公众号
光伏功率预测深度辨析：辐照度与组件温度，谁才是出力第一影响因子？
文章从物理机制、实测扰动、误差来源和工程建模对比辐照度与组件温度。全年全场景下，辐照度决定出力上限，是第一影响因子；稳定晴天中，组件温度会成为精度关键。建议按云量、季节动态调整权重，以背板温度传感器和热平衡模型替代单纯环境气温输入。
方法时序预测 · 物理与数据融合场景预测与感知
新能源功率预测查看原文 ↗
看技术
追踪能源领域最新技术、论文、代码与数据集
公众号
风光预测之外，微电网开始同时预测“发多少”和“用多少”
文章介绍微电网源荷统一预测的产业方案：使用K-means提取月度典型日，结合改进时间卷积网络与物理约束，应对样本有限和运行模式难识别问题。文章进一步说明净负荷预测对储能充放电、购售电和并网安全的作用，并提出关注峰值、爬坡和经营成本等评价维度。
方法时序预测 · 物理与数据融合场景预测与感知 · 诊断与安全
疾风大模型查看原文 ↗
公众号
【Trans好文分享｜数据中心+联邦约束强化学习】面向混合能源数据中心的规划—运行协同优化框架
论文提出混合能源数据中心规划—运行协同框架：上层以MILP配置站点、储能和SMR容量，下层采用物理约束PPO及联邦学习协调负载、冷却与购电。IEEE 118节点算例显示，峰值购电下降7%—9%，上下调节能力显著提高，EENS降低17.4%，线路过载次数减少约28%。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策
综合能源新视界查看原文 ↗
公众号
【Trans好文分享｜数据中心+联邦约束强化学习】面向混合能源数据中心的规划—运行协同优化框架
论文面向混合能源数据中心，构建MILP规划、物理约束PPO运行控制和联邦学习协同框架，联合调度计算负载、储能、冷却及小型模块化反应堆。IEEE 118节点系统实验显示，净购电峰值降低约7%至9%，上下调节能力显著提升，EENS降低17.4%，线路过载次数减少约28%。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策 · 控制与自治
AI+绿能查看原文 ↗
论文
RAPTOR: RAndom-projection Physics-informed Transient sOlveRRAPTOR：随机投影物理信息瞬态求解器
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。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 控制与自治
arXiv查看原文 ↗
论文
LLMs are Few-Shot Decision-Makers: Generalized Context-Aware Microgrid Frequency Control through Prompt Decision TransformerLLM 是少样本决策者：通过 Prompt Decision Transformer 实现泛化的上下文感知微电网频率控制
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。
方法优化与强化学习 · 物理与数据融合场景控制与自治
arXiv查看原文 ↗
论文
Graph Machine Learning: An Opportunity for Power Systems图机器学习：电力系统的新机遇
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。
方法时序预测 · 优化与强化学习 · 物理与数据融合场景预测与感知 · 诊断与安全 · 优化与决策
arXiv查看原文 ↗
论文
Real-Time State-of-Health Estimation and Online Degradation Prognosis from Partial Battery Discharge Using Physics-Informed Neural Networks基于物理信息神经网络的电池部分放电实时健康状态估计与在线退化预测
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。
方法时序预测 · 优化与强化学习 · 物理与数据融合场景预测与感知 · 知识与协同
arXiv查看原文 ↗
论文
Robust Fault Detection and Classification in Power Systems via Physics-Informed and Data-Driven Learning基于物理信息与数据驱动学习的电力系统鲁棒故障检测与分类
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。
方法优化与强化学习 · 物理与数据融合 · 可信人工智能场景诊断与安全 · 控制与自治
arXiv查看原文 ↗
论文
Tools to Explain Neural Networks for Power System Dynamics用于解释电力系统动态神经网络的工具
本文针对电力系统动态机器学习替代模型难以解释的问题，将小信号特征值分析与NTK方法相结合，从模态角度揭示误差收敛特性，并说明物理刚性和时间尺度分离如何转化为NN训练中的优化刚性。在此基础上，研究提出自适应损失加权策略，并解释ActNet等结构感知架构相较普通NN的性能优势。相关方法在\acp{SM}和电力电子变流器的物理信息替代模型上得到评估，可为物理感知的NN架构与训练策略设计提供系统化分析依据。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策 · 控制与自治
arXiv查看原文 ↗
论文
Event-Structured Physics-Informed Neural Networks for Differentiable Critical Clearing Boundaries面向可微临界切除边界的事件结构化物理信息神经网络
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。
方法时序预测 · 优化与强化学习 · 物理与数据融合场景规划与仿真 · 预测与感知 · 诊断与安全
arXiv查看原文 ↗
论文
PowerAtlas: Towards Electricity-Computing Co-Scheduling for Power SystemsPowerAtlas：面向电力系统的电力-算力协同调度
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。
方法时序预测 · 物理与数据融合 · 大模型与知识智能场景优化与决策 · 知识与协同
arXiv查看原文 ↗
论文
WattCouncil: Context-Aware Household Energy Scenario Generation With Governed LLMsWattCouncil：基于受治理大语言模型的上下文感知型家庭能源场景生成
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。
方法时序预测 · 物理与数据融合 · 大模型与知识智能场景知识与协同
arXiv查看原文 ↗
论文
Inertia-Aware Optimal Power Flow Using PINN in IBR-Dominated Power SystemsIBR主导电力系统中基于PINN的惯量感知最优潮流
本文面向基于逆变器的资源（IBR）占主导地位的低惯量电力系统，提出一种用于最优潮流（OPF）求解的物理信息神经网络（PINN）框架。该方法引入考虑发电单元与扰动位置之间电气距离的位置感知惯量约束，兼顾计算效率、物理可行性与惯量安全。在6 GW测试系统中，训练集和测试集的MAE均约为系统总容量的0.045%，表明该框架能够生成高精度、满足物理及惯量约束且具备计算可扩展性的OPF解。
方法优化与强化学习 · 物理与数据融合场景规划与仿真 · 优化与决策
arXiv查看原文 ↗
论文
A Physics-guided Fine-tuned LLM-based Framework for Customized Power Distribution System Feeder Generation基于物理引导微调 LLM 的定制化配电系统馈线生成框架
本文提出一种物理规律引导、经微调的LLM配电系统馈线生成框架，可将自然语言需求端到端转换为可定制的物理一致馈线模型。该框架结合SFT、采用多阶段门控奖励函数的GRPO，以及由优化智能体和评判智能体组成的双智能体架构，以增强结构理解、满足用户意图和物理约束，并依据工业设计标准校准和评估模型。案例结果显示，生成的馈线格式有效、物理一致，且具有较高的工程应用价值。
方法优化与强化学习 · 物理与数据融合场景诊断与安全 · 优化与决策 · 知识与协同
arXiv查看原文 ↗
论文
Network Interdependency-Informed Power System Dynamic Trajectory Prediction Utilizing Black-Box Modeling of Multiple Inverter-Based Resources基于多逆变器型资源黑箱建模与网络相互依赖关系的电力系统动态轨迹预测
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。
方法时序预测 · 物理与数据融合 · 可信人工智能场景预测与感知 · 控制与自治
arXiv查看原文 ↗