近日，张镇勇教授团队在综合能源领域顶级期刊《Applied Energy》（IF=11.2,中科院一区TOP期刊，JCR一区）上发表了题为《Data security of machine learning applied in low-carbon smart grid: A formal model for the physics-constrained robustness》的学术论文。

《Applied Energy》是综合能源领域的世界顶级期刊之一，具有广泛影响力和极高认可度，主要发表能源与人工智能、大数据等新兴领域交叉和融合的高质量研究成果。

期刊《Applied Energy》封面

由于网络规模增大、多能接入、业务多样给传统电网带来诸多运行和控制困难问题，智能电网采用机器学习方法来处理非线性、高复杂任务。但是，智能电网易受到网络攻击，而机器学习面临对抗样本威胁。特别是系统运行状态作为关键输入，可以被恶意操纵，误导系统智能应用做出错误决策，导致严重后果。因此，评估基于机器学习的智能电网应用的鲁棒性至关重要。

本文针对基于集成树的智能电网应用，首次提出考虑电力系统物理约束的鲁棒性评估框架。主要的贡献点如下：

(1) 提出了带物理约束鲁棒性评估问题的一般表述

(2) 通过形式化方法来刻画集成树并基于逻辑变量抽象描述误分类约束、物理约束、隐蔽性约束等

(3) 构建物理系统连续变量与决策树离散变量之间的映射关系，并构建带物理约束鲁棒性评估对应优化问题的统一描述形式，并给出该优化问题的精确解法

带电力系统物理约束的鲁棒性评估框架