追踪能源领域最新技术、论文、代码与数据集
论文提出量子增强深度学习框架QeDL，在MLP、GRU、Transformer等模型前加入4量子比特固定参数QuanCon层，利用差动继电器20毫秒电流窗口区分真实故障与虚假数据注入攻击。OPAL-RT生成7464组故障和7464组攻击样本，量子增强Transformer准确率达98.4%，并通过IEC 61850硬件在环验证约0.07—0.16秒端到端检测。
研究提出面向网络化多能源微网的LTSR框架，通过轨迹堆叠减少多智能体强化学习训练数据，并借助大模型生成潜在特征、恢复逐时奖励，同时设置自提示和预验证抗幻觉机制。实验中通信量降低39.09%，叠加压缩后降低80.08%，运行成本仅增约1.59%；RT-LAB与树莓派硬件在环平台进一步验证了部署可行性。
文章汇总ACM MM 2026时空数据方向的11篇论文，主题涵盖POI推荐、时空序列预测、4D时空推理、跨城市轨迹恢复、城市社会经济估算、城市级3D世界生成及降水临近预报等，重点呈现VLM、多模态大模型、强化学习和Agentic框架在空间智能与城市科学中的应用。
论文面向网络化多能源微网，提出LLM辅助的轨迹堆叠与奖励恢复框架LTSR，以降低多智能体强化学习训练通信开销。实验显示其通信量较MAPPO减少39.09%，结合压缩后减少80.08%，运行成本仅增加约1.59%；抗幻觉机制将代码可执行与策略收敛成功率由0/5提升至5/5，并通过RT-LAB与树莓派硬件在环平台验证。
论文提出两阶段量子强化学习TS-QSAC求解多目标输电开关问题：先以边连通度和节点度筛选线路、压缩动作空间，再由含经典降维、残差变分量子电路和可学习测量的混合SAC生成拓扑策略。IEEE 14、57和118节点实验显示，其策略网络参数约为经典模型的1%，收敛更快，并取得有竞争力的成本与安全约束表现。
论文提出稳定性约束分层强化学习Volt/Var控制框架：利用LMI、KYP引理和GEVP计算多逆变器下垂稳定边界，并将其作为TD3动作空间硬约束。IEEE 33节点及RT-LAB实验表明，方法可避免越界振荡，使有功网损降低43.35%，三相电压不平衡指标下降66.8%。
研究从AEMO历史报价中聚类提取发电商实用且异质的报价策略空间，并将其作为强化学习智能体动作空间，构建基于MAPPO的电力市场仿真框架。新南威尔士数据实验显示，14个发电商中有10个出清结果更接近真实值，MAPPO所得收益也优于纳什均衡和MADDQN。
本文研究负荷不确定性下数据同化辅助强化学习的电网控制方法。在基于直流潮流的定制仿真环境中，EnSF 用于校正含噪负荷信息，再供启发式控制器或 PPO 智能体决策。结果表明，EnSF 能稳定降低负荷估计误差，延长系统存续时间、减少警告和过载暴露，并提高冻结 PPO 策略的累积回报；在超出训练分布的更强负荷不确定性下，其性能优势更为显著。
文章介绍面向大规模配电网灾后恢复的分散式多智能体强化学习方法DMA3C。该方法采用分散训练与执行，仅交换κ跳邻域信息，并以截断价值函数近似全局策略梯度。3375节点测试中平均负荷恢复率达99.54%，通信量约为MADDPG的1%；局部结构变化后微调时间减少约76%，7087节点系统亦取得99.98%的平均恢复率。
本文面向实际PMU不可观测输电系统，研究基于深度神经网络的PMU时间尺度时间同步状态估计。研究利用美国电力公司的现场PMU数据，重点评估该方法在现实运行条件下的估计精度、可扩展性与计算性能，以验证其替代传统迭代式混合SE技术的部署可行性。
本文面向攻击模型未知且多样化的智能电表隐私场景，提出一种代理引导的分层强化学习防御框架。该方法利用电池进行负荷整形，向聚合用电信号注入逼真但具有误导性的电器特征，并结合自监督隐私探针和特征库，削弱NILM对电器级信息及用户行为模式的恢复能力。UK-DALE和REDD实验显示，该方法对未见攻击模型和不同电器均具有较强泛化性，可显著提高推断RMSE并降低F1分数。
本文扩展 GridFM，提出面向 AC 潮流分析的下垂感知基础模型，将下垂增益和频率/电压死区作为母线节点特征，并以平滑 tanh 近似保持死区建模的可微性。基于 Transformer 的图神经网络经预训练和微调后，在 PSCAD、PyPower、IEEE 24-bus RTS 和 IEEE 300 母线系统上均表现出高精度与良好可扩展性。研究还发现，死区宽度会扩大控制误差分布，但不影响总下垂补偿量，因此可作为重要的节点级控制设计参数。
本文提出开源深度学习模型 OrderFusion+，通过融合目标及相邻交付产品的历史订单，概率预测日内电力市场的买卖价格轨迹。研究将其与基准模型及预训练时间序列基础模型进行比较，并利用动态掩码机制分析市场条件变化及市场效率。
研究针对电价价差受抑情形下的BESS调度，构建了将经济建议与物理可行性约束分离的PPO控制器。结果表明，经济建议可在T2阶段小幅提升利润并降低吞吐量，但在T1阶段作用有限；PPO对多种季节性预测较稳定，但始终未超过proxy-cost MPC。消融实验进一步证明，动作掩码和紧急投影对减少不可行动作与爬坡违规至关重要，但研究不主张形式化安全、寿命周期老化最优或RL优越性。
本文针对传统IC分析依赖低电流放电、难以用于实时管理的问题，提出一种基于神经网络的放电IC特征估计框架。该框架利用充电信号直接预测退化特征，并在53个采用不同快速充电协议的电芯数据上完成训练与验证。其中，LSTM在精度和计算效率方面表现最佳，可集成至BMS，实现不中断正常运行的实时、智能且可扩展的锂离子电池退化监测。
PowerModels-ACOPF-AI采用两阶段BNN代理模型与性能敏感的即时学习机制，对AC-OPF中的发电机设定值、母线电压和相角进行快速且具不确定性感知能力的预测。该方法可借助PowerModels.jl动态补充训练数据并自适应再训练，在30、200和500母线系统中展现出良好的泛化能力及对随机可再生能源注入的处理能力，可用于实时运行辅助和传统求解器的快速初始化。
本文围绕电气化铁路系统优化，综述列车动态调度、能源管理和储能系统（ESSs）集成的研究进展，重点分析节能型调度与运行控制、储能在削峰及电压和频率控制中的作用，以及人工智能和先进控制策略的应用。研究指出，未来应进一步推动ESSs与智能控制深度融合，以建设更具韧性、高能效和智能化的铁路系统。
本文面向ESS参与电网频率支撑时的变流器-电网交互稳定性问题，提出CIS-DRL方法。该方法利用基于双DNN的稳定域识别稳定运行范围，并在CIS-STD3中引入稳定性可行投影层，将不安全动作映射至稳定动作集。实验表明，该方法能够在实现100%交互稳定、无违规运行的同时改善频率调节性能，适用于ESS实时频率支撑。
研究提出统一的异构残差门控图卷积网络，以共享骨干网络同时求解PF、OPF和SE。该模型通过多拓扑、多负荷条件下的联合训练，学习可复用的电网运行表征；在IEEE 14节点和118节点系统上的准确性与任务专用GNN相当，并能稳健泛化至未见负荷水平和拓扑，为电力系统基础模型提供了初步路径。
本文基于2023年全年真实商业光伏数据，比较了TOU电价下MILP、MPC与SAC强化学习的电池调度性能。具有完美前瞻信息的MILP使年度成本降低24.6%，仅依赖前一日数据的持续性预测MPC达到MILP基准的99.2%，而SAC的成本反而高于无储能情形。研究表明，在该数据集、电价结构和信息约束下，低复杂度MPC几乎能够获取全部经济效益，所测试的RL方案则不具备竞争力。