追踪能源领域最新技术、论文、代码与数据集
PowerAtlas面向数据中心AI负荷与电网的电力—算力协同调度，将历史实例、领域知识和物理约束集成到LLM智能体中，以生成满足电网规则与计算任务SLAs的可行决策。基于真实数据和包含2,000个最优解实例的ECBench测试，其在十一种LLM及三种开放权重骨干模型上均展现出稳定的可行性与成本优势。
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。
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。
EirGrid与GridZero.ai开发了一种生成式人工智能方法，利用市场关闸前的有限数据，提前最多38小时预测爱尔兰电网的最大单一馈入和馈出。其MAPE仅比使用完整市场数据进行提前8小时预测的结果高1.1%，显示出降低备用容量采购成本以及扩展TSO智能资源规划的潜力。
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。
WattCouncil是一种面向家庭能源场景生成的受治理LLM多智能体框架。不同专业角色的智能体在文化、时间和物理约束下协同生成、审查与验证结构化用能场景，并结合家庭构成、时间因素和环境条件生成情境敏感的日常活动及负荷曲线。研究利用包含4232个家庭一年以上负荷数据和社会经济信息的CER数据集进行评估，并通过消融研究检验框架一致性，旨在缓解高分辨率家庭能源数据因隐私、监管和采集成本而难以获取的问题。
本文面向相互依赖的电力—通信网络，提出以 MIIM 为真值仿真器的机器学习代理模型，用于快速预测 N-k 事故严重程度并评估元件关键性。在 IEEE 118 节点系统上，Gradient Boosting 的事故排序 Spearman 相关系数为 0.849，元件关键性排序与 MIIM 排序的相关系数为 0.838，筛查速度约提升 158 倍。结果表明，层间依赖特征是性能提升的主要来源；该方法适合用于“代理模型初筛、MIIM 选择性验证”的两阶段韧性评估流程，但不直接用于确定最优加固方案。
本文基于扩展的多时间步DC最优潮流框架和IEEE 30节点系统，评估数据中心负荷增长及时间集中性对电网韧性的影响。研究发现，在输电受限和发电—输电耦合降额故障下，数据中心容量增长会显著增加未供电电量；高增长情景下总未供电电量可由3.203 MWh升至22.891 MWh，而总能耗相同但需求更集中的情景还会额外增加34.4%，说明数据中心需求的规模与时序特征均会削弱电网韧性。
本文面向含多个IBR的电力系统在线动态轨迹预测，提出网络互依关系感知的黑箱建模方法。该方法采用模块化STAN捕捉各IBR的时空动态，并通过融合解耦线性化AC潮流的混合物理信息损失函数增强预测的物理一致性、计算效率及抗测量误差能力。IEEE 14节点和WECC 179节点系统测试显示，该方法在预测精度和鲁棒性方面优于近期ML方法。
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。
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。
本文提出一个面向整体运动员画像的智能体框架，通过 LangGraph 协同 MediaPipe、Llama-4-scout 与 RAG，将定量运动学追踪和定性教练判断相结合。其 3 X 3“Smart Grid”时间分块策略可将计算开销降低 88% 以上，“LLM-as-a-Judge”自校正机制用于交叉核验指标并减少幻觉，基于 ChromaDB 的双持久化管线则支持自然语言语义检索。该框架严格对齐 SAI 规程，可为大规模、客观的国家级运动员选拔和人才识别提供可落地的教练洞察。
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。
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。