追踪能源领域最新技术、论文、代码与数据集
本文系统介绍 LLMs 与智能体式 AI 在智能电网中的架构及应用，并针对模型可能产生物理不可行结果的问题，提出“可信求解器计算、显式验证后报告”的设计原则。通过风电功率预测、EV 充电调度、潮流分析和事故诊断四个案例，研究表明，与仅使用 LLM 相比，以求解器为基础的智能体系统能显著提高结果的正确性和可靠性。本文还构建了涵盖任务效用、正确性、忠实性与安全失败、成本与延迟的四组评估框架，明确了智能体负责编排、检索和解释，可信工具负责数值计算，验证门控负责结果发布的分工模式。
本文面向接入配电网的AI数据中心，提出端到端的预测后调度（PTS）框架，通过可微凸优化联合训练工作负载预测与调度决策，并以兼顾电力成本和负荷削减惩罚的损失函数衡量调度质量。实验显示，该方法较传统两阶段方案可显著降低运行成本，并提升配电网与数据中心协同运行的安全性。
本研究重新审视数据驱动的故障前动态安全评估，引入通过上下文学习工作的表格基础模型（TFM），以减少对大规模标注数据、逐预想故障建模、重复训练和超参数调优的依赖。在IEEE 68节点系统上，单个TFM使用每个预想故障120个标注样本即可获得约90%的平均Macro F1分数；对于未见预想故障，结合EDC编码和仅10个新标注样本，性能可匹配依赖完整标注数据的最优迁移学习Oracle模型。结果表明，基础模型有望提升电力系统安全评估的样本效率、泛化能力与实际部署可行性。
EirGrid与GridZero.ai开发了一种生成式人工智能方法，利用市场关闸前的有限数据，提前最多38小时预测爱尔兰电网的最大单一馈入和馈出。其MAPE仅比使用完整市场数据进行提前8小时预测的结果高1.1%，显示出降低备用容量采购成本以及扩展TSO智能资源规划的潜力。
该研究构建了一个覆盖 TSO 控制区、低压馈线和终端消费者的多电网层级负荷预测基准，并比较了十种短期预测方法。结果表明，Transformer 方法可将预测误差降低 6.6%–10.7%，整体优于成熟方法；标准 Transformer 也优于融合多种架构改动的 YAformer。Chronos-2 在两个数据集上具有竞争力的零样本表现，但难以识别 TSO 数据中的特殊事件。研究还指出，长输入上下文、协变量和持续重训练是提高预测准确性的关键因素。
本研究提出了一种面向电池储能系统（BESS）退化预测的不确定性量化概率框架。该框架通过深度学习生成容量损失分布，并沿随机退化轨迹传播不确定性；同时融合电芯级预测、系统拓扑和实际运行波动，将预测扩展至完整储能系统。住宅储能系统多年现场数据验证表明，该方法能够模拟系统级退化行为，其SOH退化的95%预测区间与现场剩余容量测量结果高度吻合，可用于数据驱动的储能资产管理。
本文面向输电系统运营商（TSO）的电网研究，提出将 Agentic AI、MCP、大语言模型与电力系统数值仿真工具相结合。作者开发了 pypowsybl-mcp，使 AI 智能体能够通过标准化工具调用配置和执行仿真、分析并获取结果，同时强调人工监督、多智能体协作、可审计性及综合评估，为构建可交互、可扩展的智能电网研究环境奠定基础。
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。
本文面向相互依赖的电力—通信网络，提出以 MIIM 为真值仿真器的机器学习代理模型，用于快速预测 N-k 事故严重程度并评估元件关键性。在 IEEE 118 节点系统上，Gradient Boosting 的事故排序 Spearman 相关系数为 0.849，元件关键性排序与 MIIM 排序的相关系数为 0.838，筛查速度约提升 158 倍。结果表明，层间依赖特征是性能提升的主要来源；该方法适合用于“代理模型初筛、MIIM 选择性验证”的两阶段韧性评估流程，但不直接用于确定最优加固方案。
本文提出一种物理规律引导、经微调的LLM配电系统馈线生成框架，可将自然语言需求端到端转换为可定制的物理一致馈线模型。该框架结合SFT、采用多阶段门控奖励函数的GRPO，以及由优化智能体和评判智能体组成的双智能体架构，以增强结构理解、满足用户意图和物理约束，并依据工业设计标准校准和评估模型。案例结果显示，生成的馈线格式有效、物理一致，且具有较高的工程应用价值。
本文基于扩展的多时间步DC最优潮流框架和IEEE 30节点系统，评估数据中心负荷增长及时间集中性对电网韧性的影响。研究发现，在输电受限和发电—输电耦合降额故障下，数据中心容量增长会显著增加未供电电量；高增长情景下总未供电电量可由3.203 MWh升至22.891 MWh，而总能耗相同但需求更集中的情景还会额外增加34.4%，说明数据中心需求的规模与时序特征均会削弱电网韧性。
本文面向含多个IBR的电力系统在线动态轨迹预测，提出网络互依关系感知的黑箱建模方法。该方法采用模块化STAN捕捉各IBR的时空动态，并通过融合解耦线性化AC潮流的混合物理信息损失函数增强预测的物理一致性、计算效率及抗测量误差能力。IEEE 14节点和WECC 179节点系统测试显示，该方法在预测精度和鲁棒性方面优于近期ML方法。
本文提出一个面向整体运动员画像的智能体框架，通过 LangGraph 协同 MediaPipe、Llama-4-scout 与 RAG，将定量运动学追踪和定性教练判断相结合。其 3 X 3“Smart Grid”时间分块策略可将计算开销降低 88% 以上，“LLM-as-a-Judge”自校正机制用于交叉核验指标并减少幻觉，基于 ChromaDB 的双持久化管线则支持自然语言语义检索。该框架严格对齐 SAI 规程，可为大规模、客观的国家级运动员选拔和人才识别提供可落地的教练洞察。
该内容聚焦预测与感知，涉及时序智能。australian electricity demand (TsFile format) 5 time series representing the half hourly electricity demand of 5 states in Australia: Victoria, New South Wales, Queensland, Tasmani…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
该内容聚焦预测与感知，涉及时序智能。Electricity Load Diagrams 2011 2014 (TsFile) Apache TsFile version of sxj1024/electricity load 2011 2014, the classic Electricity Load Diagrams 2011 2014 dataset. Overview Electric…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。