追踪能源领域最新技术、论文、代码与数据集
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。
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。
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。
本文提出开源深度学习模型 OrderFusion+，通过融合目标及相邻交付产品的历史订单，概率预测日内电力市场的买卖价格轨迹。研究将其与基准模型及预训练时间序列基础模型进行比较，并利用动态掩码机制分析市场条件变化及市场效率。
研究针对电价价差受抑情形下的BESS调度，构建了将经济建议与物理可行性约束分离的PPO控制器。结果表明，经济建议可在T2阶段小幅提升利润并降低吞吐量，但在T1阶段作用有限；PPO对多种季节性预测较稳定，但始终未超过proxy-cost MPC。消融实验进一步证明，动作掩码和紧急投影对减少不可行动作与爬坡违规至关重要，但研究不主张形式化安全、寿命周期老化最优或RL优越性。
本研究面向日前电力市场中的电池套利，提出时间层级预测（THieF）框架，通过联合协调小时电价与日内价差预测来提升预测和交易绩效。德国与西班牙五年样本外结果显示，该方法在多种预测架构（包括预训练TabPFN基础模型）下均有效，准确率最高提升19.7%，利润最高增加10.4%，并揭示统计预测精度与经济决策价值并不总是一致。
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。
本文提出一种由大语言模型编排、面向治理要求的输电系统控制室智能体数字孪生。该方案通过不可绕过的治理层，对工具白名单、步骤预算、副作用操作审批以及数值来源与单位标注实施强制约束。基于希腊输电网络数字孪生的118项任务测试表明，该系统在保持较高工具选择准确率和任务成功率的同时，能够在多模型、多轮运行及对抗性输入下持续满足全部治理规则，且每次请求仅增加12至16毫秒开销。消融结果显示，治理层对于防止未授权操作和确保数值可追溯性至关重要。
本文针对电网仿真模型与真实动态之间的sim-to-real偏差，提出一种融合物理模型与AI残差模型的学习增强方法。该方法利用PMU/PoW轨迹数据和编码器—多头解码器架构学习未建模动态与参数变化造成的误差，并通过持续学习式自适应框架应对未来电网动态变化。IEEE 68节点系统上的多扰动仿真表明，循环学习器、潜在神经ODE和Transformer等架构均可用于实现残差建模与模型自适应。
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。
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。
本文面向地下抽水蓄能系统（UPHES）的复杂日前调度，提出扩展的混合整数可微预测控制（MI-DPC）框架，以统一处理连续设定值、多模态整数决策及非凸动力学。该框架结合并行可微模拟器、Transformer 编码器和 Gumbel-Softmax 温度退火，在相较分段混合整数二次规划基线仅有 1.6% 次优性的同时，实现了在线调度时间五个数量级的加速。
本文围绕电气化铁路系统优化，综述列车动态调度、能源管理和储能系统（ESSs）集成的研究进展，重点分析节能型调度与运行控制、储能在削峰及电压和频率控制中的作用，以及人工智能和先进控制策略的应用。研究指出，未来应进一步推动ESSs与智能控制深度融合，以建设更具韧性、高能效和智能化的铁路系统。
本文面向ESS参与电网频率支撑时的变流器-电网交互稳定性问题，提出CIS-DRL方法。该方法利用基于双DNN的稳定域识别稳定运行范围，并在CIS-STD3中引入稳定性可行投影层，将不安全动作映射至稳定动作集。实验表明，该方法能够在实现100%交互稳定、无违规运行的同时改善频率调节性能，适用于ESS实时频率支撑。
本研究系统评估了多种机器学习（ML）方法在电网故障检测和故障输电线路识别中的性能，并首次聚焦于满足实时运行需求的10 ms测量窗口。结果显示，最佳模型的F1分数达到0.991 +/- 0.018，处理时间为0.342 ms +/- 0.509 ms，表明ML方法有望克服传统继电保护系统在可再生能源接入场景下的局限。
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。