看技术

Mila等机构提出T-GRAB合成诊断基准，以周期计数、延迟因果和长程依赖三类任务评测11种时序图学习方法。实验显示，计数长度达32时EdgeBank可反超神经网络；时间滞后增至64以上、结构距离超过8后，各模型普遍退化。论文还验证了邻居采样敏感性，并开源任务生成代码与数据集，可用于TGNN能力压力测试。

方法时序预测 · 图与网络智能

时序人2026-10-09查看原文 ↗

公众号

ACM MM 2026 | 时空数据(Spatial-Temporal)论文总结【POI推荐，空间智能，城市科学，VLM，多模态大模型，Agentic 】

文章汇总ACM MM 2026时空数据方向的11篇论文，主题涵盖POI推荐、时空序列预测、4D时空推理、跨城市轨迹恢复、城市社会经济估算、城市级3D世界生成及降水临近预报等，重点呈现VLM、多模态大模型、强化学习和Agentic框架在空间智能与城市科学中的应用。

方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知 · 知识与协同

时空探索之旅2026-09-28查看原文 ↗

论文

Data-Assimilation-Assisted Reinforcement Learning for Power Grid Control under Load Uncertainty负荷不确定性下数据同化辅助的电网控制强化学习

本文研究负荷不确定性下数据同化辅助强化学习的电网控制方法。在基于直流潮流的定制仿真环境中，EnSF 用于校正含噪负荷信息，再供启发式控制器或 PPO 智能体决策。结果表明，EnSF 能稳定降低负荷估计误差，延长系统存续时间、减少警告和过载暴露，并提高冻结 PPO 策略的累积回报；在超出训练分布的更强负荷不确定性下，其性能优势更为显著。

方法时序预测 · 图与网络智能 · 优化与强化学习场景优化与决策 · 控制与自治 · 知识与协同

arXiv2026-09-23查看原文 ↗

论文

WPBench: A Comprehensive Benchmark for Wind Power ForecastingWPBench：风电预测综合基准

WPBench是一个全面、公平且可扩展的风电功率预测基准，整合26个公开数据集和19种代表性模型，覆盖不同风机规模、变量构成及传统、深度时序、时空和基础模型。它采用统一协议，不仅评估逐点误差，还考察预测曲线保真度、计算效率以及时间、变量和空间依赖结构，为多样化风电场景中的系统模型比较和后续研究提供可复用平台。

方法时序预测 · 图与网络智能 · 大模型与知识智能场景预测与感知 · 优化与决策

arXiv2026-09-21查看原文 ↗

论文

Droop-Aware Foundation Model Power Flow考虑下垂控制的基础模型潮流计算

本文扩展 GridFM，提出面向 AC 潮流分析的下垂感知基础模型，将下垂增益和频率/电压死区作为母线节点特征，并以平滑 tanh 近似保持死区建模的可微性。基于 Transformer 的图神经网络经预训练和微调后，在 PSCAD、PyPower、IEEE 24-bus RTS 和 IEEE 300 母线系统上均表现出高精度与良好可扩展性。研究还发现，死区宽度会扩大控制误差分布，但不影响总下垂补偿量，因此可作为重要的节点级控制设计参数。

方法时序预测 · 图与网络智能 · 优化与强化学习场景规划与仿真 · 预测与感知 · 控制与自治

arXiv2026-09-20查看原文 ↗

论文

Unified Heterogeneous Graph Neural Network solver for Power Flow, Optimal Power Flow and State Estimation用于潮流、最优潮流和状态估计的统一异构图神经网络求解器

研究提出统一的异构残差门控图卷积网络，以共享骨干网络同时求解PF、OPF和SE。该模型通过多拓扑、多负荷条件下的联合训练，学习可复用的电网运行表征；在IEEE 14节点和118节点系统上的准确性与任务专用GNN相当，并能稳健泛化至未见负荷水平和拓扑，为电力系统基础模型提供了初步路径。

方法图与网络智能 · 优化与强化学习 · 大模型与知识智能

arXiv2026-09-15查看原文 ↗

论文

Physics-Aware Random Walk Fingerprints for Scalable Power Grid Graph Classification面向可扩展电网图分类的物理感知随机游走指纹

本文提出用于电网图分类的多通道物理感知随机游走指纹 MC-PA-RWF，通过将运行相关的物理边状态编码为多个加权通道，生成紧凑、可扩展且可解释的图级表示。在三个 PowerGraph 系统上，该方法显著优于仅考虑拓扑的 RWF，并可与强 GNN 基线竞争；其扩展模型 MC-PA-RWF+ 在最大规模设置下达到约 98.04%–99.32% 的平衡准确率，且故障类别 F1 显著领先最佳 GNN 基线。

方法图与网络智能 · 优化与强化学习

arXiv2026-09-04查看原文 ↗

论文

In-Context Inpainting for Time Series Forecasting面向时间序列预测的上下文内修复

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知

arXiv2026-08-24查看原文 ↗

论文

Hierarchical Constrained Reinforcement Learning with Dynamic Boundary for Spatio-Temporal Vehicle-to-Grid Scheduling面向时空车辆到电网调度的动态边界分层约束强化学习

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景优化与决策 · 控制与自治

arXiv2026-08-04查看原文 ↗

论文

Assessing the Generalization of Graph Neural Networks for Fault Location Across Increasing Distributed Energy Resource Penetration Levels图神经网络在不同分布式能源资源渗透率下故障定位的泛化能力评估

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景诊断与安全

arXiv2026-07-31查看原文 ↗

论文

Emission-Forecasting-Based Spatial-Temporal Carbon Response: A Multi-Agent Attention-Enhanced Deep Learning Framework基于排放预测的时空碳响应：多智能体注意力增强深度学习框架

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景规划与仿真 · 预测与感知 · 优化与决策

arXiv2026-07-29查看原文 ↗

论文

Causal--Structural Dynamic Graph Learning for Online Transient Stability Trajectory Prediction in Power Systems用于电力系统在线暂态稳定轨迹预测的因果—结构动态图学习

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知 · 诊断与安全

arXiv2026-07-07查看原文 ↗

论文

An End-to-End Explainable AI Framework with Automated LLM-Based Natural Language Explanation Generation for Energy Systems面向能源系统的端到端可解释人工智能框架：基于 LLM 自动生成自然语言解释

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。

方法时序预测 · 图与网络智能 · 优化与强化学习场景预测与感知 · 诊断与安全 · 知识与协同

arXiv2026-07-05查看原文 ↗

论文

Physics-Informed Dynamic State Estimation for Current Transformers Using Graph Neural Networks基于图神经网络的电流互感器物理信息动态状态估计

本文提出一种基于图神经网络的物理信息电流互感器动态状态估计方法。该方法以采用二次离散化的Gauss-Newton算法为基线，根据Jacobian稀疏模式生成热启动初值，在不同SNR条件下分别将初始化距离和初始加权目标函数值平均改善25%和38%，从而增强CT饱和校正及电网测量保护的鲁棒性与可靠性。

方法图与网络智能 · 优化与强化学习 · 物理与数据融合

arXiv2026-07-02查看原文 ↗

论文

A Dynamic Phasor Framework for Analysis of Subsynchronous Oscillations in Multi-Machine Systems with IBRs and Large Loads用于分析含 IBRs 和大负荷多机系统次同步振荡的动态相量框架

本文提出一种适用于平衡与不平衡工况的广义动态相量（DP）框架，用于高效分析含GFL/GFM IBR、同步发电机及AI DC等大型负荷的多机系统次同步振荡。该框架支持特征分解与快速仿真，并经EMTDC/PSCAD验证。基于改进IEEE 68节点系统的研究表明，该方法可用于识别IBR诱发的SSO模态、设计粒子群优化分散式阻尼控制器、评估以GFM替代GFL控制的抑振效果，以及分析AI DC负荷对一次频率响应和多质量块汽轮机动态的影响。

方法图与网络智能 · 优化与强化学习场景规划与仿真 · 优化与决策 · 控制与自治

arXiv2026-07-02查看原文 ↗

论文

Urban Power Grid Topology and Hierarchy Identification from Open Data基于开放数据的城市电网拓扑与层级识别

本文提出一种开放数据驱动的城市电网拓扑与层级识别框架，整合公共电力基础设施数据、OpenStreetMap建筑数据、地理空间机器学习及道路和电压等级约束，重建从高压输电网到单栋建筑的完整连接关系。该框架已在Alna区和Waiheke Island得到应用，可支持潮流优化、级联故障仿真、电网韧性分析及能源数字孪生构建。

方法图与网络智能 · 优化与强化学习场景规划与仿真 · 优化与决策

arXiv2026-06-19查看原文 ↗

论文

AI Data Centers and Power System Sustainability: Understanding the Sustainability Implications of AI-Driven Data Centers on Power Systems人工智能数据中心与电力系统可持续性：理解人工智能驱动型数据中心对电力系统可持续性的影响

AI驱动的数据中心正成为电力需求快速增长的重要来源，其负荷具有增长迅速、空间集中的特点，可能推高碳排放并加剧电网灵活性与可靠性压力，但也为清洁能源整合、运营创新、辅助服务和系统灵活性提供了新机遇。文章从负荷与供电配置、短期运行和长期规划影响，以及企业可持续发展与碳核算实践三个层面，系统分析AI数据中心融入电力系统的风险、效益与现实限制。

方法图与网络智能场景规划与仿真 · 诊断与安全 · 知识与协同

arXiv2026-06-19查看原文 ↗