来源：能源新媒2025-04-25

在等离子体破裂预测方面，新奥建立数据库并上线模型，召回率达83.3%，误报率5.3%，可提前30ms进行预测；中性束调优应用机器学习算法，预测打火准确率超90%。

来源：亮报2025-04-23

通过机器学习算法，人工智能技术可以分析历史数据，预测未来的能源需求趋势，为能源规划和决策提供科学依据。

来源：中国电力报2025-04-21

接下来，西宁供电将深化智能巡检平台与ai的融合应用，探索基于机器学习的故障预警模型，持续推动电网运维从“被动抢修”向“主动预防”转型，为青海电网高质量发展注入更强劲的“智慧动能”。

来源：《能源评论》2025-04-18

应用机器学习等方法优化出力预测模型，结合大数据等方法提高市场价格预测精度，实现对市场运行态势的精准把控以及对市场决策的智能化支持，提升市场运行水平。

来源：常州市人民政府2025-04-17

依托龙城实验室、江苏中科智能科学技术应用研究院、常州先进制造技术研究所等科研院所，聚焦机器学习、自然语言处理、通用视觉、ai芯片、大数据处理与分析等，开展基础研究、应用研究、共性关键技术研究和科技成果转移转化等

来源：思格新能源2025-04-10

思格零碳园光储系统，深度集成人工智能，结合大数据分析和机器学习算法，使得光储系统能够根据电价波动、天气变化和用电负载变化，灵活管理光伏发电、储能与电网互动，自动优化电池的充放电时机，实时生成最优的能源解决方案

来源：中国电力报2025-04-10

这套由数科公司自研部署的智慧辅助监盘系统，将大数据技术和先进ai机器学习算法紧密结合，汇集电厂四大专业，涉及24个系统的专业知识，相当于“ai专家”24小时全天候监视设备运行参数、判断设备运行状态、识别设备可能故障

来源：朗新研究院2025-04-08

图7 储能用户画像结语本文聚焦用户侧储能的精准识别问题，利用聚类算法和机器学习分类技术，对当前监管体系外的储能用户进行精确识别。...引入随机森林、决策树等经典机器学习分类模型，构建高效的分类识别模型，准确提取各特征指标的影响程度及方式，从而优化和筛选关键指标并进行相应的阈值初步设定。

来源：储能科学与技术2025-04-07

通过猜测和经验来设计电解质和电极材料的粒径会经历大量的试错实验，许多试错实验成本高昂且耗时长久，通过机器学习和大数据筛选，可以省去大量组装电池和测试的时间，从而缩短确定电极材料和电解质粒径的周期。

来源：亮报2025-04-03

在山东，聊城供电公司在分布式光伏电站加装新型传感器，实时采集光照强度、温度、风速等环境数据以及设备运行状态数据，结合气象数据、历史运行数据和设备状态信息，引入机器学习算法和深度学习模型，对光伏出力的非线性变化进行建模

来源：德力西电气2025-04-01

在制造环节引入机器学习与机器视觉技术，保障工艺质量与品控精度。在研发领域推行绿色设计与数字孪生技术，缩短产品上市周期 30% 以上。

来源：储能网2025-04-01

以电池组性能预测为例，一些先进的智能运维系统利用机器学习算法，对电池组的运行数据进行深度挖掘和分析，能够准确预测电池性能下降的趋势。

来源：北极星风力发电网2025-03-31

风电行业面临技术升级、智能化运维等局面，企业加速部署ai监测、无人机巡检等技术，对于运维人员提出更全面的数据分析、机器学习等技能要求。3.海上运维人才供需失衡。

来源：北极星电力网2025-03-31

最后还通过大数据分析和机器学习技术，不断优化储能系统的运行策略，帮助用户提升产品收益率，实现更高的经济效益。

来源：国能日新2025-03-28

精准市场预测与策略优化ai预测技术：通过机器学习分析历史供需数据、天气条件及政策变动，预测未来72小时电价波动区间，预测可能出现负电价时段，及时采取应对措施。

来源：协合运维2025-03-26

通过机器学习整合历史数据、实时行情与预测模型，实现策略生成-申报-复盘的电力交易业务的全链条ai化。

来源：储能科学与技术2025-03-25

与传统物理模型相比，数据驱动模型利用大量实验数据，通过机器学习算法进行训练，能够在不完全了解电池内部物理机制的情况下，实现高精度的温度预测。

来源：河南省发改委2025-03-24

开展融合逻辑推理、知识表示与机器学习的新型学习范式研究。支持知识蒸馏、剪枝、量化等深度学习模型压缩技术研发，加速模型运行效率，降低模型训练成本。

来源：储能科学与技术2025-03-20

2.2 特征提取与相关性验证要将机器学习应用于锂电池容量预测，必须提取适当的特征因子。在这一过程中，不仅要考虑特征因子与电池容量的强相关性，还要考虑特征提取的便利性、合理性和实用性。

来源：中车能源2025-03-20

与此同时，利用先进的机器学习算法及自学习机制，有效地融合了来自不同来源的气象预报数据，进一步增强预测的可靠性和稳定性。...结合风电场历史数据，风功率预测技术综合应用了机器学习、深度学习、统计学、时间序列预测等多种方法，学习风电场特有的功率输出特性，构建了高精度功率预测模型，实现对未来功率输出的精确预测。