追踪能源领域最新技术、论文、代码与数据集
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。
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。
D2H-AD是一种面向高级异常检测的HDC混合模型，通过统一融合距离相似性和密度感知编码，提升异常表征与检测能力。在五个基准数据集上的实验显示，该方法优于HDAD、ODHD、One-Class SVM、Isolation Forest和Autoencoders，并在F1-score、ROC-AUC以及应对类别不平衡、噪声和复杂数据方面表现突出。凭借二进制计算、紧凑设计、低内存占用和低延迟，D2H-AD适合TinyML、边缘AI及其他资源受限的实时应用。
本文针对可再生能源驱动的氢供应链，在统一且符合物理实际的仿真框架下比较RBC、MPC、RL-NF和RL-F四种控制策略。结果显示，MPC凭借短期预测和储能协同实现了最高经济效益；RL-NF无需未来信息仍具备稳健且有竞争力的表现；RL-F则因预测不确定性和状态复杂度增加，未能稳定优于RL-NF。研究为兼顾经济性、可靠性与可持续性的氢能系统控制策略选择提供了依据。
本文面向6G赋能的信息物理系统，提出从边缘感知与本地AI检测到SDN/NFV/O-RAN全网缓解，再到FL和DT驱动再训练的AI原生闭环安全框架。综述基于PRISMA 2020系统梳理128篇研究，建立按切片约束的尾部时延契约，统一威胁映射、异常检测与DDoS分类方法，并将LLM、PQC、ZTA及可解释AI等纳入跨层赋能体系，最终总结数据、时延、信任、标准化和评估五方面的关键研究方向。
本文提出用于鲁棒电力系统运行的决策校准预测集，以“下游运行决策的可靠性”而非传统预测覆盖率作为校准目标。该方法利用部分输入凸神经网络学习兼顾上下文信息、多变量依赖关系及凸可解性的条件不确定集，并借鉴保形风险控制校准集合体积，以控制运行约束的期望违反程度。在提前15分钟的网络约束备用调度实验中，该方法将约束满足水平控制在目标值约3个百分点以内，而传统覆盖率校准方法超出目标11个百分点以上，因此前者可避免过大的不确定集并降低运行成本。