追踪能源领域最新技术、论文、代码与数据集
本文提出一个面向整体运动员画像的智能体框架，通过 LangGraph 协同 MediaPipe、Llama-4-scout 与 RAG，将定量运动学追踪和定性教练判断相结合。其 3 X 3“Smart Grid”时间分块策略可将计算开销降低 88% 以上，“LLM-as-a-Judge”自校正机制用于交叉核验指标并减少幻觉，基于 ChromaDB 的双持久化管线则支持自然语言语义检索。该框架严格对齐 SAI 规程，可为大规模、客观的国家级运动员选拔和人才识别提供可落地的教练洞察。
本文面向钢铁工业微电网的联络线功率塑形，提出无参考轨迹的序贯异构智能体协调（SHAC）框架，协同控制工艺负荷、储氢系统和电池储能等多时间尺度资源。该方法结合跨角色观测、异步决策、角色特定奖励与评价器，以及动作掩码和可行性投影，实现安全、实时的1分钟级在线决策。实验结果显示，SHAC在保持零生产故障和每步0.4 ms平均计算时间的同时，显著降低购电成本、契约需量超限时间和累计爬坡超限量，提升了工业微电网的经济性和电网友好性。
本文提出“电力灵活型 AI 数据中心”范式，通过整合电网信号、工作负载调度与电力遥测，使 GPU 集群能够动态调节功率。130 kW GPU 集群的实际部署验证了快速降载、持续用电削减、碳感知运行及跨区域负荷转移等能力，同时可维持优先级作业的服务水平。该方案有望缓解电网压力、加快数据中心并网，并提高 AI 计算的可持续性。
CONDUCTOR是一种由开放权重LLM编排的配电网数字孪生系统，可调用电力系统分析与优化求解器，同时支持确定性分析和不确定性感知任务，包括概率安全评估、鲁棒纠正调度、灵活性包络及承载能力表征。该系统基于丹麦波恩霍尔姆60 kV真实配电网及一年的智能电表数据进行验证，在68条提示词的行为测试中首次作答正确率达到98.5%，且完整流程已开源。
本文针对分布式能源资源协调中的不确定性、建模复杂性以及标准强化学习样本效率低和易陷入次优的问题，提出监督强化学习（SRL）框架。该方法先利用示范数据进行监督预训练，再依次通过离线和在线RL微调提升性能并适应现实动态。实验表明，该框架显著优于所有基准，即便示范数据质量较低，仍具有较高的成本效率。
本研究提出可解释电力负荷预测框架LoadKAN，通过特征隔离时序注意力机制分别提取历史负荷、人群流动性等输入特征的时序动态，再利用KAN进行可解释预测。在美国三个代表性电力市场的数据集上，LoadKAN的预测性能可与先进且经过充分调优的黑箱深度学习模型竞争，同时能够借助KAN学习的激活函数，细粒度揭示六种流动性模式与电力负荷之间复杂、非线性且具有市场差异的依赖关系。
本文提出将灵活的 LLM 推理负荷作为输电网直连 AI 数据中心的内生调节资源，通过调整推理批量大小来抵消训练负荷的功率爬坡。针对一个 150 MW TCDC 的仿真显示，相较于主要依赖储能的方案，批量大小与 BESS 协同控制可在基本满足 10 MW/min 爬坡限制的同时，将 BESS 放电能量和峰值放电功率分别降低 71% 和 51%。
本文提出BIPC框架，将后门变量识别、监督式机器学习预测与降维优化相结合，用于加速参数频繁变化但结构固定的大规模混合整数问题。该框架通过约束关键后门变量、求解降维问题并按需校正，在仅有限损失解质量的情况下显著缩短求解时间，适用于电力、交通和供应链等持续受扰动的应用场景。
本文提出一种开放数据驱动的城市电网拓扑与层级识别框架，整合公共电力基础设施数据、OpenStreetMap建筑数据、地理空间机器学习及道路和电压等级约束，重建从高压输电网到单栋建筑的完整连接关系。该框架已在Alna区和Waiheke Island得到应用，可支持潮流优化、级联故障仿真、电网韧性分析及能源数字孪生构建。
AI驱动的数据中心正成为电力需求快速增长的重要来源，其负荷具有增长迅速、空间集中的特点，可能推高碳排放并加剧电网灵活性与可靠性压力，但也为清洁能源整合、运营创新、辅助服务和系统灵活性提供了新机遇。文章从负荷与供电配置、短期运行和长期规划影响，以及企业可持续发展与碳核算实践三个层面，系统分析AI数据中心融入电力系统的风险、效益与现实限制。
本文系统比较了十种机器学习模型在新英格兰ISO短期日度电力需求预测中的表现。CatBoost以RMSE 8316 MWh、MAPE 1.87%和R-squared 0.917取得最佳结果，树模型及Transformer+树混合模型整体优于独立的LSTM和Transformer。消融与SHAP分析显示，需求滞后特征贡献最大，而COVID-19特征随时间出现有效性衰减，甚至会削弱疫情后阶段的泛化性能。
PowerAgentBench-Dyn是面向电力系统动态研究的Agentic AI评测基准，重点考察智能体在复杂、多步骤任务中的推理、工具调用、迭代试验和工程决策能力。其首批任务涵盖动态模型质量审查和动态安全风险筛查，并通过明确的仿真环境、观测与动作空间及量化指标，实现确定性评估与多次运行下的随机行为评价，从而支持电力系统运行和规划领域Agentic AI的发展。
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。
本文针对EV离开时间未知条件下的受控充电问题，提出以决策为中心的强化学习框架DF-RL。该框架通过充电策略动作的反馈，对离开时间预测器与RL控制器进行端到端联合训练，使预测目标直接服务于下游充电决策。实验表明，与不预测离开时间的RL方法相比，DF-RL可将总奖励最高提升14%，并将因EV提前离开导致的未供应能量减少55%。
本文利用DNN与XAI方法研究欧洲39个竞价区的电价驱动因素及市场间相互依赖关系，并通过SHAP及扩展的SSHAP提升高维分析的可解释性。结果表明，太阳能等可再生能源对电价形成的影响显著高于其发电占比，天然气价格是持续占主导地位的驱动因素，跨区互联则显著塑造电价动态。研究还构建了欧盟全域单一电价的合成市场，以分析完全一体化情景。
PowerAgentBench-SS面向电力系统稳态运行与规划，评估LLM智能体执行端到端工程工作流的能力，而非仅考察求解结果。该框架通过公开算例、动作约束、工具API、验证预算和隐藏物理校验器，对故障发现、证据质量、风险、措施成本及工具使用效率进行综合评分。IEEE 39节点DC热稳定N-2试验表明，智能体的工作流规范性、证据支持和验证策略与最终答案同样重要。
本文将 ARIMA 的差分思想引入短期电力负荷预测，使 LSTM、Transformer 和 LightGBM 预测相邻时间步的负荷变化，再由最后观测值重构负荷。基于印度多年逐小时负荷、NASA POWER 气象数据及日历特征的实验显示，该方法在小时前预测中使所有模型的 MAPE 降低超过 50%；在日前预测中则主要改善 LSTM 和 Transformer，而 LightGBM 使用绝对值目标时仍具竞争力，说明差值目标的效果具有模型和预测时间跨度依赖性。
本文提出线路停运影响因子（LOIF），用于增强输电系统的可观测性和线路停运检测能力。通过三个测试系统及多种OTL选择方法与LODF进行比较，并结合机器学习算法和F1-score评估，结果显示：在观测线路数量相同的条件下，基于LOIF选择OTL通常可获得更高的停运检测准确率，且这一优势在大规模系统中更为稳定，展现出良好的实际应用潜力。
本文系统综述AI在高比例电力电子变换器电气系统全生命周期中的应用，涵盖变换器设计、实时控制、系统级运行及合规治理，并比较多类AI方法的工程作用与部署成熟度。研究指出，AI已能有效辅助建模、优化、控制与运行协调，但在稳定性认证、约束满足、可解释性、数据效率、仿真到现实迁移、实时延迟、网络安全、隐私及标准一致性等方面仍需充分验证，方可用于自主或安全关键型部署。
本文面向运行场景频繁变化导致深度学习TSA模型性能下降的问题，提出一种基于领域自适应深度迁移学习的智能评估框架。该框架利用HHDM刻画多尺度高斯分布、长尾分布及源域与目标域差异，通过基于贝叶斯理论的双分布对齐实现细粒度特征迁移，并以多层稀疏正则化提升未知场景下的泛化能力。三个测试系统的结果显示，该方法可将在线TSA准确率提高0.5%至5%，并显著降低模型更新成本。