追踪能源领域最新技术、论文、代码与数据集
本研究提出了一种面向电池储能系统（BESS）退化预测的不确定性量化概率框架。该框架通过深度学习生成容量损失分布，并沿随机退化轨迹传播不确定性；同时融合电芯级预测、系统拓扑和实际运行波动，将预测扩展至完整储能系统。住宅储能系统多年现场数据验证表明，该方法能够模拟系统级退化行为，其SOH退化的95%预测区间与现场剩余容量测量结果高度吻合，可用于数据驱动的储能资产管理。
本文面向输电系统运营商（TSO）的电网研究，提出将 Agentic AI、MCP、大语言模型与电力系统数值仿真工具相结合。作者开发了 pypowsybl-mcp，使 AI 智能体能够通过标准化工具调用配置和执行仿真、分析并获取结果，同时强调人工监督、多智能体协作、可审计性及综合评估，为构建可交互、可扩展的智能电网研究环境奠定基础。
本研究面向微电网分布式能源协调，提出在服务器端综合考虑本地奖励与约束违反的FedRL约束感知聚合方法。实验表明，惩罚规则 $w_i \propto R_i - αV_i$ 无需改变本地训练或引入对偶优化，即可在DairyGridEnv及芬兰和德国真实负荷数据设置中，相较FedAvg显著减少约束违反并提高奖励，展现出较好的安全性、稳定性和鲁棒性。
WattCouncil是一种面向家庭能源场景生成的受治理LLM多智能体框架。不同专业角色的智能体在文化、时间和物理约束下协同生成、审查与验证结构化用能场景，并结合家庭构成、时间因素和环境条件生成情境敏感的日常活动及负荷曲线。研究利用包含4232个家庭一年以上负荷数据和社会经济信息的CER数据集进行评估，并通过消融研究检验框架一致性，旨在缓解高分辨率家庭能源数据因隐私、监管和采集成本而难以获取的问题。
AMC 面向超低功耗 Transformer 推理，依据 token 显著性动态分配计算资源：高显著性信息采用全精度处理，低重要性数据则降低秩和位宽。在 45nm CMOS 硬件上，该方法实现系统能耗降低 59.2%、吞吐量提升至 2.24x，并以 3.6% 的准确率损失换取更长的移动设备续航。
本文面向基于逆变器的资源（IBR）占主导地位的低惯量电力系统，提出一种用于最优潮流（OPF）求解的物理信息神经网络（PINN）框架。该方法引入考虑发电单元与扰动位置之间电气距离的位置感知惯量约束，兼顾计算效率、物理可行性与惯量安全。在6 GW测试系统中，训练集和测试集的MAE均约为系统总容量的0.045%，表明该框架能够生成高精度、满足物理及惯量约束且具备计算可扩展性的OPF解。
本文面向相互依赖的电力—通信网络，提出以 MIIM 为真值仿真器的机器学习代理模型，用于快速预测 N-k 事故严重程度并评估元件关键性。在 IEEE 118 节点系统上，Gradient Boosting 的事故排序 Spearman 相关系数为 0.849，元件关键性排序与 MIIM 排序的相关系数为 0.838，筛查速度约提升 158 倍。结果表明，层间依赖特征是性能提升的主要来源；该方法适合用于“代理模型初筛、MIIM 选择性验证”的两阶段韧性评估流程，但不直接用于确定最优加固方案。
本文提出一种物理规律引导、经微调的LLM配电系统馈线生成框架，可将自然语言需求端到端转换为可定制的物理一致馈线模型。该框架结合SFT、采用多阶段门控奖励函数的GRPO，以及由优化智能体和评判智能体组成的双智能体架构，以增强结构理解、满足用户意图和物理约束，并依据工业设计标准校准和评估模型。案例结果显示，生成的馈线格式有效、物理一致，且具有较高的工程应用价值。
本文基于扩展的多时间步DC最优潮流框架和IEEE 30节点系统，评估数据中心负荷增长及时间集中性对电网韧性的影响。研究发现，在输电受限和发电—输电耦合降额故障下，数据中心容量增长会显著增加未供电电量；高增长情景下总未供电电量可由3.203 MWh升至22.891 MWh，而总能耗相同但需求更集中的情景还会额外增加34.4%，说明数据中心需求的规模与时序特征均会削弱电网韧性。
本文面向含多个IBR的电力系统在线动态轨迹预测，提出网络互依关系感知的黑箱建模方法。该方法采用模块化STAN捕捉各IBR的时空动态，并通过融合解耦线性化AC潮流的混合物理信息损失函数增强预测的物理一致性、计算效率及抗测量误差能力。IEEE 14节点和WECC 179节点系统测试显示，该方法在预测精度和鲁棒性方面优于近期ML方法。
本文面向电力系统在线暂态稳定轨迹预测，提出融合动态结构图与方向性因果图的C-DNR框架，并利用逐边自适应加权和GRU预测故障后轨迹。在IEEE 39节点系统上，C-DNR相较动态结构基线将自回归预测误差降低73%；其中PCMCI是唯一持续带来性能提升的因果发现方法。融合权重还可提供与电气拓扑一致的发电机对级可解释诊断。
FedPPO-PG 将物理机理确定的电气邻域、联邦多智能体 PPO、引导式策略初始化和 CTDE 相结合，实现智能电网暂态稳定的分布式控制。IEEE 39 节点系统结果表明，该方法在训练及未见故障场景中均实现 100% 稳定，同时显著缩短稳定时间、降低控制功率，并满足无中央协调部署及实时推理要求。
本文以意大利2026年Decreto Bollette为案例，利用MARLEY多智能体强化学习框架评估削弱EU-ETS碳价信号的长期影响。研究发现，该政策虽可短期降低电力成本，但长期系统成本改善有限，并会因削弱可再生能源和储能投资激励而在多数情景下推高CO$_2$排放。强力绿色投资支持能够避免排放上升，却会边缘化批发市场价格信号，并迫使电力市场转向与该干预逻辑相矛盾的混合型范式。
本文提出一种面向能源系统的端到端可解释AI框架，将深度神经网络预测、LIME与SHAP解释、保真度与稳定性评估以及基于LLM的自然语言解释生成整合起来。该框架在电力系统故障检测中实现99%的准确率和1.00的ROC-AUC，在建筑能耗预测中取得0.67的R2得分，表明其能够生成稳定、忠实且便于非技术人员理解的模型解释。
本研究提出基于 SINDy-SENDAI 的分层多尺度框架，通过分离广域测量数据中的低频与高频成分，并在潜在空间利用 SINDy 识别简约、显式的电力系统振荡控制方程，实现对机电振荡的物理解释、稳定性评估和预测。该方法在两区域 Kundur 测试系统以及 2016 年伊比利亚振荡事件和 2021 年意大利南部电网实测数据上得到验证，结果显示其性能持续优于 Hankel-DMD，并可准确重构和预测完整系统动态。
本文提出一种基于图神经网络的物理信息电流互感器动态状态估计方法。该方法以采用二次离散化的Gauss-Newton算法为基线，根据Jacobian稀疏模式生成热启动初值，在不同SNR条件下分别将初始化距离和初始加权目标函数值平均改善25%和38%，从而增强CT饱和校正及电网测量保护的鲁棒性与可靠性。
本文提出一种适用于平衡与不平衡工况的广义动态相量（DP）框架，用于高效分析含GFL/GFM IBR、同步发电机及AI DC等大型负荷的多机系统次同步振荡。该框架支持特征分解与快速仿真，并经EMTDC/PSCAD验证。基于改进IEEE 68节点系统的研究表明，该方法可用于识别IBR诱发的SSO模态、设计粒子群优化分散式阻尼控制器、评估以GFM替代GFL控制的抑振效果，以及分析AI DC负荷对一次频率响应和多质量块汽轮机动态的影响。
本文提出用于电力系统动态状态估计的浅层循环解码器SHRED，可从有限的PMU稀疏测量中重构完整系统状态。该方法无需精确物理模型，对PMU布置不敏感。在IEEE 39节点系统的短路等强非线性扰动测试中，SHRED优于先进的浅层解码器基准，并对测量噪声和严重扰动保持较高鲁棒性与重构精度。
本研究面向大规模电动汽车车队的分散式智能充电，比较上下文组合多臂老虎机与策略梯度两类独立多智能体强化学习方法。研究基于真实光伏发电数据构建动态电价仿真环境，考察智能体利用价格、荷电状态和时间约束等局部信息，在不同电网拥堵程度及异构混合策略配置下协调充电、降低用户成本并避免电网过载的能力。
本文面向构网型逆变器等新型电力电子设备接入后电力系统动态模型难以在弱先验条件下完整恢复的问题，提出一种基于LLM的多智能体协作框架。该框架通过异构智能体并行探索、候选模型记忆、参数拟合评估和协调智能体的闭环引导，将模型发现分解为微分方程结构与代数闭合关系两部分，以联合识别状态动态、代数约束和关键中间变量。同步发电机与构网型逆变器案例验证了该方法在精度、泛化、效率和抗噪性方面的优势，其中发电机案例的OOD MAPE为0.19%，逆变器案例的发现时间较单智能体LLM基线缩短25.7%。