公众号
西南交通大学牵引供电系统团队提出一种基于多主体依互和在线学习的图神经网络 “网-源-储-车”协同供能系统能量超前管控方法
西南交通大学团队面向“网—源—储—车”协同供能，构建多主体运行工况转移图，并融合图卷积、多头注意力与在线学习，利用当前运行数据预测下一时刻工况和功率需求，提前分配光伏与储能能量。实际运行数据验证显示，该方法可实现模型动态更新及新能源、储能和列车负荷的协同管控。
方法时序预测 · 图与网络智能场景预测与感知
电工技术学报查看原文 ↗
看技术
追踪能源领域最新技术、论文、代码与数据集
公众号
知识图谱“牵手”小样本学习“认”出海风新故障，助智能运维练就“慧眼”——南京南自华盾数字技术有限公司 吴翰林等
文章提出海上风电知识图谱与小样本学习融合的智能运维架构，集成迁移学习、对比自监督学习和边标记图神经网络，实现故障识别、知识补全与查询重写。基于两座深远海风电场三年数据验证，故障定位时间降至51分钟以内，试点年运维成本下降17.5%，并给出多项基线对比指标。
方法图与网络智能 · 大模型与知识智能场景诊断与安全 · 知识与协同
电力系统自动化查看原文 ↗
公众号
KDD 2026 | 连"数到 32"都做不到：Mila 给时序图神经网络出了一份能力体检
Mila等机构提出T-GRAB合成诊断基准，以周期计数、延迟因果和长程依赖三类任务评测11种时序图学习方法。实验显示，计数长度达32时EdgeBank可反超神经网络；时间滞后增至64以上、结构距离超过8后，各模型普遍退化。论文还验证了邻居采样敏感性，并开源任务生成代码与数据集，可用于TGNN能力压力测试。
方法时序预测 · 图与网络智能
时序人查看原文 ↗
公众号
ACM MM 2026 | 时空数据(Spatial-Temporal)论文总结【POI推荐，空间智能，城市科学，VLM，多模态大模型，Agentic 】
文章汇总ACM MM 2026时空数据方向的11篇论文，主题涵盖POI推荐、时空序列预测、4D时空推理、跨城市轨迹恢复、城市社会经济估算、城市级3D世界生成及降水临近预报等，重点呈现VLM、多模态大模型、强化学习和Agentic框架在空间智能与城市科学中的应用。
方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知 · 知识与协同
时空探索之旅查看原文 ↗
论文
Data-Assimilation-Assisted Reinforcement Learning for Power Grid Control under Load Uncertainty负荷不确定性下数据同化辅助的电网控制强化学习
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景优化与决策 · 控制与自治 · 知识与协同
arXiv查看原文 ↗
论文
WPBench: A Comprehensive Benchmark for Wind Power ForecastingWPBench：风电预测综合基准
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。
方法时序预测 · 图与网络智能 · 大模型与知识智能场景预测与感知 · 优化与决策
arXiv查看原文 ↗
论文
Droop-Aware Foundation Model Power Flow考虑下垂控制的基础模型潮流计算
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景规划与仿真 · 预测与感知 · 控制与自治
arXiv查看原文 ↗
论文
Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation用于潮流、最优潮流和状态估计的统一异构图神经网络求解器
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。
方法图与网络智能 · 优化与强化学习 · 大模型与知识智能
arXiv查看原文 ↗
论文
Physics-Aware Random Walk Fingerprints for Scalable Power Grid Graph Classification面向可扩展电网图分类的物理感知随机游走指纹
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。
方法图与网络智能 · 优化与强化学习
arXiv查看原文 ↗
论文
In-Context Inpainting for Time Series Forecasting面向时间序列预测的上下文内修复
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知
arXiv查看原文 ↗
论文
Hierarchical Constrained Reinforcement Learning with Dynamic Boundary for Spatio-Temporal Vehicle-to-Grid Scheduling面向时空车辆到电网调度的动态边界分层约束强化学习
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景优化与决策 · 控制与自治
arXiv查看原文 ↗
论文
Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels图神经网络在不同分布式能源资源渗透率下故障定位的泛化能力评估
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景诊断与安全
arXiv查看原文 ↗
论文
Emission-Forecasting-Based Spatial-Temporal Carbon Response: A Multi-Agent Attention-Enhanced Deep Learning Framework基于排放预测的时空碳响应：多智能体注意力增强深度学习框架
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。
方法时序预测 · 图与网络智能 · 优化与强化学习场景规划与仿真 · 预测与感知 · 优化与决策
arXiv查看原文 ↗