追踪能源领域最新技术、论文、代码与数据集
研究针对电价价差受抑情形下的BESS调度，构建了将经济建议与物理可行性约束分离的PPO控制器。结果表明，经济建议可在T2阶段小幅提升利润并降低吞吐量，但在T1阶段作用有限；PPO对多种季节性预测较稳定，但始终未超过proxy-cost MPC。消融实验进一步证明，动作掩码和紧急投影对减少不可行动作与爬坡违规至关重要，但研究不主张形式化安全、寿命周期老化最优或RL优越性。
本文针对传统IC分析依赖低电流放电、难以用于实时管理的问题，提出一种基于神经网络的放电IC特征估计框架。该框架利用充电信号直接预测退化特征，并在53个采用不同快速充电协议的电芯数据上完成训练与验证。其中，LSTM在精度和计算效率方面表现最佳，可集成至BMS，实现不中断正常运行的实时、智能且可扩展的锂离子电池退化监测。
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。
本文围绕电气化铁路系统优化，综述列车动态调度、能源管理和储能系统（ESSs）集成的研究进展，重点分析节能型调度与运行控制、储能在削峰及电压和频率控制中的作用，以及人工智能和先进控制策略的应用。研究指出，未来应进一步推动ESSs与智能控制深度融合，以建设更具韧性、高能效和智能化的铁路系统。
本文面向ESS参与电网频率支撑时的变流器-电网交互稳定性问题，提出CIS-DRL方法。该方法利用基于双DNN的稳定域识别稳定运行范围，并在CIS-STD3中引入稳定性可行投影层，将不安全动作映射至稳定动作集。实验表明，该方法能够在实现100%交互稳定、无违规运行的同时改善频率调节性能，适用于ESS实时频率支撑。
研究提出统一的异构残差门控图卷积网络，以共享骨干网络同时求解PF、OPF和SE。该模型通过多拓扑、多负荷条件下的联合训练，学习可复用的电网运行表征；在IEEE 14节点和118节点系统上的准确性与任务专用GNN相当，并能稳健泛化至未见负荷水平和拓扑，为电力系统基础模型提供了初步路径。
本文基于2023年全年真实商业光伏数据，比较了TOU电价下MILP、MPC与SAC强化学习的电池调度性能。具有完美前瞻信息的MILP使年度成本降低24.6%，仅依赖前一日数据的持续性预测MPC达到MILP基准的99.2%，而SAC的成本反而高于无储能情形。研究表明，在该数据集、电价结构和信息约束下，低复杂度MPC几乎能够获取全部经济效益，所测试的RL方案则不具备竞争力。
本文面向公共充电系统，提出LLM增强型多智能体强化学习框架，在统一闭环中协同优化电动汽车、充电站与电网。该框架利用LLM从实时IoT数据中筛选具有物理意义的特征，并通过语义推理动态平衡利润、用户满意度和电网负荷等目标。实验结果显示，该方法不仅提升了市场效率，还将训练时间缩短70%以上，具备良好的可扩展性和可解释性。
本研究面向400 Hz航空航天电力系统，提出一种基于深度学习的电气故障与电能质量扰动多分类检测框架。研究利用高保真仿真生成21种工况数据，并比较多类时序与时频深度学习模型。紧凑型ResNet以较低参数量取得96.94%的软件测试准确率；经8-bit量化并部署在Xilinx ZCU102后，仍达到95.87%的准确率和6.90 ms的平均推理延迟，表明嵌入式边缘AI用于飞机电气健康监测具有可行性。
本研究以支持单变量、多变量和协变量信息增强预测的多通道时间序列基础模型Chronos-2为对象，在ISO New England和ENTSO-E真实数据集上，将其与任务专用深度学习模型进行系统比较。结果显示，任务特定微调可显著提升Chronos-2的负荷预测能力，使其在短预测时域表现突出；但在零样本场景下，其准确率仍逊于任务专用模型，且误差随预测步数增加得更快。研究明确了TSFMs用于实际电网负荷预测的优势、局限及有效适配方式。
本文提出用于电网图分类的多通道物理感知随机游走指纹 MC-PA-RWF，通过将运行相关的物理边状态编码为多个加权通道，生成紧凑、可扩展且可解释的图级表示。在三个 PowerGraph 系统上，该方法显著优于仅考虑拓扑的 RWF，并可与强 GNN 基线竞争；其扩展模型 MC-PA-RWF+ 在最大规模设置下达到约 98.04%–99.32% 的平衡准确率，且故障类别 F1 显著领先最佳 GNN 基线。
研究比较了住宅光伏—电池储能（PV-BES）社区P2P电力交易中的规则型定价与基于Deep Q-Network的RL定价。仅配置光伏时，规则型方法优于最佳RL策略；加入电池储能后，最佳RL策略的社区节省额由734.23欧元提升至978.52欧元。学习型方案中，SDR形状定价优于基于乘数的参数化方法。总体而言，规则型定价仍具较强竞争力，储能可显著改善RL方案的经济表现，但各家庭获得的收益并不均衡。
RAPTOR是一种面向电力系统多时间尺度暂态仿真的物理信息随机投影求解框架。它使用基于固定高斯RBFs的PIRPNN表示混合DAEs在时间区间内的轨迹，并通过Newton-Raphson等非线性求解器确定RBFs组合。多类RMS与EMT测试表明，该方法在保持求解精度的同时，可减少顺序仿真推进和非线性迭代，改善精度—运行时间性能，部分案例加速超过10x，并有望优于Radau方法和梯形法。
研究以德国、波兰和西班牙2021—2025年的电价数据为基础，比较零样本基础模型与市场特定预测模型在预测准确性和电池储能套利收益方面的表现。TabPFN在统计指标上全面领先，但其经济优势取决于报价限制和风险偏好；低风险情景下，Distributional Deep Neural Network反而更具盈利能力。结论是，基础模型尚不能全面替代市场特定模型，实际价值需结合模型架构与决策场景判断。
本文探讨算法化电力市场中AI智能体通过自主学习形成默契合谋的风险。研究将策略性竞价构建为具有不完美公共监测的重复博弈，并利用多智能体强化学习模拟参与者行为，同时提出超越纳什均衡利润比较的多维判定标准。实验发现，即使未收到合谋指令，部分智能体仍可能学会维持高于竞争水平的市场结果，表明电力市场中的算法默契合谋风险真实存在。
ICI-Time 将时间序列转换为面积图，并借助大型视觉模型的上下文学习能力，把预测转化为网格提示中的视觉修复与模式补全任务。该方法无需微调或修改预训练视觉 Transformer 的架构，在流行病学、气象学和电力系统实验中取得了可与深度学习基线竞争的表现，并在有限数据条件下展现出良好适应性。
本文面向低惯量、复杂动态且系统参数难以获取的微电网频率控制问题，提出Prompt-DT架构，将少样本专家历史轨迹作为提示，实现上下文感知的环境识别与自适应决策。该方法结合自监督对比学习和基于累积奖励、频率波动性的物理信息提示筛选机制，并通过轻量级微调提升在数据有限的未见环境中的泛化能力，其性能可与全参数微调相当。
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。
本文在两个公开智能电表数据集上，对九种涵盖线性、MLP、卷积和 Transformer 架构的深度时间序列模型进行了实证基准评测。研究发现，更长的历史输入可提升预测准确性，但存在饱和点；预测时间范围越长，准确性越低。深度学习模型整体优于经典基线，而轻量级模型能以更低计算成本获得相近性能。模型架构差异主要在长预测范围和高异质性数据集上体现，对大多数地理人口统计及家庭子群的影响则较为有限。
本研究建立了一个基于公开、标准化电力市场数据的可复现框架，对六种深度学习模型的跨市场电价预测能力进行比较，并以 2024 年 DE-LU 竞价区为测试对象，考察零样本、单样本和少样本场景。结果显示，N-HiTS 和 NBEATSx 在数据有限时表现突出；Transformer 模型经充分适配与调优后可达到相近精度。特征选择和超参数调优对性能具有重要影响，而领先模型之间的差距通常较小。