追踪能源领域最新技术、论文、代码与数据集
本文系统比较了十种机器学习模型在新英格兰ISO短期日度电力需求预测中的表现。CatBoost以RMSE 8316 MWh、MAPE 1.87%和R-squared 0.917取得最佳结果，树模型及Transformer+树混合模型整体优于独立的LSTM和Transformer。消融与SHAP分析显示，需求滞后特征贡献最大，而COVID-19特征随时间出现有效性衰减，甚至会削弱疫情后阶段的泛化性能。
PowerAgentBench-Dyn是面向电力系统动态研究的Agentic AI评测基准，重点考察智能体在复杂、多步骤任务中的推理、工具调用、迭代试验和工程决策能力。其首批任务涵盖动态模型质量审查和动态安全风险筛查，并通过明确的仿真环境、观测与动作空间及量化指标，实现确定性评估与多次运行下的随机行为评价，从而支持电力系统运行和规划领域Agentic AI的发展。
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。
本文将 ARIMA 的差分思想引入短期电力负荷预测，使 LSTM、Transformer 和 LightGBM 预测相邻时间步的负荷变化，再由最后观测值重构负荷。基于印度多年逐小时负荷、NASA POWER 气象数据及日历特征的实验显示，该方法在小时前预测中使所有模型的 MAPE 降低超过 50%；在日前预测中则主要改善 LSTM 和 Transformer，而 LightGBM 使用绝对值目标时仍具竞争力，说明差值目标的效果具有模型和预测时间跨度依赖性。
本文系统综述AI在高比例电力电子变换器电气系统全生命周期中的应用，涵盖变换器设计、实时控制、系统级运行及合规治理，并比较多类AI方法的工程作用与部署成熟度。研究指出，AI已能有效辅助建模、优化、控制与运行协调，但在稳定性认证、约束满足、可解释性、数据效率、仿真到现实迁移、实时延迟、网络安全、隐私及标准一致性等方面仍需充分验证，方可用于自主或安全关键型部署。
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。
本文提出一种面向混合可再生能源微电网限时协同调度的量子辅助智能体式DAI框架。BDIx智能体将逐时隙调度建模为QUBO，并根据学习得到的求解器延迟，在量子、量子启发式和经典求解器之间进行限时选择；同时利用储能估值机制引入跨时段信息。24小时仿真中，该框架未出现审议超时，各时隙均获得精确最优解，日成本达到精确下界146.24 EUR，可再生能源利用率为97.83%，且无未供应电量；停用储能估值机制后，成本增加4.5%。
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。
本文将智能微电网中的需求响应协调建模为社会网络上的重复囚徒困境，并提出由LLM影响编译器驱动的多智能体混合决策框架。该方法通过分离博弈策略推理与LLM叙事评估，缓解RLHF导致的合作偏向。实验显示，结构化指令可将需求削减合作率提升至33.3%，优于非结构化消息和无干预基线；同时，面向高中心性枢纽节点的传播效果最佳。研究说明，结构化LLM编译、基于现实依据的智能体推理和网络感知定向可共同提升智慧城市能源系统中需求响应协调的可扩展性与可解释性。
本文综述了智能电网的新兴用例及其对5G和6G通信能力的需求，系统阐述了融合DERs、微电网、储能系统和网络安全框架的智能电网架构，并量化了分布式电压控制、实时故障检测与自愈、自主监测和预测性维护等场景的服务性能要求。同时，文章分析了网络切片、边缘计算、频谱管理、AI优化、数字孪生和O-RAN等关键赋能技术，并指出下一代智能电网在可扩展性、智能化和安全性方面的开放性挑战与研究方向。
本研究通过动态规划容量配置、专家引导的深度强化学习能量管理和多维可行性矩阵，评估超级电容器HESS在不同电动车型中的实际应用边界。结果显示，城市公交车因空间充足、增量成本低而最具可行性；乘用车受质量和体积约束，重型卡车则受经济收益有限的制约。HESS的效益取决于负载频率与车辆配置，未来超级电容器大幅降价后可行性有望提升，并可在2030+固态电池时代发挥重要的电池资产保护作用。
本研究提出一种用于跨境电力交换的ML代理建模框架，根据小时级需求和可再生能源发电等节点数据生成互联线路潮流，并将其作为降维PSOM的固定边界条件。全欧洲案例表明，SQU神经网络变体在样本外预测和下游优化中表现最稳定，生成的潮流可较好复现完整模型的国家层面结果，且显著降低计算成本。该方法支持在仅运行一次完整模型后，对多个气候年份开展情景一致的降维分析，但其物理约束软惩罚并不保证潮流完全可行。
本文系统评估了风电区间预测中的现有混合架构。研究表明，将LSTM、ELM等模型与EMD、EEMD、VMD等分解技术结合，并分别预测区间上下界，可在保持覆盖率的同时缩窄预测区间，提升准确性与可靠性。当前研究仍面临评估指标不统一、计算复杂度高及实际验证不足等问题。
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。
本文提出一种基于 Group Lasso 的多变量日前电价预测方法，通过刻画多特征在连续时间区块中的时间组效应，联合预测未来24小时电价。基于 CAISO 两年数据的实验显示，该方法在点预测和概率预测方面优于多种统计及深度学习方法，并兼具可解释性与较低计算复杂度。该方法在国际电价预测挑战赛数据的回溯评估中排名第二，且与 CAISO 两个实际运行预测系统相比也表现出有竞争力的预测性能。
本文针对传统机器学习方法在智能电网停电缓解中响应慢、计算成本高，以及常规空间域GNN难以捕捉频域关系的问题，提出面向配电网停电管理的谱图强化学习框架。该框架利用谱图神经网络学习最优供电恢复策略，并在修改后的IEEE 13节点、34节点和123节点系统上进行验证。结果显示，该方法可实时获得近最优性能，并能在多种停电场景中良好泛化，从而提升配电网韧性。
本文研究现代信息物理系统（CPS）中基于ML的故障检测与定位机制所面临的后门攻击风险。攻击者通过向训练数据注入特定触发模式，可在不影响模型大多数正常行为的情况下操控其触发后的输出。实验表明，仅使用10%的投毒数据即可成功实施攻击，揭示了智能电网等关键基础设施中智能故障诊断模型的安全隐患。
本教程介绍如何将控制理论与神经网络验证器 α,β-CROWN 相结合，为学习型控制器提供可扩展的形式化验证框架。该方法通过对计算图表示的非线性函数计算认证边界和线性松弛，并结合子域递归划分、剪枝及 GPU 并行化，支持稳定性、安全性、可达性、可满足性检查和优化等控制任务，尤其适用于传统方法难以处理的高维神经网络系统。