公众号
抢鲜看｜《电工技术学报》2026年第17期目次及摘要
本期收录多项电力AI研究。其中，xLSTM-Informer风电功率预测框架融合特征筛选、信号分解与门控机制，在福建某风场数据上取得0.7256 MW平均RMSE和0.9916平均R²；另有基于张量分解的个性化联邦学习方法，用于降低超短期负荷预测的通信成本并提升泛化能力。
方法时序预测场景预测与感知
电工技术学报查看原文 ↗
看技术
追踪能源领域最新技术、论文、代码与数据集
公众号
新增5326万千瓦！累计6.9272亿千瓦，连续16年全球第一，风电规模爆发之后，为什么数字能源才是破局增收的关键？
文章围绕风电规模扩张后的运营增效，介绍数字孪生、传感器与AI模型在设备故障预警、远程运维和功率预测中的应用。文中列举大唐AI智慧运维平台案例，称人工巡检频次下降30%，并分析气象大模型融合地形、微气候和历史运行数据后，对电网调度、现货交易及风机出海服务的价值。
方法时序预测 · 大模型与知识智能场景预测与感知 · 诊断与安全 · 优化与决策
新数字能源查看原文 ↗
公众号
AAAI 2023｜CityLearn冠军怎样用轨迹引导社区储能
文章复盘AAAI 2023 CityLearn冠军方案ZO-iRL：从过去24小时净用电提取两个峰值构造轨迹引导，结合零阶隐式强化学习与演化搜索，协调热水、冷水和电储能。论文实验报告总分0.962、爬坡成本0.781，竞赛提交总分0.944，并讨论跨气候区波动、预测失配及真实部署约束。
方法时序预测 · 优化与强化学习场景预测与感知
Intelligame Lab查看原文 ↗
公众号
国网河北：人工智能赋能生产一线
国网河北披露人工智能在电网生产一线的多项实践：无人机图像模型可识别22类配网缺陷，准确率超90%；低压停电研判系统基于电力大模型整合营配数据，故障分析准确率超97%；时序大模型典型日负荷预测精度超98%。多智能体工作台还集成57项工具，用于造价、电费核算和经营分析。
方法时序预测 · 大模型与知识智能 · 大模型与智能体场景预测与感知 · 诊断与安全 · 知识与协同
电力人工智能大会查看原文 ↗
公众号
“新型电力系统背景下的车网互动关键技术与应用实践”专辑论文集锦
专辑汇集车网互动预测、聚合与调控研究，其中改进Informer利用50余万条充电记录预测多尺度可调容量，Autoformer结合高斯混合模型开展可行域区间预测，XGBoost用于换电站电池储备预测，KAN-SAC则实现充电站可解释强化学习需求响应，并给出实际数据或仿真验证结果。
方法时序预测 · 优化与强化学习 · 可信人工智能场景规划与仿真 · 预测与感知
电力系统自动化查看原文 ↗
公众号
测风雷达如何重塑风电场功率预测模型
文章阐述将LiDAR三维、多层、高频风场观测注入风电功率预测模型，通过特征增强、NWP实况同化及功率曲线与尾流参数动态校准，改善超短期和短期预测。并提出点位规划、QC质控、融合建模、验证迭代的实施路径，指出复杂地形场站超短期RMSE可降低15%~25%，同时强调天气衰减、探测距离等边界。
方法时序预测场景规划与仿真 · 预测与感知
新能源功率预测查看原文 ↗
公众号
Nature Communications 2025｜把电池模型写进神经网络：在线故障如何更早被看见
论文提出模型约束神经网络MCNN，将电池包模型、BiLSTM时序预测和约束自编码器接入BMS数据链路，实现在线故障点识别及四类故障概率估计。模型在515辆车、1820万条记录上验证，并给出ROC、RMSE、消融及跨电芯数量迁移结果，同时公开论文与代码链接。
方法时序预测场景预测与感知 · 诊断与安全
Intelligame Lab查看原文 ↗
公众号
国家能源低碳院成功研发AI电力交易员
国家能源低碳院研发机理与数据融合的AI电力交易员平台，贯通电价预测、策略生成、交易申报与复盘评估，并在火电和售电现货场景测试两个月。节点电价预测精度较主流方法提升3%至6%；售电方案优于人工的交易日占59.5%，火电策略累计收益较人工提升39%。
方法时序预测场景预测与感知 · 优化与决策
电力人工智能大会查看原文 ↗
公众号
深度文章 • ABB | 让每一度绿电都"物尽其用"
ABB厦门工业中心建设包含12.3MWp光伏、600kW/1.2MWh储能及柔性负荷的绿色微电网。ZEE600平台按15分钟滚动预测发电与负荷，准确率超过90%，并由多个智能体协同优化运行策略。项目实现绿电本地消纳接近90%、用电成本下降约20%，年减排约1.34万吨。
方法时序预测 · 大模型与智能体场景预测与感知 · 优化与决策 · 知识与协同
电气时代查看原文 ↗
公众号
光伏功率预测深度辨析：辐照度与组件温度，谁才是出力第一影响因子？
文章从物理机制、实测扰动、误差来源和工程建模对比辐照度与组件温度。全年全场景下，辐照度决定出力上限，是第一影响因子；稳定晴天中，组件温度会成为精度关键。建议按云量、季节动态调整权重，以背板温度传感器和热平衡模型替代单纯环境气温输入。
方法时序预测 · 物理与数据融合场景预测与感知
新能源功率预测查看原文 ↗
公众号
AAAI 2024｜E2E-AT：把预测误差与电网决策不确定性一起纳入训练
论文提出E2E-AT端到端对抗训练框架，将负荷预测输入扰动和线路电纳等优化参数扰动统一纳入训练，以调度任务成本而非单纯预测误差为目标。在Texas负荷数据和修改后的IEEE 14节点系统上验证，并公开代码；结果显示其可显著降低参数偏移和攻击条件下的调度成本。
方法时序预测 · 可信人工智能场景预测与感知 · 诊断与安全 · 优化与决策
Intelligame Lab查看原文 ↗
公众号
甘肃风电预测模型：将复杂天气转化为可量化的出力判断
文章介绍甘肃D+2区域风电出力预测实践，将数值天气预报与历史出力结合，并构造风速三次方、空气密度及结冰风险等特征。对比岭回归、随机森林、极端随机树和直方图梯度提升后，极端随机树表现最佳，8月测试MAE约1378MW、R²为0.899，并通过滑动窗口、误差热力图和特征重要性检验稳定性。
方法时序预测场景预测与感知 · 诊断与安全
兰木达电力现货查看原文 ↗
公众号
【好文分享|机器学习+量子Benders分解】TPWRS：LSTM与SVM协同压缩随机机组组合，量子比特需求最高降低75%
论文提出机器学习增强的量子—经典Benders分解框架，用LSTM预测随机机组组合子问题代理成本，以SVM筛选主导割，再由QAOA求解压缩后的主问题。IEEE 24及118节点实验显示，24小时案例主问题求解时间由281.60秒降至24.00秒，量子比特需求最高降低约75%，且未明显改变最优结果。
方法时序预测场景预测与感知
AI+绿能查看原文 ↗
公众号
【好文分享|机器学习+量子Benders分解】TPWRS：LSTM与SVM协同压缩随机机组组合，量子比特需求最高降低75%
研究针对随机机组组合的量子—经典Benders分解，利用LSTM预测子问题代理成本，并用SVM筛选主导割，以压缩QUBO主问题。IEEE 24节点和118节点算例显示，24小时主问题求解时间由281.60秒降至24.00秒，量子比特需求最高减少约75%，同时保持相同最优结果。
方法时序预测场景预测与感知
综合能源新视界查看原文 ↗
公众号
【TTE好文分享｜记忆增强强化学习】让驱动与制动更默契：分布式电动汽车的协同能量管理
论文提出面向分布式电动汽车的LSTM-TD3记忆增强能量管理框架，统一协调前后轴驱动与再生制动转矩。方法使用1.5秒历史状态提取时序特征，并在实测车速、坡度及dSPACE硬件在环平台验证。百公里能耗为11.56千瓦时，较无记忆TD3降低1.3%，单次推理耗时0.206毫秒。
方法时序预测 · 优化与强化学习场景优化与决策
综合能源新视界查看原文 ↗
公众号
KDD 2026 | 华东师大把多模态做进了交通时空大模型，零样本也能跨城落地
华东师大提出多模态时空基础模型MoST，用于跨城市零样本交通预测。模型以可微SNR选择器筛除低质量或缺失模态，并通过模态引导的空间专家路由与局部交叉注意力适配不同区域模式。其在5个真实数据集上取得更低MAE，仅含约2M参数，并提供论文、代码、消融与效率对比。
方法时序预测 · 大模型与知识智能场景预测与感知 · 知识与协同
时序人查看原文 ↗
公众号
微软研究院：用机器学习提前 30 到 60 分钟预测空间天气对电网的风险
微软研究院构建端到端机器学习流水线，结合太阳风、AE与Dst预报、地质电导率和变电站位置，为美国本土66935座变电站提前30至60分钟评估空间天气风险。系统采用梯度提升模型预测与地磁感应电流相关的磁场变化率，重大和严重事件检测率分别为76.5%和81.2%，并列出公开数据来源及后续验证方向。
方法时序预测场景预测与感知 · 诊断与安全
EarthAi查看原文 ↗
公众号
当图本身就是世界，下一步会发生什么？WorldGraph让图世界学会演化
论文提出图原生世界模型WorldGraph，将节点、边、属性及历史转移统一为持续演化的图世界。模型结合多粒度图Transformer、历史感知状态编码与转移感知强化学习，并构建覆盖节点、边、图级任务的GWM-Zero基准。实验显示其在稀有节点删除、边变化、局部结构及多步预测上优于多类基线，还可作为插件提升L³P、C-SWM和GWM-E。
方法时序预测 · 优化与强化学习场景预测与感知
时空探索之旅查看原文 ↗
公众号
西南交通大学牵引供电系统团队提出一种基于多主体依互和在线学习的图神经网络 “网-源-储-车”协同供能系统能量超前管控方法
西南交通大学团队面向“网—源—储—车”协同供能，构建多主体运行工况转移图，并融合图卷积、多头注意力与在线学习，利用当前运行数据预测下一时刻工况和功率需求，提前分配光伏与储能能量。实际运行数据验证显示，该方法可实现模型动态更新及新能源、储能和列车负荷的协同管控。
方法时序预测 · 图与网络智能场景预测与感知
电工技术学报查看原文 ↗
公众号
【TTE好文分享｜记忆增强强化学习】让驱动与制动更默契：分布式电动汽车的协同能量管理
研究提出面向分布式电动汽车的LSTM-TD3记忆增强能量管理框架，将驱动与再生制动转矩统一协调，并利用1.5秒历史状态提取时序特征。实测工况及dSPACE硬件在环结果显示，百公里能耗为11.56千瓦时，较无记忆TD3降低1.3%，单次推理耗时0.206毫秒，满足10毫秒控制周期。
方法时序预测 · 优化与强化学习场景优化与决策 · 控制与自治
AI+绿能查看原文 ↗