追踪能源领域最新技术、论文、代码与数据集
本研究重新审视数据驱动的故障前动态安全评估，引入通过上下文学习工作的表格基础模型（TFM），以减少对大规模标注数据、逐预想故障建模、重复训练和超参数调优的依赖。在IEEE 68节点系统上，单个TFM使用每个预想故障120个标注样本即可获得约90%的平均Macro F1分数；对于未见预想故障，结合EDC编码和仅10个新标注样本，性能可匹配依赖完整标注数据的最优迁移学习Oracle模型。结果表明，基础模型有望提升电力系统安全评估的样本效率、泛化能力与实际部署可行性。
该研究构建了一个覆盖 TSO 控制区、低压馈线和终端消费者的多电网层级负荷预测基准，并比较了十种短期预测方法。结果表明，Transformer 方法可将预测误差降低 6.6%–10.7%，整体优于成熟方法；标准 Transformer 也优于融合多种架构改动的 YAformer。Chronos-2 在两个数据集上具有竞争力的零样本表现，但难以识别 TSO 数据中的特殊事件。研究还指出，长输入上下文、协变量和持续重训练是提高预测准确性的关键因素。
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。
本文面向基于逆变器的资源（IBR）占主导地位的低惯量电力系统，提出一种用于最优潮流（OPF）求解的物理信息神经网络（PINN）框架。该方法引入考虑发电单元与扰动位置之间电气距离的位置感知惯量约束，兼顾计算效率、物理可行性与惯量安全。在6 GW测试系统中，训练集和测试集的MAE均约为系统总容量的0.045%，表明该框架能够生成高精度、满足物理及惯量约束且具备计算可扩展性的OPF解。
本文提出一种物理规律引导、经微调的LLM配电系统馈线生成框架，可将自然语言需求端到端转换为可定制的物理一致馈线模型。该框架结合SFT、采用多阶段门控奖励函数的GRPO，以及由优化智能体和评判智能体组成的双智能体架构，以增强结构理解、满足用户意图和物理约束，并依据工业设计标准校准和评估模型。案例结果显示，生成的馈线格式有效、物理一致，且具有较高的工程应用价值。
本文面向电力系统在线暂态稳定轨迹预测，提出融合动态结构图与方向性因果图的C-DNR框架，并利用逐边自适应加权和GRU预测故障后轨迹。在IEEE 39节点系统上，C-DNR相较动态结构基线将自回归预测误差降低73%；其中PCMCI是唯一持续带来性能提升的因果发现方法。融合权重还可提供与电气拓扑一致的发电机对级可解释诊断。
FedPPO-PG 将物理机理确定的电气邻域、联邦多智能体 PPO、引导式策略初始化和 CTDE 相结合，实现智能电网暂态稳定的分布式控制。IEEE 39 节点系统结果表明，该方法在训练及未见故障场景中均实现 100% 稳定，同时显著缩短稳定时间、降低控制功率，并满足无中央协调部署及实时推理要求。
本文以意大利2026年Decreto Bollette为案例，利用MARLEY多智能体强化学习框架评估削弱EU-ETS碳价信号的长期影响。研究发现，该政策虽可短期降低电力成本，但长期系统成本改善有限，并会因削弱可再生能源和储能投资激励而在多数情景下推高CO$_2$排放。强力绿色投资支持能够避免排放上升，却会边缘化批发市场价格信号，并迫使电力市场转向与该干预逻辑相矛盾的混合型范式。
本文提出一种面向能源系统的端到端可解释AI框架，将深度神经网络预测、LIME与SHAP解释、保真度与稳定性评估以及基于LLM的自然语言解释生成整合起来。该框架在电力系统故障检测中实现99%的准确率和1.00的ROC-AUC，在建筑能耗预测中取得0.67的R2得分，表明其能够生成稳定、忠实且便于非技术人员理解的模型解释。
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。
本文提出一种基于图神经网络的物理信息电流互感器动态状态估计方法。该方法以采用二次离散化的Gauss-Newton算法为基线，根据Jacobian稀疏模式生成热启动初值，在不同SNR条件下分别将初始化距离和初始加权目标函数值平均改善25%和38%，从而增强CT饱和校正及电网测量保护的鲁棒性与可靠性。
本文提出一种适用于平衡与不平衡工况的广义动态相量（DP）框架，用于高效分析含GFL/GFM IBR、同步发电机及AI DC等大型负荷的多机系统次同步振荡。该框架支持特征分解与快速仿真，并经EMTDC/PSCAD验证。基于改进IEEE 68节点系统的研究表明，该方法可用于识别IBR诱发的SSO模态、设计粒子群优化分散式阻尼控制器、评估以GFM替代GFL控制的抑振效果，以及分析AI DC负荷对一次频率响应和多质量块汽轮机动态的影响。
本研究面向大规模电动汽车车队的分散式智能充电，比较上下文组合多臂老虎机与策略梯度两类独立多智能体强化学习方法。研究基于真实光伏发电数据构建动态电价仿真环境，考察智能体利用价格、荷电状态和时间约束等局部信息，在不同电网拥堵程度及异构混合策略配置下协调充电、降低用户成本并避免电网过载的能力。
本文面向钢铁工业微电网的联络线功率塑形，提出无参考轨迹的序贯异构智能体协调（SHAC）框架，协同控制工艺负荷、储氢系统和电池储能等多时间尺度资源。该方法结合跨角色观测、异步决策、角色特定奖励与评价器，以及动作掩码和可行性投影，实现安全、实时的1分钟级在线决策。实验结果显示，SHAC在保持零生产故障和每步0.4 ms平均计算时间的同时，显著降低购电成本、契约需量超限时间和累计爬坡超限量，提升了工业微电网的经济性和电网友好性。
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。
本研究提出可解释电力负荷预测框架LoadKAN，通过特征隔离时序注意力机制分别提取历史负荷、人群流动性等输入特征的时序动态，再利用KAN进行可解释预测。在美国三个代表性电力市场的数据集上，LoadKAN的预测性能可与先进且经过充分调优的黑箱深度学习模型竞争，同时能够借助KAN学习的激活函数，细粒度揭示六种流动性模式与电力负荷之间复杂、非线性且具有市场差异的依赖关系。
本文提出BIPC框架，将后门变量识别、监督式机器学习预测与降维优化相结合，用于加速参数频繁变化但结构固定的大规模混合整数问题。该框架通过约束关键后门变量、求解降维问题并按需校正，在仅有限损失解质量的情况下显著缩短求解时间，适用于电力、交通和供应链等持续受扰动的应用场景。
本文提出一种开放数据驱动的城市电网拓扑与层级识别框架，整合公共电力基础设施数据、OpenStreetMap建筑数据、地理空间机器学习及道路和电压等级约束，重建从高压输电网到单栋建筑的完整连接关系。该框架已在Alna区和Waiheke Island得到应用，可支持潮流优化、级联故障仿真、电网韧性分析及能源数字孪生构建。