追踪能源领域最新技术、论文、代码与数据集
本文综述了近800篇图机器学习（GML）与电力系统交叉领域的论文，覆盖预测、状态估计、优化、控制、故障诊断和网络安全等任务。GML能够利用电网拓扑信息，为经典求解器提供可扩展且高效的补充；同时，电力系统所具有的物理约束、多尺度动态、安全关键性和数据稀缺等特征，也使其成为检验GML的重要场景。当前主要瓶颈包括实际部署不足、模型可解释性有限，以及标准化基准和开放数据集稀缺。为此，本文提出机器学习就绪型电网基准的结构化需求目录，并呼吁优先推进基准研究及数据集与模型的开放共享。
本文提出一种结合LLM分层协调与延续感知策略学习的控制框架：由LLM基于异构运行信息进行高层协调，任务专用控制器或优化器负责生成满足约束的底层动作，并通过Continuation-Aware GRPO评估决策在后续控制时段的持续影响。多匝道交通控制和VPP能源管理实验表明，该方法持续优于多类直接控制、强化学习、分层协调及仅提示词驱动的LLM基线。
本文提出一种面向锂离子电池的物理信息神经网络方法，可从任意电压区间的部分放电曲线实时估计健康状态（SOH），MAPE低于4%。该方法融合数据驱动学习与物理退化动力学，并能在无需先验知识或历史数据的情况下在线识别关键老化转变、持续更新退化预测，从而适应异构运行条件并摆脱固定测试规程的限制。
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。
本文针对电力系统动态机器学习替代模型难以解释的问题，将小信号特征值分析与NTK方法相结合，从模态角度揭示误差收敛特性，并说明物理刚性和时间尺度分离如何转化为NN训练中的优化刚性。在此基础上，研究提出自适应损失加权策略，并解释ActNet等结构感知架构相较普通NN的性能优势。相关方法在\acp{SM}和电力电子变流器的物理信息替代模型上得到评估，可为物理感知的NN架构与训练策略设计提供系统化分析依据。
FarSky是一种面向小时内太阳辐照度预测的生成式框架，通过多任务自编码器联合学习图像重建与辐照度估计的任务感知潜在表征，并利用潜在扩散模型生成未来状态。该方法可同时提供确定性与概率预测，在两个独立测试集上实现最佳综合性能，预报技能最高提升11个百分点，爬坡事件检测的F1分数超过60%。
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HPC-RL分层约束强化学习框架，用于解决大规模EV参与V2G时空耦合调度中的约束满足与计算效率问题。该方法通过上层广义约化梯度RL严格执行电网空间硬约束，并利用下层动态边界策略保障单辆EV的时间充电需求。IEEE 14、30及改进的141节点系统实验显示，HPC-RL全面优于模型预测控制和先进安全RL基线，可实现近似最优调度，将在线计算时间由数小时降至数分钟，同时实现接近零的约束违反率和接近100%的充电需求满足率。
本文面向工业微电网中炼钢工艺负荷的实时调度，提出嵌入工艺知识的安全深度强化学习框架。该框架通过动作空间设计、工艺距离引导的安全动作处理、递归可行性保障，以及融入PPO的修正预算与原始-对偶更新，在确保生产过程持续可行的同时降低购电成本。真实数据验证显示，该方法实现零工艺损失，并较基于规则的调度和滚动MILP分别节省49.2%和25.9%的购电成本。
本文面向电力系统AI教育中的入门障碍，提出一个以工程基础人工智能（EGAI）为理念的开放、可执行实践框架。该框架通过难度递进的Jupyter notebook模块，将DNN、CNN、DRL和PINNs等方法应用于负荷曲线拟合、5母线潮流代理、电池储能控制、优化和摇摆方程求解，并支持本地及Google Colab运行。调查结果及IEEE PES课程推广数据表明，电力领域对可复用、面向实践的AI教学资源存在显著需求。
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。
本文研究图神经网络在DER渗透率从10%提高至50%时的故障定位泛化能力。基于重构的IEEE 123节点馈线实验，STGATv2在同分布场景下取得92%—94%的宏平均F1分数，并在跨渗透率和测量噪声条件下显著优于GATv2与GRU。研究发现，高渗透率训练向低渗透率场景的泛化效果优于反向迁移，表明拓扑感知和时空联合建模是提升主动配电网故障定位鲁棒性的关键。
本文提出ES-PINN，将神经网络结构与故障前、故障中及切除后的电力系统动态事件相对应，并通过精确状态衔接构建可微的CCT边界。该方法支持边界提取、敏感性分析和直接CCT预测，并给出相应误差估计。在多个IEEE节点系统、不同扰动与切除配置下，ES-PINN相较神经代理基线取得了更高的轨迹和稳定边界精度，同时展现出良好的计算效率。
本文提出一种基于排放预测的主动式时空碳响应框架，利用双阶段注意力增强的深度学习模型及基于LLM的多智能体协作系统预测日前节点碳强度（NCI），并协同调度移动储能系统（MESSs）、分布式数据中心（DDCs）等地理可调度负荷（GDLs）。在改进的IEEE 33节点系统上的仿真表明，当碳调度延迟缩短1小时时，该方法可实现超过30%的减排，推动电力系统由被动碳核算转向主动碳管理。
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。
FMOPF是一种面向AC最优潮流的生成式框架，旨在学习给定负荷条件下可行近优解的分布。该方法通过潜在流匹配将高维OPF解流形的压缩与条件生成解耦，并引入约束感知交互先验网络来建模负荷—状态耦合。IEEE测试系统实验显示，FMOPF可改善Newton-Raphson热启动效果、降低生成方法的尾部风险，并在保持完全可行性的前提下扩展至数百个母线的系统。
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。
本文系统介绍 LLMs 与智能体式 AI 在智能电网中的架构及应用，并针对模型可能产生物理不可行结果的问题，提出“可信求解器计算、显式验证后报告”的设计原则。通过风电功率预测、EV 充电调度、潮流分析和事故诊断四个案例，研究表明，与仅使用 LLM 相比，以求解器为基础的智能体系统能显著提高结果的正确性和可靠性。本文还构建了涵盖任务效用、正确性、忠实性与安全失败、成本与延迟的四组评估框架，明确了智能体负责编排、检索和解释，可信工具负责数值计算，验证门控负责结果发布的分工模式。
本文面向接入配电网的AI数据中心，提出端到端的预测后调度（PTS）框架，通过可微凸优化联合训练工作负载预测与调度决策，并以兼顾电力成本和负荷削减惩罚的损失函数衡量调度质量。实验显示，该方法较传统两阶段方案可显著降低运行成本，并提升配电网与数据中心协同运行的安全性。