追踪能源领域最新技术、论文、代码与数据集
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。
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。
PowerAtlas 提出了一种融合历史实例、领域知识和物理约束的 LLM 智能体框架，用于满足电网运行规则与计算任务 SLA 的电力—计算协同调度。基于真实数据构建的实验网络和 ECBench 基准测试表明，该方法在 11 个 LLM 上具有稳定的可行性和成本优势。
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。
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。
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。