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。
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。
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%。
PowerAgentBench-SS面向电力系统稳态运行与规划，评估LLM智能体执行端到端工程工作流的能力，而非仅考察求解结果。该框架通过公开算例、动作约束、工具API、验证预算和隐藏物理校验器，对故障发现、证据质量、风险、措施成本及工具使用效率进行综合评分。IEEE 39节点DC热稳定N-2试验表明，智能体的工作流规范性、证据支持和验证策略与最终答案同样重要。
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%。
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。
该内容聚焦预测与感知，涉及时序智能。Electricity Load Diagrams 2011 2014 (TsFile) Apache TsFile version of sxj1024/electricity load 2011 2014, the classic Electricity Load Diagrams 2011 2014 dataset. Overview Electric…… 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。
本文面向未知被控对象模型及结构的网络物理系统攻击检测，研究无模型重放攻击和基于模型的隐蔽攻击，并推导线性与非线性系统中对抗 $χ^2$ 检测器的最优隐蔽攻击策略。作者利用 TimesFM 构建零样本、无模型结构的替代残差生成器。IEEE 14 节点电力系统实验表明，该方法的检测性能与传统方案相当或更优，且 TimesFM 预测还可在冗余条件不足时替代受损测量值。
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。