追踪能源领域最新技术、论文、代码与数据集
本文面向公共充电系统，提出LLM增强型多智能体强化学习框架，在统一闭环中协同优化电动汽车、充电站与电网。该框架利用LLM从实时IoT数据中筛选具有物理意义的特征，并通过语义推理动态平衡利润、用户满意度和电网负荷等目标。实验结果显示，该方法不仅提升了市场效率，还将训练时间缩短70%以上，具备良好的可扩展性和可解释性。
本研究面向400 Hz航空航天电力系统，提出一种基于深度学习的电气故障与电能质量扰动多分类检测框架。研究利用高保真仿真生成21种工况数据，并比较多类时序与时频深度学习模型。紧凑型ResNet以较低参数量取得96.94%的软件测试准确率；经8-bit量化并部署在Xilinx ZCU102后，仍达到95.87%的准确率和6.90 ms的平均推理延迟，表明嵌入式边缘AI用于飞机电气健康监测具有可行性。
本研究以支持单变量、多变量和协变量信息增强预测的多通道时间序列基础模型Chronos-2为对象，在ISO New England和ENTSO-E真实数据集上，将其与任务专用深度学习模型进行系统比较。结果显示，任务特定微调可显著提升Chronos-2的负荷预测能力，使其在短预测时域表现突出；但在零样本场景下，其准确率仍逊于任务专用模型，且误差随预测步数增加得更快。研究明确了TSFMs用于实际电网负荷预测的优势、局限及有效适配方式。
本文提出用于电网图分类的多通道物理感知随机游走指纹 MC-PA-RWF，通过将运行相关的物理边状态编码为多个加权通道，生成紧凑、可扩展且可解释的图级表示。在三个 PowerGraph 系统上，该方法显著优于仅考虑拓扑的 RWF，并可与强 GNN 基线竞争；其扩展模型 MC-PA-RWF+ 在最大规模设置下达到约 98.04%–99.32% 的平衡准确率，且故障类别 F1 显著领先最佳 GNN 基线。
研究比较了住宅光伏—电池储能（PV-BES）社区P2P电力交易中的规则型定价与基于Deep Q-Network的RL定价。仅配置光伏时，规则型方法优于最佳RL策略；加入电池储能后，最佳RL策略的社区节省额由734.23欧元提升至978.52欧元。学习型方案中，SDR形状定价优于基于乘数的参数化方法。总体而言，规则型定价仍具较强竞争力，储能可显著改善RL方案的经济表现，但各家庭获得的收益并不均衡。
RAPTOR是一种面向电力系统多时间尺度暂态仿真的物理信息随机投影求解框架。它使用基于固定高斯RBFs的PIRPNN表示混合DAEs在时间区间内的轨迹，并通过Newton-Raphson等非线性求解器确定RBFs组合。多类RMS与EMT测试表明，该方法在保持求解精度的同时，可减少顺序仿真推进和非线性迭代，改善精度—运行时间性能，部分案例加速超过10x，并有望优于Radau方法和梯形法。
研究以德国、波兰和西班牙2021—2025年的电价数据为基础，比较零样本基础模型与市场特定预测模型在预测准确性和电池储能套利收益方面的表现。TabPFN在统计指标上全面领先，但其经济优势取决于报价限制和风险偏好；低风险情景下，Distributional Deep Neural Network反而更具盈利能力。结论是，基础模型尚不能全面替代市场特定模型，实际价值需结合模型架构与决策场景判断。
本文探讨算法化电力市场中AI智能体通过自主学习形成默契合谋的风险。研究将策略性竞价构建为具有不完美公共监测的重复博弈，并利用多智能体强化学习模拟参与者行为，同时提出超越纳什均衡利润比较的多维判定标准。实验发现，即使未收到合谋指令，部分智能体仍可能学会维持高于竞争水平的市场结果，表明电力市场中的算法默契合谋风险真实存在。
ICI-Time 将时间序列转换为面积图，并借助大型视觉模型的上下文学习能力，把预测转化为网格提示中的视觉修复与模式补全任务。该方法无需微调或修改预训练视觉 Transformer 的架构，在流行病学、气象学和电力系统实验中取得了可与深度学习基线竞争的表现，并在有限数据条件下展现出良好适应性。
本文面向低惯量、复杂动态且系统参数难以获取的微电网频率控制问题，提出Prompt-DT架构，将少样本专家历史轨迹作为提示，实现上下文感知的环境识别与自适应决策。该方法结合自监督对比学习和基于累积奖励、频率波动性的物理信息提示筛选机制，并通过轻量级微调提升在数据有限的未见环境中的泛化能力，其性能可与全参数微调相当。
本文提出一种面向电力系统安全稳定运行的多目标深度强化学习统一控制方法，在随机负荷变化下兼顾热安全与关键模态阻尼。结果表明，该方法相较于仅考虑热安全的智能体和常规策略，可在几乎不增加热安全违规的情况下显著提高阻尼，并在小信号与大信号扰动中加快振荡衰减、改善临界切除时间。
本文在两个公开智能电表数据集上，对九种涵盖线性、MLP、卷积和 Transformer 架构的深度时间序列模型进行了实证基准评测。研究发现，更长的历史输入可提升预测准确性，但存在饱和点；预测时间范围越长，准确性越低。深度学习模型整体优于经典基线，而轻量级模型能以更低计算成本获得相近性能。模型架构差异主要在长预测范围和高异质性数据集上体现，对大多数地理人口统计及家庭子群的影响则较为有限。
本研究建立了一个基于公开、标准化电力市场数据的可复现框架，对六种深度学习模型的跨市场电价预测能力进行比较，并以 2024 年 DE-LU 竞价区为测试对象，考察零样本、单样本和少样本场景。结果显示，N-HiTS 和 NBEATSx 在数据有限时表现突出；Transformer 模型经充分适配与调优后可达到相近精度。特征选择和超参数调优对性能具有重要影响，而领先模型之间的差距通常较小。
本文综述了近800篇图机器学习（GML）与电力系统交叉领域的论文，覆盖预测、状态估计、优化、控制、故障诊断和网络安全等任务。GML能够利用电网拓扑信息，为经典求解器提供可扩展且高效的补充；同时，电力系统所具有的物理约束、多尺度动态、安全关键性和数据稀缺等特征，也使其成为检验GML的重要场景。当前主要瓶颈包括实际部署不足、模型可解释性有限，以及标准化基准和开放数据集稀缺。为此，本文提出机器学习就绪型电网基准的结构化需求目录，并呼吁优先推进基准研究及数据集与模型的开放共享。
本文提出一种结合LLM分层协调与延续感知策略学习的控制框架：由LLM基于异构运行信息进行高层协调，任务专用控制器或优化器负责生成满足约束的底层动作，并通过Continuation-Aware GRPO评估决策在后续控制时段的持续影响。多匝道交通控制和VPP能源管理实验表明，该方法持续优于多类直接控制、强化学习、分层协调及仅提示词驱动的LLM基线。
本文提出一种面向锂离子电池的物理信息神经网络方法，可从任意电压区间的部分放电曲线实时估计健康状态（SOH），MAPE低于4%。该方法融合数据驱动学习与物理退化动力学，并能在无需先验知识或历史数据的情况下在线识别关键老化转变、持续更新退化预测，从而适应异构运行条件并摆脱固定测试规程的限制。
本文提出一种面向电力变压器虚拟温度传感的物理感知Neural ODE框架，将简化传热方程与真实时间序列数据相结合，以连续时间方式预测热动态。基于挪威不同地区15台设计和冷却机制各异的变压器进行评估后，结果显示该方法能够为异构变压器提供标准化、稳健且符合物理规律的温度预测。
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。
本文针对电力系统动态机器学习替代模型难以解释的问题，将小信号特征值分析与NTK方法相结合，从模态角度揭示误差收敛特性，并说明物理刚性和时间尺度分离如何转化为NN训练中的优化刚性。在此基础上，研究提出自适应损失加权策略，并解释ActNet等结构感知架构相较普通NN的性能优势。相关方法在\acp{SM}和电力电子变流器的物理信息替代模型上得到评估，可为物理感知的NN架构与训练策略设计提供系统化分析依据。
FarSky是一种面向小时内太阳辐照度预测的生成式框架，通过多任务自编码器联合学习图像重建与辐照度估计的任务感知潜在表征，并利用潜在扩散模型生成未来状态。该方法可同时提供确定性与概率预测，在两个独立测试集上实现最佳综合性能，预报技能最高提升11个百分点，爬坡事件检测的F1分数超过60%。