今日内容聚焦AI在能源系统中的安全决策、物理约束与规模化落地：研究从微电网、潮流调度到楼宇柔性负荷强化可行性与鲁棒性，同时拓展家庭场景数据生成、低功耗推理及电力交易和园区微电网应用。
技术侧收录 10 条更新。 产业侧暂无更新。
本研究面向微电网分布式能源协调，提出在服务器端综合考虑本地奖励与约束违反的FedRL约束感知聚合方法。实验表明，惩罚规则 $w_i \propto R_i - αV_i$ 无需改变本地训练或引入对偶优化，即可在DairyGridEnv及芬兰和德国真实负荷数据设置中，相较FedAvg显著减少约束违反并提高奖励，展现出较好的安全性、稳定性和鲁棒性。
WattCouncil是一种面向家庭能源场景生成的受治理LLM多智能体框架。不同专业角色的智能体在文化、时间和物理约束下协同生成、审查与验证结构化用能场景，并结合家庭构成、时间因素和环境条件生成情境敏感的日常活动及负荷曲线。研究利用包含4232个家庭一年以上负荷数据和社会经济信息的CER数据集进行评估，并通过消融研究检验框架一致性，旨在缓解高分辨率家庭能源数据因隐私、监管和采集成本而难以获取的问题。
AMC 面向超低功耗 Transformer 推理，依据 token 显著性动态分配计算资源：高显著性信息采用全精度处理，低重要性数据则降低秩和位宽。在 45nm CMOS 硬件上，该方法实现系统能耗降低 59.2%、吞吐量提升至 2.24x，并以 3.6% 的准确率损失换取更长的移动设备续航。
本文面向基于逆变器的资源（IBR）占主导地位的低惯量电力系统，提出一种用于最优潮流（OPF）求解的物理信息神经网络（PINN）框架。该方法引入考虑发电单元与扰动位置之间电气距离的位置感知惯量约束，兼顾计算效率、物理可行性与惯量安全。在6 GW测试系统中，训练集和测试集的MAE均约为系统总容量的0.045%，表明该框架能够生成高精度、满足物理及惯量约束且具备计算可扩展性的OPF解。
论文提出E2E-AT端到端对抗训练框架，将负荷预测输入扰动和线路电纳等优化参数扰动统一纳入训练，以调度任务成本而非单纯预测误差为目标。在Texas负荷数据和修改后的IEEE 14节点系统上验证，并公开代码；结果显示其可显著降低参数偏移和攻击条件下的调度成本。
文章从物理机制、实测扰动、误差来源和工程建模对比辐照度与组件温度。全年全场景下，辐照度决定出力上限，是第一影响因子；稳定晴天中，组件温度会成为精度关键。建议按云量、季节动态调整权重，以背板温度传感器和热平衡模型替代单纯环境气温输入。
文章汇总NeurIPS 2026中侧重LLM for Graph的14项研究，覆盖图语言模型、图基础模型、LLM×GNN及文本属性图。内容涉及跨域多任务图对齐、图贝叶斯优化、联邦图学习、图生成评测、分布偏移缩放规律、关系扩散、零样本推理校正及LLM-GNN协同学习等方向，并列出论文链接、作者与关键词。
研究提出深度强化学习与线性规划结合的分层空调柔性聚合框架：上层用PPO依据调节需求及累计舒适度影响分配任务，下层以物理模型和约束优化控制设备。仿真覆盖最多3600间房，计算由集中式方法的千秒以上降至数秒，并兼顾请求匹配和舒适度影响均衡。
ABB厦门工业中心建设包含12.3MWp光伏、600kW/1.2MWh储能及柔性负荷的绿色微电网。ZEE600平台按15分钟滚动预测发电与负荷，准确率超过90%，并由多个智能体协同优化运行策略。项目实现绿电本地消纳接近90%、用电成本下降约20%，年减排约1.34万吨。
国家能源低碳院研发机理与数据融合的AI电力交易员平台，贯通电价预测、策略生成、交易申报与复盘评估，并在火电和售电现货场景测试两个月。节点电价预测精度较主流方法提升3%至6%；售电方案优于人工的交易日占59.5%，火电策略累计收益较人工提升39%。