追踪能源领域最新技术、论文、代码与数据集
PowerModels-ACOPF-AI采用两阶段BNN代理模型与性能敏感的即时学习机制，对AC-OPF中的发电机设定值、母线电压和相角进行快速且具不确定性感知能力的预测。该方法可借助PowerModels.jl动态补充训练数据并自适应再训练，在30、200和500母线系统中展现出良好的泛化能力及对随机可再生能源注入的处理能力，可用于实时运行辅助和传统求解器的快速初始化。
本文提出一种面向电力系统安全稳定运行的多目标深度强化学习统一控制方法，在随机负荷变化下兼顾热安全与关键模态阻尼。结果表明，该方法相较于仅考虑热安全的智能体和常规策略，可在几乎不增加热安全违规的情况下显著提高阻尼，并在小信号与大信号扰动中加快振荡衰减、改善临界切除时间。
本文针对ERCOT日前市场2014–2024年的价格形成机制，利用HGBR和XAI框架量化历史价格滞后项对负荷、气候及日历因素的遮蔽效应。结果显示，价格滞后项虽有助于正常状态下的短期预测，却无法有效描述极端行情，并会在价格飙升时提高MAE/RMSE。极端价格主要与系统在特定温度区间内的非线性剧烈响应有关，说明预测模型应减少对价格滞后项的依赖，更直接地识别物理驱动因素。
本文提出一个用于电力系统机器学习保护的标准化评估框架，要求明确保护目标、物理范围、可观测性、决策时序、目标与样本有效性、验证协议及评估输出。基于 PROTECT-90 的案例表明，MLP 的故障分类性能接近完美，但定位性能对可观测性更敏感，且不及拥有更丰富无噪声信息的同步双端传统定位器。研究强调，高评分依赖具体评估条件，无退化数据上的预测性能也不能代表鲁棒性；显式记录评估假设有助于实现可复现、可比较、可审计及面向认证的机器学习保护评估。
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。
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。
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%。