追踪能源领域最新技术、论文、代码与数据集
本文研究如何利用建模与优化方法规划为人工智能数据中心供电的新增基础设施。研究将数据中心负荷、发电容量和市场出清电价纳入统一框架，并通过确定性模型、随机过程和随机控制分析供需增长及投资决策。结论表明，尽管AI数据中心的用电需求快速增长，但负荷预测偏差、项目执行风险和过度建设造成的价值蚕食可能抑制发电投资，导致供给扩张难以及时跟上需求，从而使电价稳定面临挑战。
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。
该内容聚焦预测与感知，涉及时序智能。Hourly Electricity Load — Brazil (TsFile) This dataset is an Apache TsFile conversion of SamuelM0422/Hourly Electricity Demand Brazil Dataset. Modalities: Time series. Overview Hou…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
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。
该内容聚焦预测与感知，涉及时序智能。The Victoria electricity demand dataset from the MAPIE github repository. It consists of hourly electricity demand (in GW) of the Victoria state in Australia together with the temp…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
该内容聚焦预测与感知，涉及时序智能。australian electricity demand (TsFile format) 5 time series representing the half hourly electricity demand of 5 states in Australia: Victoria, New South Wales, Queensland, Tasmani…… 以上为基于官方材料生成的概述，具体指标和结论请以原始来源为准。
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。
本文针对ERCOT日前市场2014–2024年的价格形成机制，利用HGBR和XAI框架量化历史价格滞后项对负荷、气候及日历因素的遮蔽效应。结果显示，价格滞后项虽有助于正常状态下的短期预测，却无法有效描述极端行情，并会在价格飙升时提高MAE/RMSE。极端价格主要与系统在特定温度区间内的非线性剧烈响应有关，说明预测模型应减少对价格滞后项的依赖，更直接地识别物理驱动因素。
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。
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。
本文面向数据稀缺市场的日前电价预测，提出将 Chronos-2 与多源市场信息（MSMI）及状态依赖门控 LoRA 相结合的跨市场迁移框架。该方法无需目标市场标签，仅更新约1%的参数；在中国4个省级日前现货市场上，相较市场信息感知的零样本 Chronos-2 和标准 Source-LoRA 均降低了 MAE/RMSE。结果表明，市场结构化信息和基于运行状态的门控机制有助于提升迁移预测性能，但门控相对 Source-LoRA 的额外增益有限。
本文针对计算侧对抗性AI请求与电力侧逆变器控制篡改形成的协同攻击，提出一种考虑需求响应和PV预测不确定性的AIDC微电网脆弱性评估框架。该方法通过功率映射、置信度加权不确定性表征和基于阻抗的稳定性分析，确定攻击可达域、关键攻击时间窗口及固定协同攻击向量。案例结果显示，关键窗口内的协同攻击可造成持续频率振荡，峰值绝对偏差超过标称频率的20%，而窗口外响应保持有界。
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。