机器学习的应用非常广泛，对各种工业和军事目标都很有用，但目前的方法是否鲁棒（稳健）？鲁棒性要求的不仅仅是在理想条件下的准确性；它意味着系统能够抵抗数据中的扰动，包括自然和对抗性原因的扰动。这项研究的目的是分析用于电网故障分类的神经网络的鲁棒性。我们专注于经典的9总线模型模拟产生的数据；然而，这些方法和结果可以扩展到更复杂的微电网，如海军舰艇、潜艇和基地上的微电网。首先，我们测量随机和对抗性噪声对测试数据的影响，并比较三种网络类型。然后，我们通过改变节点和层的数量来测试不同的结构。最后，我们测试了在训练数据中加入噪声是否能提高鲁棒性。在潜艇上采用机器学习方法之前，我们必须首先了解其弱点和潜在的错误。这项研究为如何测试鲁棒性，神经网络在哪些地方有随机或对抗性噪声的风险，以及如何修改网络以提高其鲁棒性提供了基础。