公众号
【MPCE】美国弗吉尼亚理工大学：基于机器学习的智能逆变器入侵检测与主动防御新框架
论文面向光伏智能逆变器网络安全，提出融合环境传感器与运行数据的机器学习检测和缓解框架。系统以Transformer建立正常运行基准并检测异常，以不依赖受攻击数据的LSTM重构电压电流，可应对放大、随机、重放和延迟攻击。实验中F1分数为0.9503、误报率3.75%，并验证了缩短训练数据后的稳定性。
方法时序预测场景诊断与安全 · 控制与自治
AR电气查看原文 ↗
看技术
追踪能源领域最新技术、论文、代码与数据集
公众号
国网吴杏平：人工智能在国家电网的应用实践与思考
文章介绍国家电网人工智能在规划建设、电网运行和设备管理等核心业务中的落地实践，涵盖光明电力大模型、样本库、智算中心及600余个业务应用。文中披露光伏功率预测准确率达93%、无人机缺陷识别率提升至90%、线损诊断由3小时缩短至4分钟等结果，并讨论智能体、算力和安全体系的发展方向。
方法时序预测 · 大模型与知识智能 · 大模型与智能体场景规划与仿真 · 预测与感知 · 诊断与安全
电力人工智能大会查看原文 ↗
公众号
贵州电网：配网低电压AI智能预测功能上线试运行
贵州电网上线配网低电压AI智能预测功能，基于变电站母线及台区电压等量测数据，采用LSTM时序模型学习电压关联，实现低电压趋势预测和风险预警。系统已完成24组馈线、1800余个台区的数据训练与验证，单台区预测准确率达到85%以上，单次研判时间由约1小时缩短至3分钟，支持运行方式调整后的批量分析和基层配网管理。
方法时序预测场景预测与感知 · 诊断与安全
电力人工智能大会查看原文 ↗
公众号
【顶刊好文|聚合谐波+驱动】IEEE TSG: 青岛大学等：面向聚合谐波源的数据驱动概率谐波电流预测
论文面向高比例电力电子设备接入下的谐波不确定性问题，提出“自适应滤波分解—RBF-ARX预测—多高斯拟合与MCMC随机预测”框架。基于居民、商业、办公负荷及光伏实测数据，与多种神经网络方法开展对比，并应用于IEEE 123节点概率谐波潮流与治理。结果显示，10步预测平均MAE、MAPE、RMSE分别为0.66 A、7.61%、1.10 A，THDV由8.70%降至4.23%。
方法可信人工智能 · 时序预测场景预测与感知
综合能源新视界查看原文 ↗
公众号
ICML 2026 | 清华、南洋理工等发布TIME基准：50个全新数据集重测12个时序基础模型
清华、南洋理工等提出TIME时序预测基准，针对旧数据污染、质量不稳、任务配置脱离业务和评测粒度粗等问题，构建50个全新数据集与98个预测任务，采用自动筛查、LLM辅助质检、业务周期配置及基于STL的模式级评测，统一测试12个时序基础模型。结果显示Chronos-2综合排名第一，但模型表现随趋势、季节性、平稳性和复杂度变化，选型应结合数据特性，并辅以可视化检查预测可用性。
方法时序预测场景预测与感知
时序人查看原文 ↗
数据集
australian_electricity_demand (TsFile format)澳大利亚电力需求（TsFile 格式）
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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
公众号
【Trans好文分享｜机器学习+电力系统优化】从“预测准确”到“运行最优”：统一学习增强电力系统运行框架（代码开源）
针对机器学习预测、运行优化和控制相互独立导致预测准确率与系统运行效果不一致的问题，研究提出Learning-Augmented Power System Operations（LAPSO）统一框架。框架以求解质量、计算可行性、约束满足程度和经济性能评价模型，并结合稳定约束优化、目标导向预测及鲁棒训练开展验证。结果显示，目标导向预测虽不一定具有最低MAPE，却可降低运行成本；相关代码和数据通过gridforge、lapso工具包开源。
方法可信人工智能 · 时序预测场景预测与感知 · 优化与决策 · 控制与自治
AI+绿能查看原文 ↗
公众号
【MPCE】美国弗吉尼亚理工大学 张哲毓，赛义夫拉曼：从感知到防御——基于机器学习的智能逆变器入侵检测与缓解
针对智能逆变器受网络攻击和测量数据篡改影响的问题，研究提出融合机器学习与环境传感器的入侵检测和缓解系统。系统利用Transformer根据环境数据及历史运行数据预测正常电压、电流，并通过动态阈值识别过度放大、随机、重放和延迟攻击；攻击发生后，采用不依赖受损测量数据的LSTM重构替代值。实验中检测模型F1分数为0.9503，误报率为3.75%，系统可维持运行稳定并在攻击结束后恢复。
方法时序预测场景预测与感知 · 诊断与安全 · 控制与自治
电力系统自动化查看原文 ↗
论文
An Empirical Benchmark of Deep Time-Series Models for Smart Meter Energy Forecasting智能电表能源预测深度时间序列模型的实证基准评测
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 优化与决策
arXiv查看原文 ↗
公众号
LLM 会读历史，为何还写不好连续未来？CoGenCast 让自回归搭骨架、Flow 生成轨迹
中国科学技术大学团队提出CoGenCast，将预训练LLM与流匹配结合用于时间序列预测。模型以双向编码器完整理解历史patch、领域、任务和统计信息，再由因果解码器按未来patch顺序生成条件表示，Flow在每个patch内通过1次函数评估将噪声转为连续数值。该框架兼顾自回归顺序建模与生成式不确定性，在10个真实数据集的Table 2结果中按报告值有19项指标领先，但ETTh2的MSE不及部分基准。
方法可信人工智能 · 时序预测场景预测与感知
时序人查看原文 ↗
论文
Deep Learning for Cross-Border Electricity Price Forecasting: A Comparative Study跨境电价预测的深度学习：一项比较研究
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。
方法时序预测 · 优化与强化学习场景预测与感知
arXiv查看原文 ↗
论文
Graph Machine Learning: An Opportunity for Power Systems图机器学习：电力系统的机遇
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
arXiv查看原文 ↗
公众号
WWW 2026 | LLM做时序预测的伪对齐问题：根源定位与流形增强方案
文章研究LLM用于时间序列预测时的伪对齐问题，指出其根因是LLM锥形效应与时序低维流形结构交互，并分析预训练LayerNorm和多头注意力的作用。研究提出TimeSUP，通过Top-K文本原型检索与双MLP流形增强，将时序主成分数由21提升至224，在80个评测配置中取得60项最优，并可即插即用地改进多种LLM4TS管线。
方法时序预测场景预测与感知
时序人查看原文 ↗
论文
Control-Oriented Scenario Tree Construction through Reinforcement Learning基于强化学习的面向控制场景树构建
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
arXiv查看原文 ↗
公众号
KDD 2026 | 从固定域到可旋转时频域：时序异常检测基础模型 TimeRadar
文章介绍面向时间序列异常检测的基础模型TimeRadar。该模型利用输入相关的分数阶傅里叶变换，在时间域与频率域之间自适应选择更具判别力的可旋转时频表示，并结合分数阶调制时频重构FTFRecon与上下文偏差学习CDL，兼顾全局正常模式和局部异常。在8个真实数据集上，TimeRadar取得最佳零样本整体性能，模型约含1.6M参数。
方法时序预测场景规划与仿真
时序人查看原文 ↗
数据集
Sales of Electricity by Type of Tariff Group in Mauritius | Africa (Mauritius official open data)毛里求斯各类电价组的售电量｜非洲（毛里求斯官方开放数据）
该内容聚焦预测与感知，涉及时序智能。Sales of Electricity by Type of Tariff Group in Mauritius Africa (Mauritius official open data) 750 rows 1 Africa country 1990 2019 Repackaged by Electric Sheep Africa TL;DR This d…… 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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
论文
Artificial Intelligence in Electrical Systems: A Review of Machine Learning Methods, Applications, and Future Perspectives电气系统中的人工智能：机器学习方法、应用与未来展望综述
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全
Semantic Scholar查看原文 ↗
论文
FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar ForecastingFarSky：面向任务的潜空间耦合用于生成式小时内太阳能预测
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。
方法时序预测 · 优化与强化学习场景预测与感知
arXiv查看原文 ↗
论文
Emerging Trends in Electrical Engineering: Integrating Smart Grid Technologies, Automation, and Artificial Intelligence for Sustainable Power Systems电气工程新兴趋势：融合智能电网技术、自动化与人工智能，构建可持续电力系统
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 控制与自治
Semantic Scholar查看原文 ↗
论文
Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework利用实践性可执行框架衔接人工智能与电力系统教育
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。
方法时序预测 · 大模型与知识智能 · 优化与强化学习场景预测与感知 · 优化与决策 · 控制与自治
arXiv查看原文 ↗
论文
Artificial Intelligence in Smart Grids and Power-Electronic- Interfaced Microgrids: A Systematic Literature Review of Energy Management, Optimisation, and Cybersecurity智能电网与电力电子接口微电网中的人工智能：能源管理、优化与网络安全系统性文献综述
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
公众号
ICML 2026 | 每次预测都从零开始？MemCast 让时序模型学会“记住经验”
MemCast将时间序列预测重新定义为经验条件推理，通过历史模式、推理智慧和一般规律三层记忆，让LLM检索相似案例、筛选多条推理轨迹并进行边界检查；真实结果到来后，还会动态校准记忆条目的置信度而不更新LLM参数。在覆盖电价、油温、能源和水文等领域的10个数据集、20项指标中，MemCast取得17项最优，同时实验揭示了记忆过度复刻、趋势误判和峰值高估等失败模式。
方法时序预测场景预测与感知
时序人查看原文 ↗
论文
PowerAtlas: Towards Electricity-Computing Co-Scheduling for Power SystemsPowerAtlas：面向电力系统的电力-计算协同调度
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。
方法物理与数据融合 · 时序预测 · 大模型与知识智能场景优化与决策 · 知识与协同
arXiv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：一种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，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。
方法时序预测 · 优化与强化学习 · 图与网络智能场景规划与仿真 · 预测与感知 · 优化与决策
arXiv查看原文 ↗
公众号
KDD 2026 | SUPCON × 浙大提出统一时空Tokens，夯实可泛化交通预测基础
文章提出交通预测框架STUNet，将路网结构转化为空间Token、交通序列转化为时间Token，并通过Query-Aggregate Attention实现时空解耦融合。模型采用空间与时间编码器分阶段预训练及冻结空间编码器的训练策略，以减少时间动态对空间表示的干扰。在覆盖7个公开数据集的实验中，STUNet在跨城市zero-shot泛化场景均取得最佳表现，并在多项预测任务中保持领先精度与较高效率。
方法时序预测场景预测与感知
时序人查看原文 ↗
公众号
WWW 2026 | 在线时序预测系统中的动态概念漂移自适应
针对在线时间序列预测中的概念漂移，论文将其划分为回归性漂移与新生性漂移，并提出DynaME框架。该方法结合预训练共享主干、动态周期选择、基于Ridge Regression的非参数化专家和动态门控，通过EWMA危险信号在突变期回退至通用专家。在ETTh2、Traffic、ECL等数据集及多种主干网络上，DynaME整体优于现有基线。
方法时序预测场景预测与感知
时序人查看原文 ↗
代码
Marco-alikhani/Grid-Resilience-Prediction电网韧性预测
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全
GitHub查看原文 ↗
公众号
ICML 2026 | Diff-MN: 面向不规则时序的连续生成 MoE 扩散模型
针对不规则、稀疏观测下的连续时间序列生成，微软和伊利诺伊大学研究者提出Diff-MN。该框架以NCDE为基础，引入MoE动态函数和解耦优化设计，并利用扩散模型联合建模时间序列与MoE权重，为新生成样本匹配专属动态参数，从而支持任意时间点的连续生成。在10个公开及合成数据集、不同缺失率下，Diff-MN稳定优于强基线。
方法时序预测场景规划与仿真
时序人查看原文 ↗
代码
kommareddydinesh/Electricity-Consumption-Prediction-Using-Deep-RNN基于深度循环神经网络的用电量预测
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。
方法时序预测 · 优化与强化学习场景预测与感知
GitHub查看原文 ↗
论文
An Intelligent Deep Learning Framework for Real-Time Fault Detection in Smart Grids智能电网实时故障检测的智能深度学习框架
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。
方法时序预测 · 优化与强化学习 · 图与网络智能场景预测与感知 · 诊断与安全
Semantic Scholar查看原文 ↗
论文
ARTIFICIAL INTELLIGENCE IN SMART GRIDS: APPLICATIONS, CHALLENGES, AND FUTURE DIRECTIONS智能电网中的人工智能：应用、挑战与未来方向
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全
Semantic Scholar查看原文 ↗
论文
Day-Ahead Forecasting of Largest Single Infeed/Outfeed on the Irish Power Grid: A Generative Artificial Intelligence Approach爱尔兰电网最大单一馈入/馈出的日前预测：一种生成式人工智能方法
本文面向爱尔兰电力系统备用容量配置，提出基于生成式人工智能的日前LSI/LSO预测方法，可利用有限数据提前最多38小时预测，MAPE仅比提前8小时使用完整市场数据的结果高1.1%。该方法有望显著降低备用采购成本，并展示AI资源规划在输电系统运营商中的应用潜力。
方法时序预测场景规划与仿真 · 预测与感知
arXiv查看原文 ↗
论文
A Benchmark for Electrical Load Forecasting Across Grid Levels: Time-Series Transformers Outperform Established Methods跨电网层级电力负荷预测基准：时间序列Transformer优于现有方法
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。
方法时序预测 · 大模型与知识智能 · 优化与强化学习场景预测与感知 · 优化与决策 · 控制与自治
arXiv查看原文 ↗
数据集
Electricity Generation by Source of Energy for Mauritius and Rodrigues | Africa (Mauritius official open data)毛里求斯与罗德里格斯岛按能源来源划分的发电量｜非洲（毛里求斯官方开放数据）
该内容聚焦预测与感知，涉及时序智能。Electricity Generation by Source of Energy for Mauritius and Rodrigues Africa (Mauritius official open data) 245 rows 1 Africa country 1990 2020 Repackaged by Electric Sheep Africa…… 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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
论文
Predicting BESS Degradation with Uncertainty Quantification: A Probabilistic Framework for Battery Energy Storage SystemsBESS退化预测与不确定性量化：电池储能系统的概率框架
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知
arXiv查看原文 ↗
公众号
WWW 2026 | 不微调LLM，也能做好时序预测？中科院提出LVICL：向量注入式上下文学习
针对LLM预训练文本与时间序列数据之间的模态差异及微调成本，研究者提出LVICL向量注入式上下文学习方法。该方法冻结LLM参数，从样本对中提取并聚合上下文向量，经线性适配后注入模型每一层，以替代传统Prompt拼接。在长期、短期和零样本预测任务中，LVICL取得有竞争力的结果，性能接近全量微调，同时显著降低显存与推理开销。
方法时序预测场景预测与感知
时序人查看原文 ↗
论文
Machine Learning and Artificial Intelligence for Data-Driven Photovoltaic Power Systems: A Review面向数据驱动光伏电力系统的机器学习与人工智能：综述
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Crossref查看原文 ↗
论文
Artificial Intelligence of Things (AIoT): A Systematic Review of Smart Applications人工智能物联网（AIoT）：智能应用的系统性综述
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。
方法时序预测 · 优化与强化学习场景诊断与安全
Semantic Scholar查看原文 ↗
论文
Smart Grid Monitoring Using RF Sensor Networks and Intelligent Load Prediction Models in Nigeria利用RF传感器网络和智能负荷预测模型监测尼日利亚智能电网
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全
Semantic Scholar查看原文 ↗
数据集
australian_electricity_demand (TsFile format)澳大利亚电力需求（TsFile 格式）
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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
数据集
electricity (GIFT-Eval, TsFile)电力（GIFT-Eval、TsFile）
该内容聚焦预测与感知，涉及时序智能。electricity (TsFile) Apache TsFile version of the electricity subset of GIFT Eval. Overview GIFT Eval is a benchmark for general time series forecasting, covering 23 datasets (≈144…… 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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
论文
AI-Driven Renewable Energy Systems: A Comprehensive Survey of Applications, Challenges and Future Directions in PakistanAI驱动的可再生能源系统：巴基斯坦的应用、挑战与未来发展方向综合综述
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Smart renewable energy systems: the role of artificial intelligence in enhancing efficiency and reliability智能可再生能源系统：人工智能在提升效率和可靠性中的作用
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
A Machine Learning-Based Anomaly Detection in Digital Power Grid Network Traffic基于机器学习的数字电网网络流量异常检测
本文针对数字电网中利用 HTTPS 和 SSL/TLS 传输的恶意加密流量，基于协议层特征构建决策树、随机森林和 LSTM 检测模型。实验显示，三种模型准确率均超过 99.6%，其中随机森林最高，达到 99.93%，可为数字电网网络安全防护提供支持。
方法时序预测场景诊断与安全
Crossref查看原文 ↗
数据集
Electricity Load Diagrams 2011-20142011—2014年电力负荷图
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。
方法时序预测场景预测与感知
Hugging Face查看原文 ↗
论文
AI-Driven Early Warning Systems for Extreme Weather Protection of Electrical Grids: A Review人工智能驱动的极端天气电网防护预警系统：综述
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 知识与协同
Semantic Scholar查看原文 ↗
论文
Artificial Intelligence-Driven Optimization of Renewable Energy Systems: Enhancing Efficiency, Reliability, and Integration人工智能驱动的可再生能源系统优化：提升效率、可靠性与集成能力
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
A Type-2 Fuzzy-Based Feature-Driven Rule Reduction Approach for Demand Forecasting within an Energy Smart Grid System一种基于二型模糊特征驱动的能源智能电网系统需求预测规则约简方法
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Intrusion Behavior Profiling in Smart Grid Infrastructure Using Swin Transformer Architecture基于Swin Transformer架构的智能电网基础设施入侵行为画像
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景控制与自治
Semantic Scholar查看原文 ↗
论文
A Review of Advancing Solar PV Forecasting with Deep State Space Models利用深度状态空间模型推进太阳能光伏（PV）预测：综述
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。
方法时序预测 · 优化与强化学习 · 图与网络智能场景预测与感知 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Artificial Intelligence Approaches for Energy Consumption and Generation Forecasting, Anomaly Detection, and Public Decision-Making: A Systematic Review人工智能方法在能源消费与发电预测、异常检测和公共决策中的应用：系统性综述
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Artificial Intelligence for Smart Infrastructure System: Integrating Civil and Electrical Engineering智能基础设施系统中的人工智能：土木工程与电气工程的融合
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Review of the Advancement in Artificial Intelligence and Machine Learning in Sustainable Energy Using Solar-Biomass Hybrid Energy Systems太阳能-生物质混合能源系统中人工智能与机器学习在可持续能源领域的进展综述
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 优化与决策
Crossref查看原文 ↗
论文
Explainable AI (XAI) for Interpretable Cyber Threat Prediction面向可解释网络威胁预测的可解释人工智能（XAI）
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。
方法物理与数据融合 · 时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全
Semantic Scholar查看原文 ↗
论文
Artificial Intelligence for Energy Optimization in Sustainable Manufacturing Systems用于可持续制造系统能源优化的人工智能
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。
方法可信人工智能 · 时序预测 · 优化与强化学习场景预测与感知 · 优化与决策 · 控制与自治
Semantic Scholar查看原文 ↗
论文
Artificial Intelligence Enabling Intelligent Solar Energy Systems: Integration and Emerging Directions人工智能赋能智能太阳能系统：集成与新兴发展方向
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。
方法时序预测 · 优化与强化学习场景预测与感知 · 诊断与安全 · 优化与决策
Semantic Scholar查看原文 ↗
论文
Towards Intelligent Energy Security: A Unified Spatio-Temporal and Graph Learning Framework for Scalable Electricity Theft Detection in Smart Grids面向智能能源安全：用于智能电网可扩展窃电检测的统一时空与图学习框架
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。
方法时序预测 · 优化与强化学习 · 图与网络智能场景诊断与安全
Semantic Scholar查看原文 ↗