追踪能源领域最新技术、论文、代码与数据集
WattCouncil是一种面向家庭能源场景生成的受治理LLM多智能体框架。不同专业角色的智能体在文化、时间和物理约束下协同生成、审查与验证结构化用能场景，并结合家庭构成、时间因素和环境条件生成情境敏感的日常活动及负荷曲线。研究利用包含4232个家庭一年以上负荷数据和社会经济信息的CER数据集进行评估，并通过消融研究检验框架一致性，旨在缓解高分辨率家庭能源数据因隐私、监管和采集成本而难以获取的问题。
本文面向相互依赖的电力—通信网络，提出以 MIIM 为真值仿真器的机器学习代理模型，用于快速预测 N-k 事故严重程度并评估元件关键性。在 IEEE 118 节点系统上，Gradient Boosting 的事故排序 Spearman 相关系数为 0.849，元件关键性排序与 MIIM 排序的相关系数为 0.838，筛查速度约提升 158 倍。结果表明，层间依赖特征是性能提升的主要来源；该方法适合用于“代理模型初筛、MIIM 选择性验证”的两阶段韧性评估流程，但不直接用于确定最优加固方案。
本文基于扩展的多时间步DC最优潮流框架和IEEE 30节点系统，评估数据中心负荷增长及时间集中性对电网韧性的影响。研究发现，在输电受限和发电—输电耦合降额故障下，数据中心容量增长会显著增加未供电电量；高增长情景下总未供电电量可由3.203 MWh升至22.891 MWh，而总能耗相同但需求更集中的情景还会额外增加34.4%，说明数据中心需求的规模与时序特征均会削弱电网韧性。
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。
本文提出一个面向整体运动员画像的智能体框架，通过 LangGraph 协同 MediaPipe、Llama-4-scout 与 RAG，将定量运动学追踪和定性教练判断相结合。其 3 X 3“Smart Grid”时间分块策略可将计算开销降低 88% 以上，“LLM-as-a-Judge”自校正机制用于交叉核验指标并减少幻觉，基于 ChromaDB 的双持久化管线则支持自然语言语义检索。该框架严格对齐 SAI 规程，可为大规模、客观的国家级运动员选拔和人才识别提供可落地的教练洞察。
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。
该内容聚焦预测与感知，涉及时序智能。Electricity Load Diagrams 2011 2014 (TsFile) Apache TsFile version of sxj1024/electricity load 2011 2014, the classic Electricity Load Diagrams 2011 2014 dataset. Overview Electric…… 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。