追踪能源领域最新技术、论文、代码与数据集
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。
本文面向数据稀缺市场的日前电价预测，提出将 Chronos-2 与多源市场信息（MSMI）及状态依赖门控 LoRA 相结合的跨市场迁移框架。该方法无需目标市场标签，仅更新约1%的参数；在中国4个省级日前现货市场上，相较市场信息感知的零样本 Chronos-2 和标准 Source-LoRA 均降低了 MAE/RMSE。结果表明，市场结构化信息和基于运行状态的门控机制有助于提升迁移预测性能，但门控相对 Source-LoRA 的额外增益有限。
本文针对计算侧对抗性AI请求与电力侧逆变器控制篡改形成的协同攻击，提出一种考虑需求响应和PV预测不确定性的AIDC微电网脆弱性评估框架。该方法通过功率映射、置信度加权不确定性表征和基于阻抗的稳定性分析，确定攻击可达域、关键攻击时间窗口及固定协同攻击向量。案例结果显示，关键窗口内的协同攻击可造成持续频率振荡，峰值绝对偏差超过标称频率的20%，而窗口外响应保持有界。
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%。
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。
PowerAtlas面向数据中心AI负荷与电网的电力—算力协同调度，将历史实例、领域知识和物理约束集成到LLM智能体中，以生成满足电网规则与计算任务SLAs的可行决策。基于真实数据和包含2,000个最优解实例的ECBench测试，其在十一种LLM及三种开放权重骨干模型上均展现出稳定的可行性与成本优势。
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。
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。
EirGrid与GridZero.ai开发了一种生成式人工智能方法，利用市场关闸前的有限数据，提前最多38小时预测爱尔兰电网的最大单一馈入和馈出。其MAPE仅比使用完整市场数据进行提前8小时预测的结果高1.1%，显示出降低备用容量采购成本以及扩展TSO智能资源规划的潜力。
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。