追踪能源领域最新技术、论文、代码与数据集
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HPC-RL分层约束强化学习框架，用于解决大规模EV参与V2G时空耦合调度中的约束满足与计算效率问题。该方法通过上层广义约化梯度RL严格执行电网空间硬约束，并利用下层动态边界策略保障单辆EV的时间充电需求。IEEE 14、30及改进的141节点系统实验显示，HPC-RL全面优于模型预测控制和先进安全RL基线，可实现近似最优调度，将在线计算时间由数小时降至数分钟，同时实现接近零的约束违反率和接近100%的充电需求满足率。
本文面向工业微电网中炼钢工艺负荷的实时调度，提出嵌入工艺知识的安全深度强化学习框架。该框架通过动作空间设计、工艺距离引导的安全动作处理、递归可行性保障，以及融入PPO的修正预算与原始-对偶更新，在确保生产过程持续可行的同时降低购电成本。真实数据验证显示，该方法实现零工艺损失，并较基于规则的调度和滚动MILP分别节省49.2%和25.9%的购电成本。
本文面向电力系统AI教育中的入门障碍，提出一个以工程基础人工智能（EGAI）为理念的开放、可执行实践框架。该框架通过难度递进的Jupyter notebook模块，将DNN、CNN、DRL和PINNs等方法应用于负荷曲线拟合、5母线潮流代理、电池储能控制、优化和摇摆方程求解，并支持本地及Google Colab运行。调查结果及IEEE PES课程推广数据表明，电力领域对可复用、面向实践的AI教学资源存在显著需求。
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。
本文研究图神经网络在DER渗透率从10%提高至50%时的故障定位泛化能力。基于重构的IEEE 123节点馈线实验，STGATv2在同分布场景下取得92%—94%的宏平均F1分数，并在跨渗透率和测量噪声条件下显著优于GATv2与GRU。研究发现，高渗透率训练向低渗透率场景的泛化效果优于反向迁移，表明拓扑感知和时空联合建模是提升主动配电网故障定位鲁棒性的关键。
本文提出ES-PINN，将神经网络结构与故障前、故障中及切除后的电力系统动态事件相对应，并通过精确状态衔接构建可微的CCT边界。该方法支持边界提取、敏感性分析和直接CCT预测，并给出相应误差估计。在多个IEEE节点系统、不同扰动与切除配置下，ES-PINN相较神经代理基线取得了更高的轨迹和稳定边界精度，同时展现出良好的计算效率。
本文提出一种基于排放预测的主动式时空碳响应框架，利用双阶段注意力增强的深度学习模型及基于LLM的多智能体协作系统预测日前节点碳强度（NCI），并协同调度移动储能系统（MESSs）、分布式数据中心（DDCs）等地理可调度负荷（GDLs）。在改进的IEEE 33节点系统上的仿真表明，当碳调度延迟缩短1小时时，该方法可实现超过30%的减排，推动电力系统由被动碳核算转向主动碳管理。
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。
FMOPF是一种面向AC最优潮流的生成式框架，旨在学习给定负荷条件下可行近优解的分布。该方法通过潜在流匹配将高维OPF解流形的压缩与条件生成解耦，并引入约束感知交互先验网络来建模负荷—状态耦合。IEEE测试系统实验显示，FMOPF可改善Newton-Raphson热启动效果、降低生成方法的尾部风险，并在保持完全可行性的前提下扩展至数百个母线的系统。
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。
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。
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。