最近，电分配系统被分布式能源（DER）广泛渗透，以满足能量需求，以一般的看法，即增强系统的弹性。但是，由于其间歇性可用性，天气状况的动态，非线性，复杂性的引入等各种因素，这可能是不利的。这需要对我们的方法在这里提出的对系统弹性的详细理解。我们介绍了一种使用复杂网络理论的方法，以确定与太阳能PV生成在各种不良配置下合并时分配系统的弹性。获得了不同条件的复杂相关网络，并计算了各种网络参数以识别这些网络的弹性。所提出的方法可以确定系统中太阳能电池板的托管能力，同时在不同的不需要条件下保持弹性有助于获得系统中太阳能电池板的最佳分配拓扑。所提出的方法还标识了对变化高度敏感的关键节点，并可能将系统推向非弹性。该框架在IEEE-123测试馈线系统上使用了使用GridLab-D生成的时间序列数据，并使用复杂的网络和机器学习模型进行了多种分析。

我们提出了一种方法，用于在主动电分布网络中考虑使用脆弱节点识别的最佳DERS分配，并将这些节点命名为关键节点。这些关键节点的功率变化将显着影响其他链接节点的运行，因此这些节点适合使用，并且认为最适合DERS放置。我们在标准的IEEE-123测试馈线系统中证明了我们的方法评估。最初，我们使用图理论将分布系统划分为最佳微电网网络。使用图神经网络体系结构对分区进行了验证，以适当形成微电网。此外，使用有效的可测量分析（例如Granger因果关系），我们确定了分区的微电网中的关键节点和在这些节点上的DERS放置，从而提高了网络可靠性和弹性。此外，为了验证系统性能和能量弹性，我们计算了微电网网络的渗透阈值，该网络指示了在这些关键节点上掺入DER后系统弹性。这项提出的有关首先的方法可确保通过分布网络中数据驱动的分析方法来确定有效的微电网分配，关键节点的识别，最佳DERS分配和系统弹性评估。

我们使用机器学习工具来模拟电网网络中失效级联的线路交互。我们首先在初始随机故障之后收集可能的连续线路故障的模拟轨迹的数据集，并考虑模型电网中的实际约束，直到系统以稳态稳定状态。我们使用加权$ L_1 $ -Regularized基于逻辑回归的模型来查找使用成对统计数据捕获成对和潜在的高阶线路故障交互的静态和动态模型。静态模型捕获了网络稳定状态附近的故障“交互，并且动态模型在连续网络状态的时间序列中捕获失败。我们测试模型在网络中展开的失败独立轨迹，以评估其故障预测力。我们观察网络中不同线路之间的不对称，强烈的积极和负面相互作用。我们使用静态交互模型来估计级联大小的分布，并识别倾向于失败的行组，并与数据进行比较。动态交互模型在初始故障之后成功地预测了用于长持久故障传播轨迹的网络状态。

我们研究了智能电网中的级联故障，在该攻击者中，攻击者选择性地损害了节点，其概率与其学位成正比，之间或聚类系数。这意味着具有高度，中间或聚类系数的节点会以较高的概率攻击。我们通过数学和实验分析不同类型的目标攻击的网络巨大组件的大小，并将结果与​​随机攻击下的相应大小进行比较。我们表明，与随机攻击相比，网络对目标攻击的速度更快。对一小部分高级节点的有针对性攻击会分解一个或两个网络，而两个网络都包含用于随机攻击相同的节点的巨型组件。一个重要的观察结果是，如果攻击者根据节点的中间而不是基于程度或聚类系数损害了攻击者，则具有优势。我们下一步研究适应性攻击，攻击者会损害综合节点的节点。在这里，在每个回合中，有些节点是根据其程度，中间或聚类系数损害的，而不是将所有节点损害在一起。在这种情况下，在每回合开始之前，而不是在开始之前，计算了程度，中间或聚类系数。我们在实验上表明，与一次损害同样数量的节点相比，对手在这种适应性方法中具有优势。

Network-based analyses of dynamical systems have become increasingly popular in climate science. Here we address network construction from a statistical perspective and highlight the often ignored fact that the calculated correlation values are only empirical estimates. To measure spurious behaviour as deviation from a ground truth network, we simulate time-dependent isotropic random fields on the sphere and apply common network construction techniques. We find several ways in which the uncertainty stemming from the estimation procedure has major impact on network characteristics. When the data has locally coherent correlation structure, spurious link bundle teleconnections and spurious high-degree clusters have to be expected. Anisotropic estimation variance can also induce severe biases into empirical networks. We validate our findings with ERA5 reanalysis data. Moreover we explain why commonly applied resampling procedures are inappropriate for significance evaluation and propose a statistically more meaningful ensemble construction framework. By communicating which difficulties arise in estimation from scarce data and by presenting which design decisions increase robustness, we hope to contribute to more reliable climate network construction in the future.

通过图形结构表示数据标识在多个数据分析应用中提取信息的最有效方法之一。当调查多模式数据集时，这尤其如此，因为通过各种传感策略收集的记录被考虑并探索。然而，经典曲线图信号处理基于根据热扩散机构配置的信息传播的模型。该系统提供了对多模式数据分析不适用于多模式数据分析的数据属性的若干约束和假设，特别是当考虑从异构源收集的大规模数据集，因此结果的准确性和稳健性可能会受到严重危害。在本文中，我们介绍了一种基于流体扩散的图表定义模型。该方法提高了基于图形的数据分析的能力，以考虑运行方案中现代数据分析的几个问题，从而为对考试记录的记录底层的现象提供了一种精确，多才多艺的，有效地理解平台，以及完全利用记录的多样性提供的潜力，以获得数据的彻底表征及其意义。在这项工作中，我们专注于使用这种流体扩散模型来驱动社区检测方案，即根据节点中的节点中的相似性将多模式数据集分为多个组中。在不同应用场景中测试真正的多模式数据集实现的实验结果表明，我们的方法能够强烈优先于多媒体数据分析中的社区检测的最先进方案。

序列在许多真实的情况下出现；因此，识别符号生成背后的机制对于理解许多复杂系统至关重要。本文分析了在网络拓扑上行走的代理产生的序列。鉴于在许多实际情况下，生成序列的基础过程是隐藏的，我们研究了通过共发生方法重建网络是否对恢复网络拓扑和代理动力学生成序列很有用。我们发现，重建网络的表征提供了有关用于创建序列的过程和拓扑的有价值的信息。在考虑16种网络拓扑和代理动力学组合的机器学习方法中，我们获得了87％的精度，序列生成的序列少于访问量的少于40％。事实证明，较大的序列可以生成改进的机器学习模型。我们的发现表明，可以扩展所提出的方法以对序列进行分类并了解序列产生背后的机制。

许多复杂网络的结构包括其拓扑顶部的边缘方向性和权重。可以无缝考虑这些属性组合的网络分析是可取的。在本文中，我们研究了两个重要的这样的网络分析技术，即中心和聚类。采用信息流基于集群的模型，该模型本身就是在计算中心的信息定理措施时构建。我们的主要捐款包括马尔可夫熵中心的广义模型，灵活地调整节点度，边缘权重和方向的重要性，具有闭合形式的渐近分析。它导致一种新颖的两级图形聚类算法。中心分析有助于推理我们对给定图形的方法的适用性，并确定探索当地社区结构的“查询”节点，从而导致群集聚类机制。熵中心计算由我们的聚类算法摊销，使其计算得高效：与使用马尔可夫熵中心为聚类的先前方法相比，我们的实验表明了多个速度的速度。我们的聚类算法自然地继承了适应边缘方向性的灵活性，以及​​边缘权重和节点度之间的不同解释和相互作用。总的来说，本文不仅具有显着的理论和概念贡献，还转化为实际相关性的文物，产生新的，有效和可扩展的中心计算和图形聚类算法，其有效通过广泛的基准测试进行了验证。

在本文中，我们研究了具有内置社区结构的合成随机图模型的属性和性能。这样的模型对于评估和调整自然界无监督的社区检测算法很重要。我们提出了ABCDE，这是ABCD的多线程实现（社区检测的人工基准）图生成器。我们讨论了该算法的实现详细信息，并将其与ABCD模型的先前可用顺序版本以及标准和广泛使用的LFR（Lancichinetti-Fortunato-Radicchi）发电机进行了比较。我们表明，ABCDE的速度比NetworkIT中提供的LFR的并行实现要快十倍，并且比例比缩放更好。此外，该算法不仅更快，而且ABCD生成的随机图具有与原始LFR算法生成的属性相似的属性，而LFR的并行网络实现LFR会产生具有明显不同特征的图形。

智能电表数据分析有助于更好的电力系统规划和操作。本研究旨在根据使用机器学习的消费和人口统计数据来确定来自社会经济视角的住宅能源消耗模式的驱动因素。我们通过代表性负载模型消费模式，并揭示了负载模式与社会经济特征之间的关系。具体而言，我们通过以强大的方式分析现实世界智能仪表数据并通过聚类提取负载模式。我们进一步确定了对负荷模式的影响，以提高我们方法的解释性。消费者负载模式与所选社会经济特征之间的关系的特点是通过机器学习模型的特征。调查结果如下。 （1）十二个负载集群，由六个平日和周末组成，展示各种生活方式模式以及平日和周末之间的差异。 （2）各种社会经济特征，建议年龄和教育水平影响负荷模式。 （3）我们所提出的使用特征选择和机器学习的分析模型被证明比XGBoost和传统的神经网络模型更有效地绘制负载模式和社会经济特征之间的关系。

Continuous, automated surveillance systems that incorporate machine learning models are becoming increasingly common in healthcare environments. These models can capture temporally dependent changes across multiple patient variables and can enhance a clinician's situational awareness by providing an early warning alarm of an impending adverse event such as sepsis. However, most commonly used methods, e.g., XGBoost, fail to provide an interpretable mechanism for understanding why a model produced a sepsis alarm at a given time. The ``black box'' nature of many models is a severe limitation as it prevents clinicians from independently corroborating those physiologic features that have contributed to the sepsis alarm. To overcome this limitation, we propose a generalized linear model (GLM) approach to fit a Granger causal graph based on the physiology of several major sepsis-associated derangements (SADs). We adopt a recently developed stochastic monotone variational inequality (VI)-based estimator coupled with forwarding feature selection to learn the graph structure from both continuous and discrete-valued as well as regularly and irregularly sampled time series. Theoretically, we develop a non-asymptotic upper bound on the estimation error for any monotone link function in the GLM. Using synthetic and real-data examples, we demonstrate that the proposed method enjoys result interpretability while achieving comparable performance to popular methods such as XGBoost.

从数据中揭示馈线拓扑对于提高情境意识和适当利用智能资源在电源分配网格中至关重要。该教程总结，对比和建立了对拓扑识别的最新作品与检测方案之间针对电源分配网格提出的有用联系。％在不同的测量类型，可观察性和采样方面。主要重点是突出使用分配网格中测量设备有限的方法，同时使用电源流体物理和馈线的结构特性来增强拓扑估算。可以从传统的方式或积极地收集相量测量单元或智能电表的网格数据，或者在执行网格资源并测量馈线的电压响应时积极收集。在不同的仪表放置方案下，对馈线可识别性和可检测性的分析主张进行了审查。可以通过具有各种计算复杂性的算法解决方案来确切或大致获得此类拓扑学习主张，从最小二乘拟合到凸优化问题，从图形上的多项式时间搜索到综合计划。该教程渴望为研究人员和工程师提供有关当前可行分配网格学习和对未来工作方向的见解的了解。

越来越多的间歇可再生能源的整合，特别是在分配水平，需要对TheGrid的知识而设计的先进规划和优化方法，特别是捕获电网拓扑和线参数的进入矩阵。然而，对进入矩阵的可靠估计可以丢失或迅速地过时用于时间变化网格。在这项工作中，我们提出了利用从微量PMU收集的电压和电流测量的数据驱动的识别方法。更确切地说，我们首先呈现最大的似然方法，然后朝着贝叶斯框架移动，利用最大后验估计的原则。与大多数现有的Con-Tribution相比，我们的方法不仅是电压和电流数据上的测量噪声中的因素，而且还能够利用可用的先验信息，例如稀疏性模式和已知的列表参数。在基准案件上进行的模拟表明，与储藏仪相比，我们的方法可以实现明显更大的准确性。

天然气管道中的泄漏检测是石油和天然气行业的一个重要且持续的问题。这尤其重要，因为管道是运输天然气的最常见方法。这项研究旨在研究数据驱动的智能模型使用基本操作参数检测天然气管道的小泄漏的能力，然后使用现有的性能指标比较智能模型。该项目应用观察者设计技术，使用回归分类层次模型来检测天然气管道中的泄漏，其中智能模型充当回归器，并且修改后的逻辑回归模型充当分类器。该项目使用四个星期的管道数据流研究了五个智能模型（梯度提升，决策树，随机森林，支持向量机和人工神经网络）。结果表明，虽然支持向量机和人工神经网络比其他网络更好，但由于其内部复杂性和所使用的数据量，它们并未提供最佳的泄漏检测结果。随机森林和决策树模型是最敏感的，因为它们可以在大约2小时内检测到标称流量的0.1％的泄漏。所有智能模型在测试阶段中具有高可靠性，错误警报率为零。将所有智能模型泄漏检测的平均时间与文献中的实时短暂模型进行了比较。结果表明，智能模型在泄漏检测问题中的表现相对较好。该结果表明，可以与实时瞬态模型一起使用智能模型，以显着改善泄漏检测结果。

电力系统状态估计面临着不同类型的异常。这些可能包括由总测量错误或通信系统故障引起的不良数据。根据实施的状态估计方法，负载或发电的突然变化可以视为异常。此外，将电网视为网络物理系统，状态估计变得容易受到虚假数据注射攻击的影响。现有的异常分类方法无法准确对上述三种异常进行分类（区分），尤其是在歧视突然的负载变化和虚假数据注入攻击时。本文提出了一种用于检测异常存在，对异常类型进行分类并识别异常起源的新算法更改或通过错误数据注入攻击针对的状态变量。该算法结合了分析和机器学习（ML）方法。第一阶段通过组合$ \ chi^2 $检测指数来利用一种分析方法来检测异常存在。第二阶段利用ML进行异常类型的分类和其来源的识别，特别是指突然负载变化和错误数据注射攻击的歧视。提出的基于ML的方法经过训练，可以独立于网络配置，该网络配置消除了网络拓扑变化后算法的重新训练。通过在IEEE 14总线测试系统上实施拟议的算法获得的结果证明了拟议算法的准确性和有效性。

We consider an approach for community detection in time-varying networks. At its core, this approach maintains a small sketch graph to capture the essential community structure found in each snapshot of the full network. We demonstrate how the sketch can be used to explicitly identify six key community events which typically occur during network evolution: growth, shrinkage, merging, splitting, birth and death. Based on these detection techniques, we formulate a community detection algorithm which can process a network concurrently exhibiting all processes. One advantage afforded by the sketch-based algorithm is the efficient handling of large networks. Whereas detecting events in the full graph may be computationally expensive, the small size of the sketch allows changes to be quickly assessed. A second advantage occurs in networks containing clusters of disproportionate size. The sketch is constructed such that there is equal representation of each cluster, thus reducing the possibility that the small clusters are lost in the estimate. We present a new standardized benchmark based on the stochastic block model which models the addition and deletion of nodes, as well as the birth and death of communities. When coupled with existing benchmarks, this new benchmark provides a comprehensive suite of tests encompassing all six community events. We provide analysis and a set of numerical results demonstrating the advantages of our approach both in run time and in the handling of small clusters.

近年来，物联网设备的数量越来越快，这导致了用于管理，存储，分析和从不同物联网设备的原始数据做出决定的具有挑战性的任务，尤其是对于延时敏感的应用程序。在车辆网络（VANET）环境中，由于常见的拓扑变化，车辆的动态性质使当前的开放研究发出更具挑战性，这可能导致车辆之间断开连接。为此，已经在5G基础设施上计算了云和雾化的背景下提出了许多研究工作。另一方面，有多种研究提案旨在延长车辆之间的连接时间。已经定义了车辆社交网络（VSN）以减少车辆之间的连接时间的负担。本调查纸首先提供了关于雾，云和相关范例，如5G和SDN的必要背景信息和定义。然后，它将读者介绍给车辆社交网络，不同的指标和VSN和在线社交网络之间的主要差异。最后，本调查调查了在展示不同架构的VANET背景下的相关工作，以解决雾计算中的不同问题。此外，它提供了不同方法的分类，并在雾和云的上下文中讨论所需的指标，并将其与车辆社交网络进行比较。与VSN和雾计算领域的新研究挑战和趋势一起讨论了相关相关工程的比较。

近年来，在平衡（超级）图分配算法的设计和评估中取得了重大进展。我们调查了过去十年的实用算法的趋势，用于平衡（超级）图形分区以及未来的研究方向。我们的工作是对先前有关该主题的调查的更新。特别是，该调查还通过涵盖了超图形分区和流算法来扩展先前的调查，并额外关注并行算法。

Clustering is a fundamental problem in network analysis that finds closely connected groups of nodes and separates them from other nodes in the graph, while link prediction is to predict whether two nodes in a network are likely to have a link. The definition of both naturally determines that clustering must play a positive role in obtaining accurate link prediction tasks. Yet researchers have long ignored or used inappropriate ways to undermine this positive relationship. In this article, We construct a simple but efficient clustering-driven link prediction framework(ClusterLP), with the goal of directly exploiting the cluster structures to obtain connections between nodes as accurately as possible in both undirected graphs and directed graphs. Specifically, we propose that it is easier to establish links between nodes with similar representation vectors and cluster tendencies in undirected graphs, while nodes in a directed graphs can more easily point to nodes similar to their representation vectors and have greater influence in their own cluster. We customized the implementation of ClusterLP for undirected and directed graphs, respectively, and the experimental results using multiple real-world networks on the link prediction task showed that our models is highly competitive with existing baseline models. The code implementation of ClusterLP and baselines we use are available at https://github.com/ZINUX1998/ClusterLP.

给定传感器读数随着时间的推移从电网上，我们如何在发生异常时准确地检测？实现这一目标的关键部分是使用电网传感器网络在电网上实时地在实时检测到自然故障或恶意的任何不寻常的事件。行业中现有的坏数据探测器缺乏鲁布布利地检测广泛类型的异常，特别是由于新兴网络攻击而造成的复杂性，因为它们一次在网格的单个测量快照上运行。新的ML方法更广泛适用，但通常不会考虑拓扑变化对传感器测量的影响，因此无法适应历史数据中的定期拓扑调整。因此，我们向DynWatch，基于域知识和拓扑知识算法用于使用动态网格上的传感器进行异常检测。我们的方法准确，优于实验中的现有方法20％以上（F-Measure）;快速，在60K +分支机用中的每次传感器上平均运行小于1.7ms，使用笔记本电脑，并在图表的大小上线性缩放。