追踪能源领域最新技术、论文、代码与数据集
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。
WPBench是一个全面、公平且可扩展的风电功率预测基准，整合26个公开数据集和19种代表性模型，覆盖不同风机规模、变量构成及传统、深度时序、时空和基础模型。它采用统一协议，不仅评估逐点误差，还考察预测曲线保真度、计算效率以及时间、变量和空间依赖结构，为多样化风电场景中的系统模型比较和后续研究提供可复用平台。
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。
本研究面向日前电力市场中的电池套利，提出时间层级预测（THieF）框架，通过联合协调小时电价与日内价差预测来提升预测和交易绩效。德国与西班牙五年样本外结果显示，该方法在多种预测架构（包括预训练TabPFN基础模型）下均有效，准确率最高提升19.7%，利润最高增加10.4%，并揭示统计预测精度与经济决策价值并不总是一致。
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。
SETTer是一种面向长期多变量时间序列预测的稀疏编码器Transformer。该模型通过解耦自注意力、混合掩码及可解释结构，同时捕捉时间和通道维度上的短期与长期模式，并缓解高维复杂输入下的过度平滑、容量受限和不透明问题。凭借单层Transformer架构，SETTer可有效建模长期依赖，并在真实世界基准测试的88%场景中超越最先进模型。
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。
本文面向地下抽水蓄能系统（UPHES）的复杂日前调度，提出扩展的混合整数可微预测控制（MI-DPC）框架，以统一处理连续设定值、多模态整数决策及非凸动力学。该框架结合并行可微模拟器、Transformer 编码器和 Gumbel-Softmax 温度退火，在相较分段混合整数二次规划基线仅有 1.6% 次优性的同时，实现了在线调度时间五个数量级的加速。
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。
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。
本文研究如何利用建模与优化方法规划为人工智能数据中心供电的新增基础设施。研究将数据中心负荷、发电容量和市场出清电价纳入统一框架，并通过确定性模型、随机过程和随机控制分析供需增长及投资决策。结论表明，尽管AI数据中心的用电需求快速增长，但负荷预测偏差、项目执行风险和过度建设造成的价值蚕食可能抑制发电投资，导致供给扩张难以及时跟上需求，从而使电价稳定面临挑战。
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。
该内容聚焦预测与感知，涉及时序智能。Hourly Electricity Load — Brazil (TsFile) This dataset is an Apache TsFile conversion of SamuelM0422/Hourly Electricity Demand Brazil Dataset. Modalities: Time series. Overview Hou…… 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。
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。
该内容聚焦预测与感知，涉及时序智能。The Victoria electricity demand dataset from the MAPIE github repository. It consists of hourly electricity demand (in GW) of the Victoria state in Australia together with the temp…… 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。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。
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。
本文针对ERCOT日前市场2014–2024年的价格形成机制，利用HGBR和XAI框架量化历史价格滞后项对负荷、气候及日历因素的遮蔽效应。结果显示，价格滞后项虽有助于正常状态下的短期预测，却无法有效描述极端行情，并会在价格飙升时提高MAE/RMSE。极端价格主要与系统在特定温度区间内的非线性剧烈响应有关，说明预测模型应减少对价格滞后项的依赖，更直接地识别物理驱动因素。