追踪能源领域最新技术、论文、代码与数据集
本文面向低惯量、复杂动态且系统参数难以获取的微电网频率控制问题，提出Prompt-DT架构，将少样本专家历史轨迹作为提示，实现上下文感知的环境识别与自适应决策。该方法结合自监督对比学习和基于累积奖励、频率波动性的物理信息提示筛选机制，并通过轻量级微调提升在数据有限的未见环境中的泛化能力，其性能可与全参数微调相当。
研究针对现有恒定热源方法忽略温度对变压器损耗影响、导致辐射制冷功率计算不准确的问题，提出了基于有限元分析的电磁–热–流体–辐射多物理场耦合方法，同时考虑电磁场与温度场的双向耦合及损耗非均匀分布。小型ONAN变压器试验表明，该方法计算温升和辐射制冷散热效果的最大误差分别为−4.0%和−4.8%，精度较现有方法分别提高16.2%和25.3%。该方法还用于分析800 kVA三相ONAN变压器，可为户外电力变压器辐射制冷功率的准确估算提供依据。
本文提出一种面向电力系统安全稳定运行的多目标深度强化学习统一控制方法，在随机负荷变化下兼顾热安全与关键模态阻尼。结果表明，该方法相较于仅考虑热安全的智能体和常规策略，可在几乎不增加热安全违规的情况下显著提高阻尼，并在小信号与大信号扰动中加快振荡衰减、改善临界切除时间。
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。
本文提出一个用于电力系统机器学习保护的标准化评估框架，要求明确保护目标、物理范围、可观测性、决策时序、目标与样本有效性、验证协议及评估输出。基于 PROTECT-90 的案例表明，MLP 的故障分类性能接近完美，但定位性能对可观测性更敏感，且不及拥有更丰富无噪声信息的同步双端传统定位器。研究强调，高评分依赖具体评估条件，无退化数据上的预测性能也不能代表鲁棒性；显式记录评估假设有助于实现可复现、可比较、可审计及面向认证的机器学习保护评估。
本文提出面向电力系统机器学习研究的合成数据集EvEMTBench。该数据集基于经文献验证的电磁暂态仿真生成，提供跨多种拓扑结构和电压等级、采样频率为9600 Hz的同步电压与电流逐点波形数据，可用于模型训练、微调和基准测试，并支持早期故障检测、故障定位及事件检测等任务，以提升相关研究的可复现性和方法比较的公平性。
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。
本文面向集成BESS的配电网，提出一种由LLM辅助的运行监测框架，将自然语言问题转换为经过验证的SQL查询，并依据工程约束自动分析母线电压、荷电状态及有功、无功功率等遥测数据。基于硬件在环协同仿真的验证结果显示，该框架能够识别电压越限、无功功率过冲并评估有功功率跟踪性能，为BESS运行监测与工程分析提供自动化支持。
本文提出一种结合LLM分层协调与延续感知策略学习的控制框架：由LLM基于异构运行信息进行高层协调，任务专用控制器或优化器负责生成满足约束的底层动作，并通过Continuation-Aware GRPO评估决策在后续控制时段的持续影响。多匝道交通控制和VPP能源管理实验表明，该方法持续优于多类直接控制、强化学习、分层协调及仅提示词驱动的LLM基线。
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。
本文系统综述面向6G无线系统的数字孪生网络（DTN），将其架构划分为被动监测孪生与主动控制孪生，并分析射线追踪、可重构智能表面、人工智能和移动边缘计算等关键使能技术。研究进一步从数学与计算复杂度角度评估硬件可扩展性和推理瓶颈，讨论DTN在智慧城市、工业5.0、医疗健康和智能电网中的应用，并指出GPU硬件限制、信息物理执行时延及零信任安全是实现统一万物互联需要重点突破的挑战。
本文研究LLM作为P2P能源双向拍卖中的策略性竞价智能体。仿真显示，LLM策略无需传统学习算法的探索预热期，在早期成交电量及跨环境测试中的盈余和成功交易方面优于随机竞价与ε-贪心MAB；但同质LLM群体会促使卖方将价格推高至纳什均衡之上，使盈余持续向卖方倾斜且未出现收敛。
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。
GENCO 是一种面向稳态输电网分析的统一神经求解器，可在同一架构中完成 PF、OPF 和 SE，并由开源低代码 GridFM Development Framework 及数百万规模场景数据集提供支持。评测结果表明，GENCO 在保持或改善物理可行性、最优性与估计鲁棒性的同时，PF 相较 Newton-Raphson 最高加速 30x，OPF 相较 IPOPT 最高加速 85x，并能在经典加权最小二乘法不收敛时稳定输出高质量状态估计，为构建 Grid Foundation Models 提供了新的技术路径。
本文提出一种融合物理信息与数据驱动学习的电力系统故障检测和分类框架，利用SMOTE平衡数据训练并比较多种机器学习及深度学习模型。PINN凭借嵌入的电力系统方程，在无噪声数据上实现99.86%的故障检测准确率和99.79%的多分类准确率，并在噪声干扰和小规模训练数据条件下保持较强鲁棒性。该框架支持毫秒级推理，可服务于实时保护及广域监测与控制。
EnergyBridge 是一个面向家庭能源管理、用户参与和电网灵活性的评测基准与智能体框架，将容量申报、居民事件授权和实际用能执行纳入统一流程。它结合天津与柏林的 EnergyPlus 环境及基于 LLM 的用户参与模拟器；在人类角色扮演数据验证中，接受率平均绝对误差为 5.3 个百分点，并在两个地区取得最高模拟授权率、最低事件窗口能耗和最可靠的容量承诺。