行业专题

电力能源

电网、储能、新能源方向的物理 AI 资源。

共 9 个资源

案例 2 个资源

物理信息 CNN 预测电池包温度场

热管理 / 物理信息机器学习
将热传导方程以有限差分形式写入损失函数的物理信息卷积神经网络，作为电池包液冷系统温度场代理模型，在同等训练数据下精度优于纯数据驱动方法。提供 PyTorch/TensorFlow 多后端实现，适合作为物理 AI 入门首选框架。
arXiv 预印本（版权归作者） 热管理物理信息神经网络电池

风力机叶片载荷预测与代理模型

风能 / 载荷预测
利用数据驱动方法预测风力机叶片疲劳载荷与功率曲线，解决极端风况下湍流载荷难以快速评估的问题，支撑风电场运维决策。案例集成风资源评估与叶片疲劳分析两条数据流，输出功率曲线置信区间与极限载荷概率分布。
various 风电载荷预测湍流

学习 1 个资源

论文 6 个资源

APT：融合全局-局部注意力的自适应物理 Transformer

原创研究论文
ICML 2026 论文，地下能源系统的几何/网格/物理无关神经算子，用图编码器捕获高分辨率局部异质特征，全局注意力解析长程物理影响；2D 断层 CO2 存储饱和度误差降为原 SOTA 的 1/4，对 GEOS 模拟器实现 19,873× 加速，对 ECLIPSE 实现 6,800× 加速。
arXiv 预印本（版权归作者） 神经算子地下储能CO2 封存

支持Droop控制的电力系统基础模型潮流分析

Electromagnetics
提出针对GridFM电力系统基础模型的droop感知扩展，将斜率控制和死区参数嵌入节点特征，实现控制感知交流潮流分析。
见LICENSE文件 电力系统潮流分析基础模型

基于Transformer神经算子的复杂山地3D风场预测

流体/CFD
针对复杂山地地形的三维风场预测难题，提出基于Transformer的神经算子方法，突破传统CFD依赖专家密集网格生成和高成本迭代求解的瓶颈。
见LICENSE文件 神经算子风场预测Transformer

GridSFM：交流最优潮流求解基础模型

电网优化
基于物理信息图神经网络的交流最优潮流求解基础模型，在54种电网拓扑上预训练，可在10,000节点系统上实现2.45%零样本成本误差。
新 见LICENSE文件 交流最优潮流图神经网络电力系统优化