追踪能源领域最新技术、论文、代码与数据集
本研究分析溶解氧对生物基烃类和合成酯绝缘液体在电弧及局部热老化故障下产气特性的影响。结果显示，溶解氧会显著改变故障气体的种类和浓度，因此传统DGA及Duval三角形法、五边形法在用于可生物降解绝缘液体时需考虑其氧化敏感性，以避免误诊并提高变压器资产管理的准确性。
本研究以支持单变量、多变量和协变量信息增强预测的多通道时间序列基础模型Chronos-2为对象，在ISO New England和ENTSO-E真实数据集上，将其与任务专用深度学习模型进行系统比较。结果显示，任务特定微调可显著提升Chronos-2的负荷预测能力，使其在短预测时域表现突出；但在零样本场景下，其准确率仍逊于任务专用模型，且误差随预测步数增加得更快。研究明确了TSFMs用于实际电网负荷预测的优势、局限及有效适配方式。
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。
本研究提出一种数据优化的机器学习方法，用于将电力系统 N-k 预想故障划分为安全、中等和严重等级。研究基于 IEEE-14 与 IEEE-30 节点系统，结合 Newton-Raphson 潮流计算、OPI、SMOTE 和 PCA，对 KNN、RF 和 SVM 进行比较。RF 表现最佳，最高 F1 分数在 IEEE-30 和 IEEE-14 系统上分别达到0.97和0.86；PCA 对整体性能的提升大于 SMOTE，而 SMOTE 可提高召回率，但可能增加假阳性。结果表明，机器学习可作为传统预想故障分析的可扩展替代方案，支持更高效的实时电力系统安全评估。
该内容聚焦预测与感知，涉及时序智能。Hourly Electricity Load — Brazil (TsFile) This dataset is an Apache TsFile conversion of SamuelM0422/Hourly Electricity Demand Brazil Dataset. Modalities: Time series. Overview Hou…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
研究比较了住宅光伏—电池储能（PV-BES）社区P2P电力交易中的规则型定价与基于Deep Q-Network的RL定价。仅配置光伏时，规则型方法优于最佳RL策略；加入电池储能后，最佳RL策略的社区节省额由734.23欧元提升至978.52欧元。学习型方案中，SDR形状定价优于基于乘数的参数化方法。总体而言，规则型定价仍具较强竞争力，储能可显著改善RL方案的经济表现，但各家庭获得的收益并不均衡。
RestoreBench用于评估LLM智能体恢复潮流计算收敛的能力，覆盖聊天机器人、单智能体和多智能体三类架构，并在两个电网、每个电网46个故障案例上进行测试。该基准通过标准化仿真环境、观测与行动空间及评估指标，为电力系统规划和运行中的智能体式AI研究提供可复现框架。
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。
本文提出利用AI数据中心灵活训练工作负载支撑输电受限电力系统暂态稳定的TILS策略。该策略在故障清除后快速启动或恢复训练任务，通过增加关键位置的有功负荷，降低发电机加速功率不平衡并抑制首次摆动转子角偏移。SMIB、IEEE 39节点及韩国大规模电力系统的仿真结果表明，TILS可提高暂态稳定约束下的发电极限，且响应越大、激活越早、部署位置对关键发电机的电气影响越强，效果越显著。
研究以德国、波兰和西班牙2021—2025年的电价数据为基础，比较零样本基础模型与市场特定预测模型在预测准确性和电池储能套利收益方面的表现。TabPFN在统计指标上全面领先，但其经济优势取决于报价限制和风险偏好；低风险情景下，Distributional Deep Neural Network反而更具盈利能力。结论是，基础模型尚不能全面替代市场特定模型，实际价值需结合模型架构与决策场景判断。
该内容聚焦预测与感知，涉及时序智能。The Victoria electricity demand dataset from the MAPIE github repository. It consists of hourly electricity demand (in GW) of the Victoria state in Australia together with the temp…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
本文探讨算法化电力市场中AI智能体通过自主学习形成默契合谋的风险。研究将策略性竞价构建为具有不完美公共监测的重复博弈，并利用多智能体强化学习模拟参与者行为，同时提出超越纳什均衡利润比较的多维判定标准。实验发现，即使未收到合谋指令，部分智能体仍可能学会维持高于竞争水平的市场结果，表明电力市场中的算法默契合谋风险真实存在。
该内容聚焦预测与感知，涉及时序智能。australian electricity demand (TsFile format) 5 time series representing the half hourly electricity demand of 5 states in Australia: Victoria, New South Wales, Queensland, Tasmani…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
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。
本文研究基于大规模预训练模型的电力设备具身智能技术，重点关注导航与操作两类任务。具身智能通过第一人称感知与环境交互进行学习，相较传统AI算法具有更强的通用性、适应性和灵活性。仿真结果显示，导航任务的召回率较其他算法提升超过9.74%，操作任务的平均成功率达到50%。研究据此为具身智能在电力人工智能及电力设备应用中的未来发展提出建议。
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。