追踪能源领域最新技术、论文、代码与数据集
本文提出HPC-RL分层约束强化学习框架，用于解决大规模EV参与V2G时空耦合调度中的约束满足与计算效率问题。该方法通过上层广义约化梯度RL严格执行电网空间硬约束，并利用下层动态边界策略保障单辆EV的时间充电需求。IEEE 14、30及改进的141节点系统实验显示，HPC-RL全面优于模型预测控制和先进安全RL基线，可实现近似最优调度，将在线计算时间由数小时降至数分钟，同时实现接近零的约束违反率和接近100%的充电需求满足率。
本文面向工业微电网中炼钢工艺负荷的实时调度，提出嵌入工艺知识的安全深度强化学习框架。该框架通过动作空间设计、工艺距离引导的安全动作处理、递归可行性保障，以及融入PPO的修正预算与原始-对偶更新，在确保生产过程持续可行的同时降低购电成本。真实数据验证显示，该方法实现零工艺损失，并较基于规则的调度和滚动MILP分别节省49.2%和25.9%的购电成本。
本文面向电力系统AI教育中的入门障碍，提出一个以工程基础人工智能（EGAI）为理念的开放、可执行实践框架。该框架通过难度递进的Jupyter notebook模块，将DNN、CNN、DRL和PINNs等方法应用于负荷曲线拟合、5母线潮流代理、电池储能控制、优化和摇摆方程求解，并支持本地及Google Colab运行。调查结果及IEEE PES课程推广数据表明，电力领域对可复用、面向实践的AI教学资源存在显著需求。
本文提出一种具有物理一致性的稀疏非线性动力学辨识与控制框架PC-SINDYc，用于含分布式能源的微电网建模和实时频率控制。该方法结合物理引导函数库、全最小二乘回归、随机抽样一致性和MPC，可在噪声、延迟及约束激活条件下稳健辨识频率动态，并保证系统在温和条件下渐近稳定。4母线和13母线微电网仿真显示，该方法对未见扰动具有良好的控制效果，优于PI、传统SINDYc和先进强化学习方法。
本文研究图神经网络在DER渗透率从10%提高至50%时的故障定位泛化能力。基于重构的IEEE 123节点馈线实验，STGATv2在同分布场景下取得92%—94%的宏平均F1分数，并在跨渗透率和测量噪声条件下显著优于GATv2与GRU。研究发现，高渗透率训练向低渗透率场景的泛化效果优于反向迁移，表明拓扑感知和时空联合建模是提升主动配电网故障定位鲁棒性的关键。
本文面向多端口自主可重构太阳能电站（MARS）在多输入电源条件下因子模块电容电压不平衡而产生的稳定性问题，提出ML辅助的EBC判据，并结合改进的EBC准确确定稳定边界、控制EBC启停。PSCAD/EMTDC仿真与cHIL测试表明，该方法可实现电容电压平衡和高效能量管理，拓展MARS的运行范围并保持高效率。
本文系统评估智能体AI在电力系统节点规划与并网流程自动化中的能力。基于涵盖六个任务复杂度等级和四种电网规模的测试，研究发现，现有最先进方法仅能在部分电网规模上解决最低两个复杂度等级的问题，表明其距离处理复杂、大规模电力系统任务仍有明显差距。作者据此识别了所需的能力升级，并强调应通过更严格、可复现的测试基准评估技术进展与实际运行就绪度。
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。
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。
本文提出一种基于排放预测的主动式时空碳响应框架，利用双阶段注意力增强的深度学习模型及基于LLM的多智能体协作系统预测日前节点碳强度（NCI），并协同调度移动储能系统（MESSs）、分布式数据中心（DDCs）等地理可调度负荷（GDLs）。在改进的IEEE 33节点系统上的仿真表明，当碳调度延迟缩短1小时时，该方法可实现超过30%的减排，推动电力系统由被动碳核算转向主动碳管理。
本文面向电-氢-交通综合系统（EHTS），提出需求驱动的双层分层优化框架：上层采用无需求解器的贪心启发式（SFGH）算法，实时安排EV充电和HV加氢；下层利用深度强化学习（DRL）协同优化电池、储氢罐和光伏发电分配，在满足交通需求的同时降低系统总体运行成本。案例、对比、消融及泛化分析验证了该框架的有效性与鲁棒性，且其调度策略无需重新训练便能适应多种交通需求场景。
本研究针对IEEE关键气体法（KGM）难以有效处理模糊数据、诊断准确率受限的问题，提出融合模糊逻辑的FL-KGM模型。该模型通过改进隶属函数、优化模糊规则、分离处理CO与CO2，并结合多维气体比值分析和自适应分类框架，提升变压器故障识别与分类能力。真实数据实验显示，其最高准确率达到98.6%，显著优于传统KGM和其他FL方法，可为变压器智能监测与预测性维护提供支持。
FMOPF是一种面向AC最优潮流的生成式框架，旨在学习给定负荷条件下可行近优解的分布。该方法通过潜在流匹配将高维OPF解流形的压缩与条件生成解耦，并引入约束感知交互先验网络来建模负荷—状态耦合。IEEE测试系统实验显示，FMOPF可改善Newton-Raphson热启动效果、降低生成方法的尾部风险，并在保持完全可行性的前提下扩展至数百个母线的系统。
本文面向高比例DERs接入下的配电网电压调节问题，提出HI-LSAC人机协同框架，将SAC、自适应拉格朗日约束与基于灵敏度的人工指导相结合，并协调控制电容器组和BESS。IEEE 13节点馈线仿真表明，该方法可提升控制安全性与鲁棒性，显著减轻电压越限并降低功率损耗。
本文围绕关键系统中的可信Agentic AI工程展开，提出由安全、鲁棒性、透明度、问责性以及隐私与安全防护五个维度构成的可信性模型，并将其贯穿从感知到审计的保障流程。通过分析电力系统、自动驾驶车辆/机器人/UAVs、高性能计算和通信网络，研究总结了共性设计模式与失效风险，主张建立类似成熟安全关键型工程分级认证制度的可复用跨领域保障框架。
本文系统介绍 LLMs 与智能体式 AI 在智能电网中的架构及应用，并针对模型可能产生物理不可行结果的问题，提出“可信求解器计算、显式验证后报告”的设计原则。通过风电功率预测、EV 充电调度、潮流分析和事故诊断四个案例，研究表明，与仅使用 LLM 相比，以求解器为基础的智能体系统能显著提高结果的正确性和可靠性。本文还构建了涵盖任务效用、正确性、忠实性与安全失败、成本与延迟的四组评估框架，明确了智能体负责编排、检索和解释，可信工具负责数值计算，验证门控负责结果发布的分工模式。
本文面向接入配电网的AI数据中心，提出端到端的预测后调度（PTS）框架，通过可微凸优化联合训练工作负载预测与调度决策，并以兼顾电力成本和负荷削减惩罚的损失函数衡量调度质量。实验显示，该方法较传统两阶段方案可显著降低运行成本，并提升配电网与数据中心协同运行的安全性。
本研究重新审视数据驱动的故障前动态安全评估，引入通过上下文学习工作的表格基础模型（TFM），以减少对大规模标注数据、逐预想故障建模、重复训练和超参数调优的依赖。在IEEE 68节点系统上，单个TFM使用每个预想故障120个标注样本即可获得约90%的平均Macro F1分数；对于未见预想故障，结合EDC编码和仅10个新标注样本，性能可匹配依赖完整标注数据的最优迁移学习Oracle模型。结果表明，基础模型有望提升电力系统安全评估的样本效率、泛化能力与实际部署可行性。
EirGrid与GridZero.ai开发了一种生成式人工智能方法，利用市场关闸前的有限数据，提前最多38小时预测爱尔兰电网的最大单一馈入和馈出。其MAPE仅比使用完整市场数据进行提前8小时预测的结果高1.1%，显示出降低备用容量采购成本以及扩展TSO智能资源规划的潜力。
该研究构建了一个覆盖 TSO 控制区、低压馈线和终端消费者的多电网层级负荷预测基准，并比较了十种短期预测方法。结果表明，Transformer 方法可将预测误差降低 6.6%–10.7%，整体优于成熟方法；标准 Transformer 也优于融合多种架构改动的 YAformer。Chronos-2 在两个数据集上具有竞争力的零样本表现，但难以识别 TSO 数据中的特殊事件。研究还指出，长输入上下文、协变量和持续重训练是提高预测准确性的关键因素。