追踪能源领域最新技术、论文、代码与数据集
研究提出统一的异构残差门控图卷积网络，以共享骨干网络同时求解PF、OPF和SE。该模型通过多拓扑、多负荷条件下的联合训练，学习可复用的电网运行表征；在IEEE 14节点和118节点系统上的准确性与任务专用GNN相当，并能稳健泛化至未见负荷水平和拓扑，为电力系统基础模型提供了初步路径。
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。
本研究分析溶解氧对生物基烃类和合成酯绝缘液体在电弧及局部热老化故障下产气特性的影响。结果显示，溶解氧会显著改变故障气体的种类和浓度，因此传统DGA及Duval三角形法、五边形法在用于可生物降解绝缘液体时需考虑其氧化敏感性，以避免误诊并提高变压器资产管理的准确性。
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。
本研究提出一种数据优化的机器学习方法，用于将电力系统 N-k 预想故障划分为安全、中等和严重等级。研究基于 IEEE-14 与 IEEE-30 节点系统，结合 Newton-Raphson 潮流计算、OPI、SMOTE 和 PCA，对 KNN、RF 和 SVM 进行比较。RF 表现最佳，最高 F1 分数在 IEEE-30 和 IEEE-14 系统上分别达到0.97和0.86；PCA 对整体性能的提升大于 SMOTE，而 SMOTE 可提高召回率，但可能增加假阳性。结果表明，机器学习可作为传统预想故障分析的可扩展替代方案，支持更高效的实时电力系统安全评估。
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。
RestoreBench用于评估LLM智能体恢复潮流计算收敛的能力，覆盖聊天机器人、单智能体和多智能体三类架构，并在两个电网、每个电网46个故障案例上进行测试。该基准通过标准化仿真环境、观测与行动空间及评估指标，为电力系统规划和运行中的智能体式AI研究提供可复现框架。
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。
本文提出利用AI数据中心灵活训练工作负载支撑输电受限电力系统暂态稳定的TILS策略。该策略在故障清除后快速启动或恢复训练任务，通过增加关键位置的有功负荷，降低发电机加速功率不平衡并抑制首次摆动转子角偏移。SMIB、IEEE 39节点及韩国大规模电力系统的仿真结果表明，TILS可提高暂态稳定约束下的发电极限，且响应越大、激活越早、部署位置对关键发电机的电气影响越强，效果越显著。
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。
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。
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。
本文研究基于大规模预训练模型的电力设备具身智能技术，重点关注导航与操作两类任务。具身智能通过第一人称感知与环境交互进行学习，相较传统AI算法具有更强的通用性、适应性和灵活性。仿真结果显示，导航任务的召回率较其他算法提升超过9.74%，操作任务的平均成功率达到50%。研究据此为具身智能在电力人工智能及电力设备应用中的未来发展提出建议。