追踪能源领域最新技术、论文、代码与数据集
文章介绍UPATRAS旋转机械振动数据集及其构建方法。数据来自两台经爪式联轴器连接的电动机试验平台，涵盖健康、有限不平衡、机械松动和联轴器磨损共8种状态，在35.0～49.8 Hz范围内按0.2 Hz设置75个转速工况，共形成39个测量序列和2925段振动信号。数据以1024 Hz采样、CSV格式存储，可用于变转速状态监测、故障诊断、特征提取及机器学习研究，但属于人工植入故障的实验室单测点数据。
研究针对带容量、服务时间窗和分时电价的电动汽车路径问题CEVRP-TWEP，构建综合运输与充电成本的优化模型，并引入考虑车辆动态、载荷和充电行为的增强型能耗模型。在此基础上，提出编码器—精炼器—解码器架构的动态感知深度强化学习方法EDA-DRL，结合图引导稀疏注意力和动态状态建模。实验表明，该方法在通用及真实数据集上整体优于多种基准，与Heter-AM相比总运行成本最高降低6.33%。
上海交通大学团队提出TS-PINNs，将PINN的时间因果训练扩展为空间传播顺序，面向激励突变的高瞬态流动系统。方法依据时间和空间上游点的残差构造逐点因果权重，并通过TS-mean与TS-max池化调节门控严格程度，同时将权重场用于训练诊断和自适应采样。论文在一维天然气管道及二维对流—扩散—反应系统上开展实验，结果显示TS-max在步进和混合激励场景中具有更低误差。
本文针对智能电表能源预测，对九种涵盖线性、MLP、卷积和 Transformer 的深度学习模型进行了实证基准比较。研究发现，增加历史输入可提升预测准确率，但存在饱和点；预测时域越长，准确率越低。深度学习模型整体优于经典基线，轻量级模型则能以更低计算成本取得相近性能；模型架构差异主要在长时域预测和异质性较高的数据集上体现。对不同地理人口统计和家庭子群体的分析显示，大多数情况下模型选择影响有限。
本文基于标准化公开数据集，对六种涵盖状态空间、MLP、RNN和Transformer架构的深度学习模型开展跨市场电价预测比较，重点评估其在DE-LU竞价区及低数据条件下的泛化能力。结果显示，N-HiTS和NBEATSx在有限数据场景中表现突出，Transformer模型虽可实现相近精度，但更依赖适应与调参；特征选择和超参数优化同样重要，领先模型之间的性能差异往往较小。
本文系统综述了近800篇GML与电力系统交叉研究，指出GML能够利用电网拓扑信息，为预测、状态估计、优化、控制、故障诊断和网络安全提供可扩展且高效的解决方案。电力系统也为GML研究提供了涵盖物理约束、多尺度动态和安全关键要求的丰富基准场景。当前主要问题包括真实部署不足、模型可解释性欠缺，以及标准化基准和开放数据集稀缺；研究提出了面向ML-ready电力网基准的需求目录，以促进数据集、模型发布和研究可复现性。
国能日新2026年上半年实现营业收入3.52亿元，同比增长9.66%；归母净利润7012.00万元，同比增长52.52%；经营活动现金流净额2021.80万元，同比增长1044.29%。截至6月末，公司服务新能源电站6327家，功率预测收入占总营收56.35%。依托“旷冥”AI智能体系，电力交易、储能和虚拟电厂等创新业务收入同比增长62.96%；公司持续加大研发投入，推进新能源全产业链数字化布局。
该内容聚焦规划与仿真，涉及优化与强化学习。Interphases remain the least understood components in advanced batteries. Although their properties dictate whether a new battery chemistry could perform as designed, there has nev…… 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，涉及优化与强化学习。Multistage stochastic model predictive control (MPC) handles uncertainty by optimizing over a scenario tree, a finite branching approximation of future outcomes constructed from sa…… 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。
该内容聚焦优化与决策，涉及优化与强化学习。Agentic AI extends energy management beyond fixed-form interaction by translating natural-language requests into coordinated scheduling actions. We present a hierarchical ReAct Ene…… 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。
该内容聚焦诊断与安全，涉及优化与强化学习。Electrical faults in power transmission systems can severely affect grid stability, equipment safety, and operational reliability. Traditional protection schemes, particularly dist…… 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。
该内容聚焦优化与决策，涉及优化与强化学习。This paper presents, for the first time in power systems literature to our knowledge, analytical tools to explain the training performance of machine learning surrogate models for …… 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AI和机器学习、深度学习在电气系统中的应用，涵盖智能电网、可再生能源预测、故障检测、能源预测和预测性维护，并总结基准数据集、评估平台及算法性能。同时，文章分析模型可解释性、数据质量、数据安全和计算复杂性等挑战，展望Explainable AI、数字孪生、联邦学习和Edge AI等发展方向。
本文针对弱电网下集中式 UPS 数据中心系统的稳定运行问题，提出一种无需 PLL 的 VM-DPC 控制策略，并结合自适应无功功率支撑动态调节 PCC 电压。仿真与 OPAL-RT 实时验证表明，在 SCR<=2 时传统 PI 控制可能引发直流链路振荡和供电性能下降，而所提方法可提升系统阻尼并维持对动态 IT 负载的可靠供电。
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学习兼顾天空图像重建与辐照度估计的共享潜在表示，再利用潜在扩散模型生成未来状态。该方法能够同时提供确定性和概率预测，并在多个测试数据集上取得最佳综合性能，预测技巧最高提升 11 个百分点，爬坡事件检测 F1-score 超过 60%，展现出提升太阳能预测精度和事件预判能力的潜力。
本文系统综述了2023年至2026年任务关键型环境中高能效AI赋能WSN的研究，涵盖智能电网、AI、电力电子和城市基础设施应用。基于50篇DOI索引研究，综述指出路由与聚类、边缘AI、强化学习、模糊逻辑、元启发式优化和AI安全技术能够提升WSN能效，但安全性、时延与可靠性必须协同考虑。未来应重点发展轻量化、可解释、安全并经过现场验证的AI驱动WSN架构。
针对训练阶段即存在模态缺失的不完整多模态学习，文章提出LIMSSR，将缺失模态补全转化为LLM驱动的语义推理任务。方法通过Prompt引导的模态插补PCMI、多维融合Token策略LMRF和掩码感知双路径聚合MDA，实现缺失信息推断、不确定性校准与特征融合。基于Qwen3-0.6B的实验显示，模型在三个动作质量评估数据集的缺失及完整模态场景下均取得优异表现。
本文提出一个三级Stackelberg--Bayesian博弈模型，分析AI数据中心负荷增长背景下碳监管、容量市场以及二次利用电池投资之间的互动。研究重点比较SLB储能与新建储能的竞争，并评估碳税、可再生能源补贴和SLB补贴对投资结构、排放和利润的影响，从成本效益与减排效果两方面比较政策情景。
本文聚焦于智能电网技术、自动化与人工智能在可持续电力系统中的融合，提出基于多种运行特征的智能电网稳定性分类框架。在包含60,000条观测记录的数据集上，调优后的XGBoost表现最佳，ROC-AUC达到0.9990，表明AI驱动的稳定性预测有望提升电网自动化监测、故障预警和可持续运行决策能力。
本文提出一个面向电力系统教育的工程基础人工智能（EGAI）实践框架，通过可在本地或Google Colab运行的Jupyter notebooks模块，循序渐进地覆盖DNN、CNN潮流代理模型、DNN辅助优化、DRL储能控制和PINNs等内容。该框架旨在降低AI学习与应用门槛，并通过超过590名实时参会者和两周内超过344次仓库访问的推广效果验证其需求与影响力。
该内容聚焦预测与感知，涉及优化与强化学习。The increasing penetration of distributed energy resources, variable renewable generation, battery energy storage systems, electric vehicles, and power-electronic interfaces is cha…… 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。
本文提出一种面向电-氢-交通综合系统（EHTS）的分层优化框架：利用无求解器贪心启发式（SFGH）实现EV充电与HV加氢调度，再通过基于深度强化学习（DRL）的能源调度优化电池、储氢罐和PV发电分配，以降低系统运行成本。案例及多种分析验证了该框架的有效性、鲁棒性和无需重新训练即可适应不同交通需求的泛化能力。
本文提出FL-KGM，将模糊逻辑与IEEE Key Gas Method结合，通过改进隶属函数、优化模糊规则集并分离CO与CO2，提升DGA变压器故障诊断能力。真实数据集验证显示，其最高准确率达98.6%，显著优于KGM及其他基于FL的方法。
该内容聚焦预测与感知，涉及优化与强化学习。Machine learning project comparing SVM, gradient boosting, and deep learning for predicting stability in a decentralized smart grid. 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，涉及优化与强化学习。Deep Learning based Smart Grid Electricity Consumption Prediction using LSTM, GRU, Bidirectional LSTM, Attention LSTM and Streamlit Dashboard. 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。
该内容聚焦控制与自治，涉及优化与强化学习。Code of the paper "Safe Reinforcement Learning for Voltage Control in Distribution Networks with Energy Storage Systems: A Pareto Gradient Projection Approach". 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。
该内容聚焦预测与感知，涉及优化与强化学习。With the development of modern energy systems, there is a need to operate increasingly intelligent electricity systems. Smart grids are advanced electricity networks that allow for…… 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。
本文提出一种基于表格基础模型（TFM）的数据驱动动态安全评估方法，通过上下文学习以单一模型同时评估多个事故，无需重新训练或超参数调优。在IEEE 68节点系统上，TFM仅需每个事故120个带标签样本即可获得约90%的平均Macro F1分数；结合电气距离坐标（EDC）时，对未见事故仅需10个带标签样本即可达到最佳迁移学习基准水平。研究表明，TFM有望降低数据和建模成本，并支持电力系统多项运行任务。
本文建立了一个覆盖TSO控制区、低压馈线和单个终端用户的多层级负荷预测基准。实验表明，Transformer方法较传统方法将预测误差降低6.6%–10.7%，且标准Transformer优于引入多种改进的YAformer。Chronos-2具备较好的零样本预测能力，但难以捕捉特殊事件；长输入上下文、协变量和持续再训练是提升预测性能的关键。
本文提出一种面向电池储能系统（BESS）的概率退化预测框架，利用深度学习生成容量损失预测分布，并通过随机退化轨迹量化和传播不确定性。该方法可融合电芯级预测、系统拓扑和实际运行波动，基于住宅储能系统多年现场数据实现全系统SOH预测；其95%预测区间与现场测得的剩余容量吻合良好，为储能资产的全生命周期管理提供支持。
本文系统综述机器学习与人工智能在数据驱动光伏发电系统中的综合应用，覆盖预测、故障诊断、预测性维护、能源管理、市场参与及碳感知优化等任务。文章强调将模型输出与调度、储能、维护、虚拟电厂运行和低碳管理等实际决策相衔接，并指出基准不足、跨场站泛化弱、不确定性校准不足、可解释性有限、网络安全和计算成本是大规模部署的主要障碍。
本文提出面向微电网的两阶段数据驱动运行方法，以降低电池储能寿命损耗。日前阶段分配退化范围并建立电热老化模型，实时阶段利用近似动态规划应对不确定性，在兼顾温度约束的同时提升优化可行性和训练效率。
本文面向光伏—电池混合微电网中双向 DC-DC 变换器的稳定控制，提出分层控制策略，并使用 TD3 强化学习实时优化扩张状态观测器参数。仿真和实验结果表明，该方法相较传统双闭环 PI 与 LADRC 具有更好的控制性能。
本文基于PRISMA指南系统综述了2019年至2024年间的79篇同行评议研究，考察AIoT在智能家居、智能交通、智能教育、智能电网和机器人技术五个领域中的应用。结果显示，智能交通是研究最活跃的领域，LSTM和CNN是最常用的技术；模型比较主要关注准确率、延迟和计算成本。同时，数据隐私、网络安全、功耗和可解释性仍是AIoT规模化、安全及高能效部署的关键挑战。
本文综述了尼日利亚基于射频传感器网络的智能电网监测技术及智能负荷预测模型，涵盖通信协议、传感器部署和回归模型、人工神经网络与深度学习等预测方法。同时，文章分析了通信基础设施薄弱、停电和环境问题等部署障碍，并提出发展高能效射频系统、强健混合预测模型和可扩展框架，以提升系统的可靠性、效率和长期可持续性。
本文面向可再生能源、电动汽车和智能电网中的复杂电力电子优化问题，综述并融合AI、Machine Learning、Reinforcement Learning、Neural Networks及QML等方法，提出用于变换器的DL与QML增强型预测控制器。该控制器相比经典方法可将变换器损耗降低约15 %，同时混合优化方法有助于提升收敛速度和精度。
本文系统综述AI在巴基斯坦太阳能、风能、生物质能、水电及混合能源系统中的应用，比较AI方法与传统统计及规则方法在预测、监测、故障检测、预测性维护和能源管理方面的表现。研究认为，AI与IoT融合有望提升可再生能源系统的运行效率和韧性，但数据不足、基础设施与计算能力有限、网络安全风险及政策和监管准备度不足仍是大规模部署的主要障碍。未来应重点推进可解释AI、韧性智能电网、联邦学习、社会—技术融合和AI辅助能源管理，并加强政策制定者、产业界与科研机构之间的协同。
本文综述了人工智能（AI）在智能可再生能源系统中的系统级应用，涵盖能源预测、智能电网优化、预测性维护、储能管理和运行决策等领域。研究表明，机器学习、深度学习、神经网络和强化学习能够降低预测误差、提高能源捕获量与运行效率，但实际效果受数据质量、模型泛化能力和系统集成程度制约。大规模应用仍面临数据不足、网络安全、计算复杂度、模型可解释性、实时部署和监管等挑战；Edge AI、物理机制与数据驱动混合模型、AI微电网及先进网络安全架构是重要发展方向。
本文综述了AI驱动的极端天气电网保护预警技术，覆盖洪水、气旋、雷击、热浪、火灾和风暴等多种灾害，以及统计模型、机器学习、深度学习和混合模型。研究认为，AI与IoT、云计算、遥感和智能电网设备结合，有望提升故障预测能力、电力系统韧性与可靠性，但仍需解决实时性、可解释性、误报、网络安全及发展中经济体适用性等问题。
该内容聚焦优化与决策，涉及优化与强化学习。In recent years, efficient energy utilization has become critically important, particularly in the context of electricity consumption. One of the major contributors to non-technica…… 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AI在太阳能、风能和水能等可再生能源系统中的应用，重点涵盖ML、DL、RL及混合模型在能源预测、预测性维护、系统优化、需求侧管理和智能控制中的作用。研究表明，AI可提升能源产量、可靠性与运行效率并降低成本；未来应重点发展可解释AI、多源数据融合、实时能源管理和韧性智能电网。
本文提出一种基于IT2 FLS的XAI需求预测方法，结合SHAP与RF进行特征选择和规则剪枝，以提升智能电网短期能源需求预测的可解释性与可靠性。该方法仅使用3个输入和16条规则，将规则数量减少250倍，并将测试RMSE降至2.74千瓦时；虽然精度低于神经网络，但显著优于Type-1 FLS，同时具备更强的透明性，适用于实时智能电网及后续的自适应决策与优化。
本文系统评述了2020—2025年智能电网入侵检测领域的57项研究，聚焦AI模型在AMI、SCADA和EMS等场景中对恶意网络活动的检测与分类。研究指出，少数类识别不足、异构协议扩展性有限和实时可解释性欠缺是现有方法的主要问题，并强调Swin Transformer凭借层次化注意力机制能够同时捕捉局部与全局流量特征，有望用于构建更稳健、可扩展和安全的入侵检测系统。
该内容聚焦优化与决策，涉及优化与强化学习。Reinforcement Learning pipeline for commercial building energy management. Controls EV charging stations (EVCS), HVAC, and Battery Energy Storage Systems (BESS) to minimize electri…… 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。
本文以数据驱动视角评述 ML 在建筑能效、可再生能源系统和混合基础设施中的应用，重点比较不同方法在准确性、透明度和可扩展性之间的权衡，并讨论模型泛化、数据质量、可解释性、可持续性及实际部署障碍。研究认为，未来需要推进标准化数据集、透明且节能的 ML 方法，以及面向政策的优化，以支持可信且有影响力的 AI 能源转型。
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。
本文综述了AI在电气工程中的主要方法及其在电力系统优化、可再生能源、故障检测、智能电网、能源管理和电动汽车等领域的应用。AI相比传统规则方法能够提升系统效率、可靠性和预测能力，但仍面临数据依赖、计算成本高和部署复杂等挑战，并有望推动自主、自愈和可持续的下一代智能电力系统发展。
该系统综述依据PRISMA 2020评估了能源消费与发电预测、异常检测及其对智能电网和公共决策支持的人工智能方法，共纳入60篇研究。结果表明，结合生物启发式元启发式优化的混合深度学习模型在预测任务中表现最佳，统计模型在长时域预测中仍具竞争力；GANs和扩散模型可通过Sim2Real及数字孪生缓解异常检测中的标注数据不足。总体而言，现有研究仍缺乏同时整合消费、发电、异常检测与公共决策的统一框架，且异常检测证据的确定性低于混合预测。
本文综述了AI在土木工程与电气工程融合中的应用，涵盖结构健康监测、损伤检测、性能预测、智能电网、V2G、微电网、数字孪生和智能材料等方向。研究认为，AI融合能够提升基础设施的韧性、效率和可持续性，但仍需解决数据互操作性、网络安全、能源消耗和监管约束等问题，并加强跨学科协作与标准化建设。
该研究基于五个地区250套太阳能-生物质能混合能源装置的数据，评估AI/ML对可持续能源系统的优化作用。结果显示，AI可使能源效率提高34.7%，ML预测性维护可降低运营成本28.3%，深度学习模型的能源预测准确率达到92.4%；但数据同步和算法兼容性仍是主要集成障碍。
本文综述了XAI在网络安全威胁预测、入侵检测、恶意软件分析和风险评估等领域的应用。SHAP、LIME及多种可解释模型能够提升决策透明度、减少误报和漏报，并改善分析人员表现，但数据不平衡、可扩展性、标准化及可解释性与准确率之间的权衡仍是主要挑战。研究进一步强调联邦学习、人机协同、实时解释和隐私保护的重要性。
本文针对智能电网中的DDoS检测技术开展多维度比较研究，评估了25种涵盖AI、ML、深度学习、强化学习、区块链和边缘计算的模型。结果显示，混合型或优化型模型准确率最高，边缘型和行为型模型响应延迟最低，但现有方法仍面临可扩展性、计算开销和真实场景验证不足等挑战。
本文概述了人工智能（AI）和机器学习（ML）在建筑能源分析、表征、控制及电网支持服务中的应用。研究重点涵盖建筑能耗审计、负荷预测、能源与电力灵活性识别、柔性负荷控制，以及需求响应和辅助服务市场参与，并总结了相关方法的有效性、局限性及面向实际部署的关键挑战。
本文综述AI在Industry 4.0制造系统能源优化中的应用，涵盖机器学习、深度学习、强化学习和元启发式方法，并覆盖工厂、车间、设备及系统多个层级。AI可降低能源成本和停机时间、提升生产率并助力脱碳，但仍面临数据与平台互操作性、成本、人才和治理标准等挑战。联邦学习、边缘AI、可解释AI、智能电网集成及循环经济优化是重要发展方向。
本文综述AI在光伏和太阳能热利用系统中的应用进展，重点涵盖太阳辐照度预测、最大功率点跟踪、故障检测、能源管理和预测性维护，并分析其对智能电网、混合系统及大规模储能集成的系统性推动作用。文章总结了从传统控制向物理模型与数据驱动方法融合的智能自适应框架演进，同时指出数据稀缺、计算需求和模型可解释性等挑战，以及过程强化、韧性提升和技术经济优化等未来方向。
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。