追踪能源领域最新技术、论文、代码与数据集
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%。
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。
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。
该内容聚焦规划与仿真，涉及大模型与知识智能。Foundation models are transforming business workflows and boosting productivity, yet they remain largely absent from engineering domains such as power system analysis, where strict…… 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。
该内容聚焦规划与仿真，涉及工程化与可信 AI。All-solid-state lithium batteries require solid electrolytes that combine rapid room-temperature ion transport with mechanical robustness and interfacial compatibility. Zeolitic im…… 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。
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。
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。