追踪能源领域最新技术、论文、代码与数据集
本文提出一种基于排放预测的主动式时空碳响应框架，将双阶段注意力深度学习、LLM多智能体协作与GDLs调度相结合，用于日前NCI预测和碳感知需求响应。该方法在改进的IEEE 33节点系统上验证，可通过降低碳调度时延快速应对碳强度波动；在时延缩短1小时的条件下，系统排放降幅超过30%，体现了从被动碳核算向主动碳管理的转变。
该内容聚焦预测与感知，涉及优化与强化学习。ABSTRACT -The increasing integration of renewable energy resources, distributed generation, electric vehicles, and intelligent monitoring devices has significantly enhanced the com…… 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。
本文综述深度状态空间模型（DSSMs）在太阳能PV预测中的理论、架构、数据处理、外生变量影响及应用，涵盖短期预测、概率预测和多站点预测，并与ARIMA、ANN、RNN、LSTM及HDL等方法进行比较。研究表明，DSSMs能够更有效地刻画光伏发电的隐藏时间动态和不确定性，但仍面临计算复杂度、可扩展性、数据质量和可解释性等挑战；Transformer、图神经网络、元启发式优化和可解释人工智能是重要的未来发展方向。
本文提出SGEIS智能能源检测框架，融合时间序列深度学习、集成学习、NILM和GNNs，从时间、设备及电网空间拓扑多个维度识别电力盗窃与NTLs。实验中Gradient Boosting的ROC-AUC达到0.894，图模型识别高风险节点的准确率超过96%，显示出良好的检测性能、可解释性、鲁棒性和规模化部署潜力。