, 2017, 10(10):1525.
20. TOMIN N, KURBATSKY V, NEGNEVITSKY M. The concept of the deep learning-based system "artificial dispatcher" to power system control and dispatch[J]. 2018.
21. QIN Y, HUA H, CAO J. Stochastic optimal control scheme for battery lifetime extension in islanded microgrid via a novel modeling approach[J]. IEEE Transactions on Smart Grid, 2018, in press, DOI: 10.1109/TSG.2018.2861221.
22. CHETTIBI N, MELLIT A, SULLIGOI G, et al. Adaptive neural network-based control of a hybrid AC/DC microgrid[J]. IEEE Transactions on Smart Grid, 2018, 9(3): 1667-1679.
23. OMID, RAHBARI, MAJID, et al. Optimal versatile control approach for plug-in electric vehicles to integrate renewable energy sources and smart grids[J]. Energy, 2017, 134.
24. HAO C, HUA H, QIN Y, et al. A class of optimal and robust controller design for energy routers in energy Internet[C]//Proceedings of the IEEE International Conference Smart Energy Grid Engineering, Oshawa, 2018: 14-19.
25. HE Y, MENDIS G J, WEI J. Real-time detection of false data injection attacks in smart grid: A deep learning-based intelligent mechanism[J]. IEEE Transactions on Smart Grid, 2017, 8(5): 2505-2516