公众号
AAAI 2024｜E2E-AT：把预测误差与电网决策不确定性一起纳入训练
论文提出E2E-AT端到端对抗训练框架，将负荷预测输入扰动和线路电纳等优化参数扰动统一纳入训练，以调度任务成本而非单纯预测误差为目标。在Texas负荷数据和修改后的IEEE 14节点系统上验证，并公开代码；结果显示其可显著降低参数偏移和攻击条件下的调度成本。
方法时序预测 · 可信人工智能场景预测与感知 · 诊断与安全 · 优化与决策
Intelligame Lab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
Nat. Commun. 2026｜数字孪生怎样诊断变电站故障？
研究面向变电站故障定位、类型识别与保护失效判断，将拓扑、告警、录波和SCADA数据接入数字孪生，利用图注意力网络、自注意力与去噪自编码器开展多模态融合。在深圳110kV变电站构造的训练和测试情景中，三项任务准确率分别超过95%、97%和90%，并验证了30%数据缺失下的鲁棒性。
方法可信人工智能场景规划与仿真 · 诊断与安全
Intelligame Lab查看原文 ↗
公众号
【顶刊好文|光伏预测】IEEE TSG: PV-MMCD：基于多模态条件扩散模型的光伏功率概率预测新方法
研究提出光伏功率概率预测模型PV-MMCD，融合历史功率、卫星云图和数值天气预报，并以Neural SDE、条件扩散、交叉注意力及QRF校准建模不确定性。三个光伏站点实验显示，0—4小时预测的nCRPS技能分数达61.7%，模型仅1.26M参数，单样本推理耗时26.75毫秒，并通过消融实验验证多模态融合与校准模块效果。
方法时序预测 · 可信人工智能场景预测与感知
综合能源新视界查看原文 ↗
公众号
武汉大学 柯德平，李亚宁，等：基于多智能体强化学习的流域级水风光联合日内鲁棒调度研究
研究针对流域级水风光日内调度的实时性和不确定性，提出多智能体强化学习鲁棒调度框架，引入误差智能体进行对抗式训练，并利用条件变分自编码器融合运行状态与专家策略，实现安全加速训练。结果表明，该方法可无延迟生成调度指令并提升策略鲁棒性与约束收敛速度。
方法优化与强化学习 · 大模型与智能体 · 可信人工智能场景诊断与安全 · 优化与决策 · 知识与协同
综合能源新视界查看原文 ↗
公众号
PPT丨智能配电网数字孪生构建和应用关键技术研究
文章梳理智能配电网数字孪生的建模、数据融合和闭环优化体系，重点介绍基于BP神经网络、SVM、深度学习及贝叶斯网络的故障诊断方法，并讨论负荷转供鲁棒优化。内容还给出多源数据联通、分级孪生架构、图数据库和故障诊断、供电恢复等示范场景。
方法优化与强化学习 · 可信人工智能场景规划与仿真 · 诊断与安全 · 优化与决策
电网棱镜查看原文 ↗
公众号
华南理工大学欧士琪教授学术报告
报告聚焦动力电池智能诊断与预警：基于真实车辆数据，结合深度学习、可解释分析和迁移学习开展跨车型、跨电池体系健康诊断；针对寿命标签稀缺，引入自监督学习与物理—数据融合建模，并搭建电芯、模组和整包测试平台，支撑算法验证及端侧部署。
方法优化与强化学习 · 可信人工智能
电工技术学报查看原文 ↗
公众号
华南理工大学欧士琪教授：智能驱动的电池状态诊断与预警技术
报告聚焦动力电池智能诊断与预警：基于真实车辆数据，结合深度学习、可解释分析和迁移学习开展跨车型、跨电池体系健康诊断；针对寿命标签稀缺，引入自监督学习与物理—数据融合建模，并搭建电芯、模组和整包测试平台，支撑算法验证及端侧部署。
方法优化与强化学习 · 可信人工智能
电工技术学报查看原文 ↗
公众号
【顶刊好文|电动汽车聚合+DRCC】‘IEEE TTE’：考虑不确定性的V2G灵活性聚合与风险规避市场竞价
论文面向异构电动汽车参与电能量与备用市场，利用几何特征和K-means++聚类构建灵活性内近似，并结合Wasserstein分布鲁棒机会约束与GWCVaR控制车辆可行性和市场尾部风险。千辆电动车算例中，聚合成本较基准下降43.7%；样本外SOC违约率由88.4%降至4.28%，最坏场景成本下降14.89%。
方法可信人工智能场景诊断与安全 · 控制与自治
综合能源新视界查看原文 ↗
公众号
Nature Communications 2026｜电网过载风险的尾部计算
论文面向输电线路过载的低概率尾部风险，提出深核稀疏向量值高斯过程DKS-VVGP作为潮流代理，并对越限边界样本自适应重采样、调用潮流求解器复核。在含2.1万余母线的ISO New England系统上，相较蒙特卡洛基线最高实现22倍评估加速，并验证多种不确定性分布与相关性场景。
方法可信人工智能场景诊断与安全
Intelligame Lab查看原文 ↗
论文
Machine Learning-Based State Estimation for an Actual Transmission System Using Field PMU Data基于现场PMU数据和机器学习的实际输电系统状态估计
本文面向实际PMU不可观测输电系统，研究基于深度神经网络的PMU时间尺度时间同步状态估计。研究利用美国电力公司的现场PMU数据，重点评估该方法在现实运行条件下的估计精度、可扩展性与计算性能，以验证其替代传统迭代式混合SE技术的部署可行性。
方法优化与强化学习 · 可信人工智能
arXiv查看原文 ↗
论文
Learning Defensive Policies against Diverse Inference Attacks for Smart Meter Privacy面向智能电表隐私的多样化推断攻击防御策略学习
本文面向攻击模型未知且多样化的智能电表隐私场景，提出一种代理引导的分层强化学习防御框架。该方法利用电池进行负荷整形，向聚合用电信号注入逼真但具有误导性的电器特征，并结合自监督隐私探针和特征库，削弱NILM对电器级信息及用户行为模式的恢复能力。UK-DALE和REDD实验显示，该方法对未见攻击模型和不同电器均具有较强泛化性，可显著提高推断RMSE并降低F1分数。
方法优化与强化学习 · 可信人工智能场景诊断与安全 · 优化与决策 · 控制与自治
arXiv查看原文 ↗
论文
Intelligent Degradation Monitoring in Lithium-ion Batteries via Discharge Incremental Capacity Feature Estimation基于放电增量容量特征估计的锂离子电池智能退化监测
本文针对传统IC分析依赖低电流放电、难以用于实时管理的问题，提出一种基于神经网络的放电IC特征估计框架。该框架利用充电信号直接预测退化特征，并在53个采用不同快速充电协议的电芯数据上完成训练与验证。其中，LSTM在精度和计算效率方面表现最佳，可集成至BMS，实现不中断正常运行的实时、智能且可扩展的锂离子电池退化监测。
方法时序预测 · 优化与强化学习 · 可信人工智能场景预测与感知
arXiv查看原文 ↗
论文
SETTer: Sparse-Encoder Transformer for Long-term Multivariate Time Series ForecastingSETTer：用于长期多变量时间序列预测的稀疏编码器 Transformer
SETTer是一种面向长期多变量时间序列预测的稀疏编码器Transformer。该模型通过解耦自注意力、混合掩码及可解释结构，同时捕捉时间和通道维度上的短期与长期模式，并缓解高维复杂输入下的过度平滑、容量受限和不透明问题。凭借单层Transformer架构，SETTer可有效建模长期依赖，并在真实世界基准测试的88%场景中超越最先进模型。
方法时序预测 · 可信人工智能场景预测与感知
arXiv查看原文 ↗
论文
PowerModels-ACOPF-AI: On-the-Fly Machine Learning Approach for Solving AC Optimal Power Flow Integrating Renewable Energy SourcesPowerModels-ACOPF-AI：融合可再生能源的交流最优潮流实时机器学习求解方法
PowerModels-ACOPF-AI采用两阶段BNN代理模型与性能敏感的即时学习机制，对AC-OPF中的发电机设定值、母线电压和相角进行快速且具不确定性感知能力的预测。该方法可借助PowerModels.jl动态补充训练数据并自适应再训练，在30、200和500母线系统中展现出良好的泛化能力及对随机可再生能源注入的处理能力，可用于实时运行辅助和传统求解器的快速初始化。
方法时序预测 · 优化与强化学习 · 可信人工智能场景预测与感知 · 优化与决策
arXiv查看原文 ↗
论文
Multi-Objective Deep Reinforcement Learning for Secure and Stable Power System Operation面向电力系统安全稳定运行的多目标深度强化学习
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。
方法优化与强化学习 · 可信人工智能场景诊断与安全 · 控制与自治 · 知识与协同
arXiv查看原文 ↗
论文
Parameters Overshadowed by Price Lags: Load, Climate, and Calendar Effects in ERCOT Day-Ahead Price Formation价格滞后掩盖参数效应：ERCOT日前价格形成中的负荷、气候与日历效应
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。
方法时序预测 · 可信人工智能场景预测与感知 · 诊断与安全
arXiv查看原文 ↗
论文
A Standardized Framework for Machine Learning in Power System Protection电力系统保护中的机器学习标准化框架
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。
方法可信人工智能场景规划与仿真 · 诊断与安全
arXiv查看原文 ↗
论文
Virtual Temperature Sensors in Power Transformers Using Neural Ordinary Differential Equations基于神经常微分方程的电力变压器虚拟温度传感器
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。
方法时序预测 · 优化与强化学习 · 可信人工智能场景预测与感知
arXiv查看原文 ↗
论文
AIDC Microgrid Vulnerability Assessment Under Computing-Power Coordinated Attacks算电协同攻击下的 AIDC 微电网脆弱性评估
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。
方法时序预测 · 大模型与知识智能 · 可信人工智能场景预测与感知 · 诊断与安全 · 控制与自治
arXiv查看原文 ↗
论文
GENCO - A Unified Neural Solver Embedded in a Development Framework for Steady-State Grid AnalysisGENCO——嵌入开发框架的稳态电网分析统一神经求解器
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。
方法大模型与知识智能 · 可信人工智能
arXiv查看原文 ↗