追踪能源领域最新技术、论文、代码与数据集
本文提出一种融合物理信息与数据驱动学习的电力系统故障检测和分类框架，利用SMOTE平衡数据训练并比较多种机器学习及深度学习模型。PINN凭借嵌入的电力系统方程，在无噪声数据上实现99.86%的故障检测准确率和99.79%的多分类准确率，并在噪声干扰和小规模训练数据条件下保持较强鲁棒性。该框架支持毫秒级推理，可服务于实时保护及广域监测与控制。
本综述系统分析了2023—2026年任务关键型环境中节能型AI赋能WSNs的50篇DOI索引研究，涵盖智能电网、电力电子及城市基础设施等应用。研究显示，路由与聚类、边缘AI、强化学习、模糊逻辑、元启发式优化及AI安全机制有助于提升能源效率，但必须统筹安全性、时延与可靠性。未来应重点发展轻量级、可解释、安全并经过实际现场验证的AI驱动WSN架构。
本文提出一种具有物理一致性的稀疏非线性动力学辨识与控制框架PC-SINDYc，用于含分布式能源的微电网建模和实时频率控制。该方法结合物理引导函数库、全最小二乘回归、随机抽样一致性和MPC，可在噪声、延迟及约束激活条件下稳健辨识频率动态，并保证系统在温和条件下渐近稳定。4母线和13母线微电网仿真显示，该方法对未见扰动具有良好的控制效果，优于PI、传统SINDYc和先进强化学习方法。
本文面向电-氢-交通综合系统（EHTS），提出需求驱动的双层分层优化框架：上层采用无需求解器的贪心启发式（SFGH）算法，实时安排EV充电和HV加氢；下层利用深度强化学习（DRL）协同优化电池、储氢罐和光伏发电分配，在满足交通需求的同时降低系统总体运行成本。案例、对比、消融及泛化分析验证了该框架的有效性与鲁棒性，且其调度策略无需重新训练便能适应多种交通需求场景。
本文面向高比例DERs接入下的配电网电压调节问题，提出HI-LSAC人机协同框架，将SAC、自适应拉格朗日约束与基于灵敏度的人工指导相结合，并协调控制电容器组和BESS。IEEE 13节点馈线仿真表明，该方法可提升控制安全性与鲁棒性，显著减轻电压越限并降低功率损耗。
本文围绕关键系统中的可信Agentic AI工程展开，提出由安全、鲁棒性、透明度、问责性以及隐私与安全防护五个维度构成的可信性模型，并将其贯穿从感知到审计的保障流程。通过分析电力系统、自动驾驶车辆/机器人/UAVs、高性能计算和通信网络，研究总结了共性设计模式与失效风险，主张建立类似成熟安全关键型工程分级认证制度的可复用跨领域保障框架。
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。
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。