追踪能源领域最新技术、论文、代码与数据集
本文提出面向电力系统机器学习研究的合成数据集EvEMTBench。该数据集基于经文献验证的电磁暂态仿真生成，提供跨多种拓扑结构和电压等级、采样频率为9600 Hz的同步电压与电流逐点波形数据，可用于模型训练、微调和基准测试，并支持早期故障检测、故障定位及事件检测等任务，以提升相关研究的可复现性和方法比较的公平性。
本文在两个公开智能电表数据集上，对九种涵盖线性、MLP、卷积和 Transformer 架构的深度时间序列模型进行了实证基准评测。研究发现，更长的历史输入可提升预测准确性，但存在饱和点；预测时间范围越长，准确性越低。深度学习模型整体优于经典基线，而轻量级模型能以更低计算成本获得相近性能。模型架构差异主要在长预测范围和高异质性数据集上体现，对大多数地理人口统计及家庭子群的影响则较为有限。
本研究建立了一个基于公开、标准化电力市场数据的可复现框架，对六种深度学习模型的跨市场电价预测能力进行比较，并以 2024 年 DE-LU 竞价区为测试对象，考察零样本、单样本和少样本场景。结果显示，N-HiTS 和 NBEATSx 在数据有限时表现突出；Transformer 模型经充分适配与调优后可达到相近精度。特征选择和超参数调优对性能具有重要影响，而领先模型之间的差距通常较小。
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。
本文面向集成BESS的配电网，提出一种由LLM辅助的运行监测框架，将自然语言问题转换为经过验证的SQL查询，并依据工程约束自动分析母线电压、荷电状态及有功、无功功率等遥测数据。基于硬件在环协同仿真的验证结果显示，该框架能够识别电压越限、无功功率过冲并评估有功功率跟踪性能，为BESS运行监测与工程分析提供自动化支持。
本文提出一种结合LLM分层协调与延续感知策略学习的控制框架：由LLM基于异构运行信息进行高层协调，任务专用控制器或优化器负责生成满足约束的底层动作，并通过Continuation-Aware GRPO评估决策在后续控制时段的持续影响。多匝道交通控制和VPP能源管理实验表明，该方法持续优于多类直接控制、强化学习、分层协调及仅提示词驱动的LLM基线。
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。
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。
本文系统综述面向6G无线系统的数字孪生网络（DTN），将其架构划分为被动监测孪生与主动控制孪生，并分析射线追踪、可重构智能表面、人工智能和移动边缘计算等关键使能技术。研究进一步从数学与计算复杂度角度评估硬件可扩展性和推理瓶颈，讨论DTN在智慧城市、工业5.0、医疗健康和智能电网中的应用，并指出GPU硬件限制、信息物理执行时延及零信任安全是实现统一万物互联需要重点突破的挑战。
本文研究LLM作为P2P能源双向拍卖中的策略性竞价智能体。仿真显示，LLM策略无需传统学习算法的探索预热期，在早期成交电量及跨环境测试中的盈余和成功交易方面优于随机竞价与ε-贪心MAB；但同质LLM群体会促使卖方将价格推高至纳什均衡之上，使盈余持续向卖方倾斜且未出现收敛。
本文面向数据稀缺市场的日前电价预测，提出将 Chronos-2 与多源市场信息（MSMI）及状态依赖门控 LoRA 相结合的跨市场迁移框架。该方法无需目标市场标签，仅更新约1%的参数；在中国4个省级日前现货市场上，相较市场信息感知的零样本 Chronos-2 和标准 Source-LoRA 均降低了 MAE/RMSE。结果表明，市场结构化信息和基于运行状态的门控机制有助于提升迁移预测性能，但门控相对 Source-LoRA 的额外增益有限。
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。
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。
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。
EnergyBridge 是一个面向家庭能源管理、用户参与和电网灵活性的评测基准与智能体框架，将容量申报、居民事件授权和实际用能执行纳入统一流程。它结合天津与柏林的 EnergyPlus 环境及基于 LLM 的用户参与模拟器；在人类角色扮演数据验证中，接受率平均绝对误差为 5.3 个百分点，并在两个地区取得最高模拟授权率、最低事件窗口能耗和最可靠的容量承诺。
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。
本文面向弱电网中的集中式 UPS 数据中心供电系统，提出具有自适应无功功率支撑的无 PLL VM-DPC 前端整流器控制策略。MATLAB/Simulink 开关级仿真及 OPAL-RT 实时验证表明，传统 PI 控制在 SCR<=2 时可能失稳并引发直流母线振荡，而所提策略可稳定 PCC 电压、提高系统阻尼，并保障动态 AI/IT 负载的可靠供电。
FarSky是一种面向小时内太阳辐照度预测的生成式框架，通过多任务自编码器联合学习图像重建与辐照度估计的任务感知潜在表征，并利用潜在扩散模型生成未来状态。该方法可同时提供确定性与概率预测，在两个独立测试集上实现最佳综合性能，预报技能最高提升11个百分点，爬坡事件检测的F1分数超过60%。
本综述系统分析了2023—2026年任务关键型环境中节能型AI赋能WSNs的50篇DOI索引研究，涵盖智能电网、电力电子及城市基础设施等应用。研究显示，路由与聚类、边缘AI、强化学习、模糊逻辑、元启发式优化及AI安全机制有助于提升能源效率，但必须统筹安全性、时延与可靠性。未来应重点发展轻量级、可解释、安全并经过实际现场验证的AI驱动WSN架构。
本研究针对AI数据中心负荷增长带来的系统成本与碳排放压力，建立三层Stackelberg–Bayesian容量市场博弈模型，刻画监管机构、ISO容量市场与技术投资者之间的决策互动。模型重点评估碳税、可再生能源补贴及梯次利用电池（SLB）补贴对新增容量技术构成、投资与运行、利润和碳排放的影响，并从成本效益与减排效果两个维度比较不同政策情景。