This paper presents a groundbreaking approach for fault detection in electric power load management systems using an advanced neural network. This network uniquely integrates Seq2Seq, CNN, and LSTM models to enhance predictive accuracy and fault classification. The Seq2Seq model, by learning from historical data, facilitates the prediction of future sensor data, thus providing the ability to forecast system states. Concurrently, the CNN model is utilized for extracting features from the predicted data, capturing potential anomalous patterns. Meanwhile, the LSTM model is responsible for classifying these features and detecting potential faults. Through extensive experimentation, the proposed network demonstrates its capability to detect system faults preemptively by combining prediction and classification methods. This approach significantly contributes to improving the reliability and efficiency of electric power load management systems.

Solar-induced chlorophyll fluorescence (SIF) provides a valuable tool for gross primary production (GPP) monitoring. However, the spatial resolution of satellite SIF products is lower than the kilometer level, which hinders their potential for carbon cycle study at regional scales. This work reconstructed a 0.005° SIF in China during 2019 and 2020 from the 5-km level TROPOMI SIF by a proposed downscaling strategy that corrected the predicted bias when statistics-based machine learning models, such as random forest (RF), were used. Our bias-corrected downscaled SIF (named BCSIF) had an improved capacity of preserving the information of the original TROPOMI SIF than the directly predicted SIF from RF. The BCSIF showed better consistencies with the tower-based SIF than the 0.05° TROPOMI SIF with an averaged R 2 increased from 0.590 to 0.798 at two sites since it has a more comparable spatial scale with spectral observations. For the spatial–temporal correlations with FLUXCOM GPP at different biomes in China, BCSIF outperformed the original SIF with the averaged R 2 increased from 0.472 to 0.877 due to its reduced noise, also outperformed the near-infrared radiation reflected by vegetation (NIRvP), especially for the savanna type with the R 2 increased from 0.828 to 0.889. For the temporal correlations with FLUXCOM GPP, BCSIF gives comparable R 2 values as NIRvP in more than half of China (around 65% pixels), not including the needleleaf forest region in the southern Tibetan Plateau and savanna region in Yunnan province where BCSIF greatly outperformed, as well as some alpine meadows regions in Inner Mongolia and Tibetan Plateau where NIRvP outperformed.

The development of information interconnection technology has enabled the sharing of information between different levels of power grids. The co-operation of transmission and distribution networks, abbreviated as coordinated T&D operation, is an effective approach for achieving optimal allocation of generation resources in multi-level power grids, thereby enhancing the utilization of distributed renewable energy. However, the uncertainty surrounding distributed renewable energy presents a major challenge to the coordinated allocation. Traditional operating methods often lead to additional adjustment costs for over-conservatism or empirical errors due to limited historical date. In this paper, a probability-based distributionally robust optimal (DRO) method is introduced to the coordinated T&D operation model to deal with uncertainty. The proposed DRO model aims to strike a balance between conservatism and optimism. And the co-operation problem is addressed by a novel column-and-constraint generation (C&CG) algorithm. Simulation results show that the DRO-based coordinated T&D operation model can efficiently coordinate the generation resources in multi-level power system and achieve better economic benefits.