诺奖级突破！国内学者攻克电气设计世界性难题，《Science》封面论文震撼学界！

引领电力系统智能化浪潮，掌握前沿交叉技术

在全球能源转型迈向智能化的浪潮中，电力系统因其复杂性和高可靠性需求，成为可再生能源集成、电网优化、智能管理等领域的核心技术。然而，预测不确定性、动态仿真难度和安全挑战限制了其进一步发展。人工智能（AI）作为突破这些瓶颈的关键，正推动电力系统进入全新阶段。本课程聚焦AI在电力系统中的前沿应用，涵盖负荷预测、风光发电预测、电网仿真等多种场景，旨在帮助学员掌握从数据驱动到物理约束的完整技术链。学员将深入学习监督学习、深度学习、物理信息神经网络、集成学习、迁移学习等多种AI模型，理解它们如何优化系统运行。例如，通过深度学习分析历史数据实现短期负荷预测，或利用PINN融合物理定律提升电网动态仿真精度。此外，课程探索AI在弹性评估和网络安全中的应用，揭示智能电网和可再生能源的未来潜力。通过系统化的理论讲解和行业案例分析，学员将站在技术前沿，掌握引领电力系统智能化革命的核心能力，为可再生能源、电网管理、智能建筑等高价值行业创造竞争优势。

实践驱动学习，产出行业级项目成果

本课程以实践为核心，80%的课程时间专注于动手操作，确保学员将理论转化为实际开发能力。课程设计了从基础数据处理到复杂模型部署的递进式实践环节，覆盖电力系统的真实场景，如负荷预测、发电预测、系统仿真和优化自动化。学员将通过Python、TensorFlow等工具，完成多个贴近行业需求的案例：构建短期负荷预测系统以分析能源需求，训练风光发电预测模型以识别不确定性，优化PINN仿真以实现动态响应，自动化电网优化以提升效率。课程的高潮是一个综合项目，学员将整合所学技术，设计并实现一个智能电网预测与优化系统，涵盖负荷预测、发电预测、动态仿真和弹性评估。项目完成后，学员将提交代码和报告，并在团队展示中获得专家反馈，强化技术能力和团队协作经验。课程提供预配置的数据集、项目模板和详细实践指南，确保初学者也能快速上手。完成课程的学员将产出可直接应用于工作或研究的行业级项目成果，提升职业竞争力，并获得结业证书作为能力证明。

独家资源与持续支持，赋能职业与研究突破

本课程提供独家资源和持续支持体系，助力学员在电力系统领域实现职业与研究的双重突破。学员将获得基于全球顶级研究机构和行业项目的丰富资源，包括高水平学术论文、全面的课程讲义和预配置的数据集。这些资源覆盖电力系统的最新进展，如时空预测、物理约束优化、实时安全控制等，为学员提供坚实的理论和实践基础。课程配备详细的环境配置教程和调试技巧，确保学员高效掌握复杂技术。此外，课程的实践设计紧密贴合行业需求，所学技术可直接应用于可再生能源（如风光发电预测）、电网管理（如动态仿真）、智能建筑（如负荷优化）等高薪领域。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种独家资源与持续支持的结合，不仅加速学员的技术掌握，还助力他们在快速发展的电力系统行业中脱颖而出，成为具备全球竞争力的专业人才。

课程一、人工智能技术驱动电力系统革命的应用

课程二、AI赋能电子电力技术

课程三、深度学习PINN+大模型辅助编程

课程一、人工智能技术驱动电力系统革命的应用

课程介绍

掌握AI技术在电力系统中的核心应用

本课程旨在帮助学员系统掌握人工智能（AI）在电力系统中的核心技术，涵盖短期负荷预测、风光发电预测、电网动态仿真等多种场景。学员将学习多种AI模型，包括监督学习、深度学习、物理信息神经网络、集成学习、迁移学习、半监督学习、时空学习和贝叶斯优化，理解它们在解决电力系统关键挑战中的作用，如预测不确定性、动态仿真和弹性评估。通过深入剖析AI如何提升系统效率、可靠性和安全性，学员将能够将理论知识转化为实际应用。例如，学员将探索如何通过深度学习分析历史数据以预测负荷动态，或利用PINN融合物理定律实现电网仿真。这些技术不仅代表电力系统的前沿趋势，还直接响应可再生能源集成、电网优化、智能管理等行业对高性能系统的需求。课程通过结构化的理论讲解和案例分析，确保学员全面理解AI在电力系统中的潜力，为后续实践奠定坚实基础。

精通基于独家资源的实践开发能力

课程的目标之一是培养学员基于独家资源开发

AI驱动电力系统解决方案的实践能力。学员将通过提供的30+代码库和20+高水平学术论文，完成从数据预处理到模型部署的全流程实践。这些资源覆盖负荷预测（如时空模型）、发电预测（如LSTM集成）、动态仿真（如PINN优化）和优化自动化（如电网工具）等多个领域。学员将使用Python、TensorFlow和PyTorch等工具，运行真实案例，如构建短期负荷预测系统、训练风光发电预测模型、优化PINN动态仿真等。课程特别设计了递进式实践环节，从简单的数据可视化到复杂的综合项目，确保学员逐步精通技术开发。此外，课程提供预配置的数据集、项目模板和详细的实践指南，降低学习门槛，让初学者也能快速上手。通过这些实践，学员将掌握将AI技术应用于电力系统的开发能力，产出可直接用于工作或研究的可交付成果。

打造行业竞争力和持续支持体系

本课程致力于提升学员在电力系统领域的行业竞争力，帮助他们在职业和研究中实现突破。通过学习

AI与电力系统的交叉技术，学员将具备开发高精度、高效率系统解决方案的能力，适用于可再生能源（如发电预测）、电网管理（如动态优化）、智能建筑（如负荷管理）等高需求领域。课程的综合项目要求学员设计并实现一个智能电网预测与优化系统，整合负荷预测、发电预测、动态仿真和弹性评估，培养跨领域协作和问题解决能力。完成课程的学员将获得结业证书，证明其在AI驱动电力系统领域的专业能力。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种持续支持体系确保学员能够将所学知识无缝应用于工作或研究场景，从而在快速发展的电力系统行业中保持领先地位。

课程目标

掌握AI技术在电力系统中的核心应用

本课程旨在帮助学员系统掌握人工智能（AI）在电力系统中的核心技术，涵盖短期负荷预测、风光发电预测、电网动态仿真等多种场景。学员将学习多种AI模型，包括监督学习、深度学习、物理信息神经网络、集成学习、迁移学习、半监督学习、时空学习和贝叶斯优化，理解它们在解决电力系统关键挑战中的作用，如预测不确定性、动态仿真和弹性评估。通过深入剖析AI如何提升系统效率、可靠性和安全性，学员将能够将理论知识转化为实际应用。例如，学员将探索如何通过深度学习分析历史数据以预测负荷动态，或利用PINN融合物理定律实现电网仿真。这些技术不仅代表电力系统的前沿趋势，还直接响应可再生能源集成、电网优化、智能管理等行业对高性能系统的需求。课程通过结构化的理论讲解和案例分析，确保学员全面理解AI在电力系统中的潜力，为后续实践奠定坚实基础。

精通基于独家资源的实践开发能力

课程的目标之一是培养学员基于独家资源开发AI驱动电力系统解决方案的实践能力。学员将通过提供的30+代码库和20+高水平学术论文，完成从数据预处理到模型部署的全流程实践。这些资源覆盖负荷预测（如时空模型）、发电预测（如LSTM集成）、动态仿真（如PINN优化）和优化自动化（如电网工具）等多个领域。学员将使用Python、TensorFlow和PyTorch等工具，运行真实案例，如构建短期负荷预测系统、训练风光发电预测模型、优化PINN动态仿真等。课程特别设计了递进式实践环节，从简单的数据可视化到复杂的综合项目，确保学员逐步精通技术开发。此外，课程提供预配置的数据集、项目模板和详细的实践指南，降低学习门槛，让初学者也能快速上手。通过这些实践，学员将掌握将AI技术应用于电力系统的开发能力，产出可直接用于工作或研究的可交付成果。

打造行业竞争力和持续支持体系

本课程致力于提升学员在电力系统领域的行业竞争力，帮助他们在职业和研究中实现突破。通过学习AI与电力系统的交叉技术，学员将具备开发高精度、高效率系统解决方案的能力，适用于可再生能源（如发电预测）、电网管理（如动态优化）、智能建筑（如负荷管理）等高需求领域。课程的综合项目要求学员设计并实现一个智能电网预测与优化系统，整合负荷预测、发电预测、动态仿真和弹性评估，培养跨领域协作和问题解决能力。完成课程的学员将获得结业证书，证明其在AI驱动电力系统领域的专业能力。为确保学习效果的持续性，课程提供线上答疑支持，学员可在课程结束后通过线上平台咨询技术问题、获取项目指导，解决实际应用中的难题。这种持续支持体系确保学员能够将所学知识无缝应用于工作或研究场景，从而在快速发展的电力系统行业中保持领先地位。

人工智能技术驱动电力系统革命的应用大纲

第1天：AI模型与电力系统应用

目标：汇总后面四天用到的AI模型，介绍其在电力系统中的应用，建立理论基础。内容：课程开课前期准备、开发软件下载安装、环境配置、课程介绍

上午：AI模型与电力系统背景

1.1、开发环境搭建：Anaconda3+PyCharm+Windows系统配置+示例代码调试

1.2、电力系统挑战：预测不确定性、动态仿真、安全控制。电力系统面临多重挑战，包括负荷预测的不确定性、动态仿真的复杂性以及网络攻击带来的安全威胁。随着可再生能源的广泛集成，风光发电的间歇性进一步增加了系统调度的难度。人工智能（AI）通过数据驱动和物理约束相结合的方法，为解决这些问题提供了创新解决方案。本课程将深入探讨如何利用AI技术应对这些挑战，包括通过机器学习优化负荷预测、利用深度学习提升风光发电预测精度，以及通过物理信息神经网络（PINN）实现高保真动态仿真。本模块将为学员建立电力系统智能化转型的全局视角，结合实际案例（如智能电网优化）阐释AI技术的潜力，为后续深入学习奠定基础。

1.3、电力系统AI模型概览

机器学习与深度学习：理论基础及其项目案例实操（理论讲解+项目代码实操）

监督学习：短期负荷预测，使用监督机器学习算法预测电力需求，优化系统调度。监督学习在电力系统中的应用广泛，尤其在短期负荷预测和可再生能源优化中表现出色。本模块将介绍如何通过监督机器学习算法（如支持向量机、随机森林、梯度提升）预测电力需求，优化电网调度效率。例如，基于中国280个城市1公里×1公里电网月度用电量数据集，学员将学习如何利用监督学习分析历史数据，预测未来负荷趋势，从而提高电网运行的稳定性和经济性。课程将结合实际案例，展示监督学习在电力系统中的鲁棒性和高精度预测能力。

深度学习电力应用：光伏和风电发电预测，利用LSTM、Transformer等模型分析时空数据，实现高精度预测。案例：基于深度学习的电力消耗预测。

深度学习模型如LSTM和Transformer在处理时间序列和复杂非线性关系方面具有显著优势。本模块将详细讲解深度学习在光伏和风电发电预测中的应用，例如基于深度学习的电力消耗预测。学员将学习如何使用LSTM模型分析历史气象和电力数据，预测短期光伏功率输出，以及如何利用Transformer架构提升预测精度。通过理论与案例结合，学员将掌握深度学习在电力系统预测中的核心技术。（理论讲解+项目代码实操）

物理信息神经网络（PINN）：（理论讲解+项目代码实操）

物理信息神经网络（PINN）通过将物理定律嵌入神经网络，显著提升了电网动态仿真的精度和可解释性。本模块将介绍PINN在电力系统中的应用，例如用于解决多机电力系统中正向和逆问题的PINN模型。学员将学习如何利用PINN模拟电网动态响应，结合物理约束优化系统性能。通过案例分析，如微电网动态仿真，学员将深入理解PINN的理论基础和实际应用价值。

PINN论文讲解：从理论到实操，深入介绍PINN的原理，包括如何通过损失函数整合微分方程和数据驱动学习。

电网动态仿真，融合物理定律解决正向和逆问题。

集成学习：（理论讲解+项目代码实操）集成学习通过结合多个模型提升预测性能，在风电功率预测中尤为重要。本模块将介绍如何使用LSTM和LightGBM组合框架进行确定性和概率性风能预测。学员将学习如何通过集成学习融合时间序列和气象数据，优化风电预测的鲁棒性和精度。此外，课程将展示如何利用Bootstrap聚合方法改进风电预测，并通过实际案例分析集成学习在电力系统中的优势，为学员提供多模型协同的实践经验。

风电功率预测，使用LSTM和LightGBM组合框架提升概率预测精度。（理论讲解+项目代码实操）

v贝叶斯优化：风速和功率预测，优化机器学习模型参数。（理论讲解+项目代码实操）

贝叶斯优化通过高效的参数搜索提升机器学习模型性能，广泛应用于风速和功率预测。本模块将介绍如何利用贝叶斯优化调整模型超参数，以提高预测精度。学员将学习如何结合贝叶斯优化和机器学习模型（如支持向量机、神经网络）分析风速数据，优化风电预测结果。通过实际案例，如风力发电预测，学员将掌握贝叶斯优化的理论与实践技巧，理解其在电力系统中的关键作用。

时空学习：风电预报时空图神经网络。（理论讲解+项目代码实操）

时空学习结合时间序列和空间特征，特别适用于风电和负荷预测。本模块将介绍时空图神经网络和时空注意力网络在风电预测中的应用。学员将学习如何利用时空模型分析气象数据和电网分布，捕捉复杂的时空动态关系。通过案例分析，如深时空风力发电预报，学员将掌握时空学习的核心方法及其在提升预测精度中的潜力。

下午：AI应用场景与数据处理

1.4、应用场景：加载电力负荷数据集及基准模型，用于预测模型预处理。

1.5、数据类型：时间序列、气象数据、电网状态。

实践：安装Python环境，使用数据集如中国城市电网月度用电量，进行数据分箱与可视化。（理论讲解+项目代码实操）

第2天：负荷与可再生能源预测

上午：预测理论

2.1、电力系统传感器应用：时间序列在负荷和发电预测中的作用

时间序列数据是电力系统预测的核心，广泛应用于负荷预测和可再生能源发电预测。本模块将深入探讨时间序列数据在电力系统中的作用，包括如何通过传感器采集高频负荷数据和气象数据，以及如何利用这些数据捕捉电力需求的动态变化和风光发电的间歇性特征。

学员将学习时间序列分析的基本原理，如自回归模型、滑动窗口和傅里叶变换，并结合实际案例（南方某省份大规模住宅电力负荷数据集）理解其在智能电网中的应用。本模块还将介绍时间序列预测与传统统计方法的区别，突出AI模型的高精度和鲁棒性，为后续实践奠定理论基础。（数据分析讲解+项目实操）

2.2、特征工程：数据分解、特征提取

特征工程是提升预测模型性能的关键步骤，尤其在处理电力系统的时间序列数据时。本模块将详细讲解如何对负荷和发电数据进行分解和特征提取，包括使用CEEMDAN（完全自适应噪声集合经验模态分解）和EWT（经验小波变换）等高级技术分解信号，提取关键特征如趋势、周期性和噪声。（数据分析讲解+项目实操）

学员将基于案例（基于混合CEEMDAN-EWT深度学习方法的风电预测，学习如何从原始数据中提取高价值特征，提升模型的预测精度。通过理论讲解和案例分析，学员将掌握特征工程的核心技巧，理解如何为AI模型提供高质量输入数据。（理论讲解+项目代码实操）

下午：实践与案例

2.3、数据预处理：处理光伏和风电数据

数据预处理是构建高精度预测模型的基础，尤其在处理光伏和风电数据时需要考虑其高波动性和多源性。

本实践环节将指导学员使用Python工具（如Pandas、NumPy）对光伏和风电数据进行清洗、归一化和特征选择。学员将基于实际数据集（利用人工智能和机器学习根据天气数据预测可再生能源发电量）学习如何处理气象数据（如风速、辐照度）和发电数据（如功率输出），并进行时间序列对齐和缺失值填补。本模块还将介绍如何使用Seaborn生成数据分布图，帮助学员直观理解数据特性，为模型训练做好准备。（理论讲解+项目代码实操）

2.4、模型训练：实现LSTM模型，分析短期负荷动态

长短期记忆网络（LSTM）是处理时间序列预测的强大工具，特别适用于捕捉电力负荷的动态变化。本实践环节将指导学员使用PyTorch或TensorFlow实现LSTM模型，基于南方某省份大规模住宅电力负荷数据集进行短期负荷预测。学员将学习如何配置LSTM模型的超参数（如层数、隐藏单元数），并通过反向传播优化模型性能。通过案例分析，学员将掌握如何利用LSTM捕捉负荷的周期性和突发变化，提升预测精度。本模块还将介绍如何评估模型性能，使用均方误差（MSE）等指标量化预测效果。（理论讲解+项目代码实操）

2.5、结果可视化：展示预测分布

可视化是评估和展示预测结果的重要手段，能够直观呈现模型性能和数据趋势。本实践环节将指导学员使用Matplotlib和Seaborn工具，基于预测结果生成负荷和发电的分布图、时间序列曲线和误差热图。学员将基于实际案例（基于多尺度LSTM的每小时光伏发电量预测）学习如何绘制预测值与实际值的对比图，以及如何生成概率预测的置信区间图（理论讲解+项目代码实操）。本模块还将介绍如何通过交互式可视化工具（如Plotly）增强展示效果，帮助学员向团队或客户清晰传达预测结果。

2.6、项目案例实操：使用机器学习技术进行风力发电预测（理论讲解+项目代码实操）、光伏功率预测（理论讲解+项目代码实操），本模块将通过两个行业级案例深化学员对预测技术的理解。

第一个案例将展示如何使用机器学习技术（如支持向量机、随机森林）预测风力发电功率，结合气象数据分析风速和功率的关系。

第二个案例将聚焦光伏功率预测，利用深度学习模型（如人工神经网络）分析辐照度和温度数据，预测光伏发电量。学员将基于预配置数据集运行代码，完成模型训练和结果评估，产出可直接应用于可再生能源行业的预测报告。本模块将通过专家反馈强化学员的实践能力。

2.7、成果：掌握预测数据处理与建模，完成负荷预测案例。学员将通过实践环节产出短期负荷预测和风光发电预测的完整模型，生成预测报告和可视化结果，为后续综合项目奠定基础。完成本模块的学员将能够独立处理时间序列数据，训练高精度预测模型，并将其应用于实际电力系统场景。（理论讲解+项目代码实操）

第3天：物理信息神经网络与动态仿真

目标：利用PINN和混合模型进行电力系统动态仿真和评估，掌握物理约束下的AI应用技巧。内容：

上午：动态仿真理论

3.1、PINN融合：电网动态仿真

物理信息神经网络（PINN）将物理定律嵌入深度学习框架中，显著提升了电网动态仿真的精度和效率。本模块将介绍解决电网中的非线性动态问题。

学员将学习PINN在电力系统中的具体应用，如模拟电压波动和频率响应，结合案例（如电力系统的物理信息神经网络）理解其优势。通过理论讲解，学员将掌握PINN如何减少数据依赖，提高模型的可解释性和泛化能力，为复杂电网仿真提供强大工具。（理论讲解+项目代码实操）

3.2、深度学习模型：用于电力系统弹性评估

深度学习模型在电力系统弹性评估中发挥关键作用，能够处理极端事件下的系统响应。本模块将详细剖析深度学习在弹性评估中的应用，包括使用卷积神经网络（CNN）和循环神经网络（RNN）分析故障数据，预测系统恢复能力。基于论文基于深度学习的电力系统弹性评估方法），学员将学习如何通过多层网络提取特征，评估电网在自然灾害或攻击下的弹性。通过案例分析，学员将深入理解深度学习如何整合历史数据和实时监测，提升电力系统的鲁棒性和可持续性。

3.3、仿真特征预测：预测微电网动态特性

仿真特征预测聚焦于微电网的动态特性，如功率平衡和能量存储优化。本模块将介绍如何使用混合模型预测微电网中的关键特征，包括电压、电流和功率流。学员将学习特征预测的数学基础，如状态空间模型和卡尔曼滤波，并结合AI技术（如神经网络）提升预测精度。通过实际案例（如基于微电网同步和逆变器的DER的物理信息神经网络），学员将掌握如何模拟微电网的瞬态响应，优化分布式能源集成，提高系统稳定性。（理论讲解+项目代码实操）

3.4、电力网络安全控制：网络攻击防御策略

电力系统面临网络攻击威胁，如虚假数据注入（FDI），需要先进的防御策略。本模块将探讨安全控制技术，包括移动目标防御（MTD）和AI-based检测模型。学员将学习如何通过机器学习识别异常数据，并利用深度学习构建实时防御系统。

结合案例（如电力系统稳态运行的可视化工具，包括FDI攻击和MTD防御），学员将深入理解攻击机制和防御算法，如异常检测和入侵响应。通过理论与实践结合，学员将掌握提升电力系统网络安全的综合策略。（理论讲解+项目代码实操）

下午：实践与案例

3.5、数据准备：处理电网动态数据

数据准备是动态仿真实践的基础，需要处理高维电网数据如电压、频率和功率曲线。本实践环节将指导学员使用Python工具（如Pandas、SciPy）对电网动态数据进行清洗、插值和特征提取。学员将基于真实数据集（如用于电气工程应用的物理知情神经网络）学习如何处理噪声数据和时间同步问题。本模块还将介绍如何生成合成数据模拟极端场景，确保模型训练的多样性。通过步步指导，学员将掌握数据准备的核心技能，为PINN模型输入高质量数据。（理论讲解+项目代码实操）

3.6、模型训练：训练PINN模型进行仿真

训练PINN模型需要平衡数据驱动和物理约束损失函数。本实践环节将指导学员使用TensorFlow或PyTorch实现PINN，基于电网动态数据进行训练。学员将学习如何定义物理损失项（如能量守恒方程），并通过梯度下降优化模型参数。通过案例（如用于解决多机电力系统中正向和逆问题的物理知情神经网络），学员将掌握超参数调优和模型验证技巧，提升仿真精度。本模块还将介绍GPU加速训练，提高计算效率。（理论讲解+项目代码实操）

3.7、项目案例：PINN电力系统瞬态仿真（理论讲解+项目代码实操）

本模块将通过行业级案例深化学员对瞬态仿真的理解。案例基于PINN模型模拟电力系统瞬态响应（如故障恢复），利用pinn电力系统瞬态仿真处理多机系统动态。学员将运行代码，分析瞬态曲线，并评估模型性能。结合论文讨论，学员将学习如何整合物理方程优化仿真结果，产出瞬态报告。本模块通过专家反馈强化实践，助力学员将理论应用于实际电网故障模拟，提升系统可靠性。

3.8、成果：完成PINN动态仿真模型训练，生成评估报告。学员将产出电网动态仿真系统，包括训练好的PINN模型和弹性评估报告，涵盖瞬态响应分析和安全策略优化，为综合项目提供关键组件。完成本模块的学员将能够独立开发物理约束AI模型，应用于电力系统仿真场景。

第4天：优化、仿真工具与安全

目标：应用AI优化电网设计、仿真和安全自动化，培养系统级优化能力。内容：

上午：理论与方法

4.1、优化设计：AI辅助电网规划，使用工具如PyPSA（理论讲解+项目代码实操）

AI辅助电网规划通过优化算法提升容量扩展和可靠性。本模块将介绍AI在电网设计中的作用，包括使用线性规划和遗传算法优化资源分配。学员将学习PyPSA工具的核心功能，如生产成本模拟和容量扩展建模。通过理论讲解，学员将理解如何整合AI模型（如强化学习）处理不确定性，提升电网效率。结合案例，学员将深入探讨AI如何响应可再生能源集成需求，优化投资决策和运营策略。

4.2、PINN预测应用：机器学习预测热场（理论讲解+项目代码实操）

PINN用于预测电力系统热场，如变压器温度分布。本模块将详细剖析模型原理和机器学习集成，包括使用神经网络加速热场模拟。学员将学习如何通过数据驱动方法优化AI模型，预测热应力和故障风险。通过案例分析（如开发物理知情神经网络模拟地热区域供热和制冷系统），学员将掌握热场预测的核心技术，提升系统热管理和可靠性。

4.3、安全与分析：电力线检测综述

电力系统安全涉及电力线检测和网络攻击防御。本模块将基于综述论文《深度学习在自动化电力线检测中的应用综述》介绍深度学习在电力线监测中的应用，如使用CNN检测故障。学员将学习网络攻击防御策略，包括异常检测和区块链技术。通过理论与案例结合，学员将理解如何构建多层防御系统，应对FDI攻击，提升电网安全性。（理论讲解+项目代码实操）

下午：实践与案例

4.4、数据处理：生成优化数据集

数据处理在电网优化中至关重要，需要生成高质量数据集模拟各种场景。本实践环节将指导学员使用Python工具（如NumPy、Pandas）创建优化数据集，包括负荷曲线和成本参数。

学员将基于PowerGenome工具学习如何生成输入数据，支持容量扩展和可靠性建模。本模块还将介绍数据增强技巧，确保数据集多样性。通过步步操作，学员将掌握优化数据集生成的核心方法。（理论讲解+项目代码实操）

4.5、模型训练：预测系统曲线（理论讲解+项目代码实操）

模型训练聚焦于预测系统曲线，如负荷和发电趋势。本实践环节将指导学员使用XGBoost或神经网络训练模型，基于历史数据预测曲线。学员将学习超参数调优和交叉验证，提升预测精度。通过案例（如快速轻松地为电力系统模型创建输入的工具），学员将掌握曲线预测技巧，应用于电网规划。本模块还将介绍可视化训练过程，帮助学员监控模型性能。

4.6、仿真分析：使用GridCal进行电力系统仿真（理论讲解+项目代码实操）

GridCal是跨平台电力系统仿真工具，支持最优潮流和状态估计。本实践环节将指导学员使用GridCal进行仿真分析，包括负载流计算和故障模拟。学员将基于预配置网络运行代码，分析系统稳定性。通过案例，学员将学习如何整合AI模型优化仿真结果，产出分析报告。本模块通过交互式操作强化实践技能。

4.7、成果：完成电网优化案例，生成仿真和安全优化结果。学员将产出优化设计报告，包括仿真曲线和安全策略，涵盖热场预测和网络防御，为综合项目提供优化组件。完成本模块的学员将能够独立使用工具进行电网规划和安全分析。

第5天：综合应用、项目实践与Deepseek及其大模型辅助科研

目标：整合前四天知识，完成综合电力系统AI项目，强化跨领域应用能力。内容：

上午：综合应用框架

5.1、跨领域迁移学习：算法模型创新点提高技巧

跨领域迁移学习通过转移预训练模型知识，提升电力系统应用的效率。本模块将介绍迁移学习的原理，包括领域适应和特征对齐，应用于从负荷预测到动态仿真的跨任务优化。学员将学习创新点，如使用对比学习提升模型泛化。通过技巧讲解，学员将掌握如何在数据稀缺场景下应用迁移学习，结合案例理解其在电网优化中的作用，提升算法性能。（理论讲解+项目代码实操）

5.2、时空学习与集成学习：算法模型创新点提高技巧（理论讲解+项目代码实操）

时空学习结合集成学习处理电力系统的时空动态。本模块将剖析时空图神经网络和集成框架的创新点，如注意力机制和模型融合，提升预测精度。学员将学习技巧，如使用Bootstrap聚合优化风电预测。通过案例分析，学员将深入理解如何整合时空特征和集成方法，解决复杂非线性问题，提高模型鲁棒性。

5.3、弹性评估：算法模型创新点提高技巧

弹性评估使用AI模型量化电力系统恢复能力。本模块将介绍创新算法，如基于深度学习的弹性指标计算。学员将学习提高技巧，包括多模态数据融合和不确定性量化。通过理论讲解，学员将掌握如何评估极端事件下的系统弹性，结合案例优化评估框架，提升电力系统的可持续性。（理论讲解+项目代码实操）

5.4、安全控制系统：算法模型创新点提高技巧

安全控制系统通过AI检测和防御网络攻击。本模块将探讨创新点，如实时异常检测和MTD策略。学员将学习技巧，包括使用深度学习分析攻击模式，提升防御效率。通过案例（如电力系统稳态运行的可视化工具），学员将理解如何构建综合安全系统，保护电网免受威胁，提高整体可靠性。

5.5、迈向数据驱动的用电电力系统管理：多区域统一数据和知识图谱。

下午：项目实践、Deepseek及其大模型辅助科研

5.6、项目任务：负荷预测、发电预测、动态仿真

项目任务整合负荷预测、发电预测和动态仿真，构建智能电网系统。本实践环节将指导学员定义任务范围，包括使用LSTM进行负荷预测、Transformer进行发电预测，以及PINN进行动态仿真。（理论讲解+项目代码实操）学员将基于前四天知识划分模块，产出端到端解决方案。通过团队协作，学员将学习如何处理任务间依赖，提升项目管理技能。

5.7、实现步骤：数据收集、模型训练、后处理

实现步骤包括数据收集、模型训练和后处理。本环节将步步指导学员收集多源数据（如时间序列和气象数据），训练集成模型，并进行后处理如可视化和报告生成。学员将使用工具优化流程。通过实践，学员将掌握端到端实现技巧，确保项目高效完成。（理论讲解+项目代码实操）

5.8、成果：完成智能电网预测与优化系统，提交代码和报告。学员将产出完整系统，包括代码库、预测报告和优化结果，涵盖负荷、发电和仿真模块。通过展示和反馈，学员将强化综合能力，产出可应用于行业的成果。

5.9、Deepseek及其大模型辅助科研：AI大模型助力电力系统科研（实操案例展示）

学员获取的课程资料

独家代码库（30+源代码项目文件）：预测监控、动态仿真、优化设计、数据处理、基准测试。

学术论文（20+篇）：涵盖AI驱动的电力系统优化与预测。

课程讲义与实践指南：包含AI模型理论、代码实现步骤、案例分析和调试技巧。提供Python/TensorFlow环境配置教程。

项目模板与数据集：

预配置数据集：用于负荷预测、发电分析和动态仿真。

项目模板代码：方便学员快速开发综合项目。

学员答疑

电力系统相关项目中需要安装的软件和环境配置要求

软件/库

版本要求

用途

项目相关说明

Anaconda3

最新版本

环境管理

管理Python环境及依赖，支持Conda安装如NumPy、Pandas等

Python

3.8+

编程环境

核心编程语言，支持数据处理、模型训练和仿真

TensorFlow

深度学习

神经网络模型训练（如PV预测）

PyTorch

1.10+

深度学习

支持LSTM、Transformer等模型

Scikit-Learn

1.0+

机器学习

支持监督学习、集成模型

NumPy

1.20+

数值计算

数据处理、矩阵运算

Pandas

1.3+

数据处理

数据预处理、时间序列分析

Matplotlib

3.5+

数据可视化

绘制预测曲线、仿真结果

Seaborn

0.11+

数据可视化

高级可视化，热图、分布图

XGBoost

1.5+

机器学习

梯度提升决策树模型

环境配置要求：

操作系统：支持Windows、Mac OS X、Linux。

CUDA：需匹配cudatoolkit支持GPU加速（可选）。

Conda：通过conda install安装依赖。

硬件：GPU推荐用于深度学习训练。

安装说明：使用Anaconda3创建虚拟环境（如conda create --name ai_power python=3.8）。通过pip install -r requirements.txt安装pip依赖。

人工智能技术驱动电力系统革命的应用授课老师

本课程主讲老师毕业于国内顶尖985高校，拥有两年海外研究经历，专注于人工智能（AI）与电力系统的深度融合，研究领域横跨机器学习、能源预测及系统优化。老师学术成果斐然，长期致力于AI在负荷预测、PINN仿真和可再生能源优化中的创新应用，特别是在时空预测、动态评估和安全控制方面取得显著突破。作为核心研究者，老师参与多项国家重点科研项目，研究影响力辐射国际学术圈。老师在Nature、arXiv等权威平台发表多篇高水平论文，涵盖AI驱动的电力系统优化，并在国际学术会议上频频受邀作报告，分享前沿洞见。在教学方面，老师以“实践导向、理论扎实”为原则，通过动手实践与系统化讲解，带领学员深入探索AI在电力系统中的应用，从负荷预测、发电分析到优化自动化，内容兼具技术前沿性与行业实用性。老师熟练掌握Python、TensorFlow等工具，结合30+独家代码库、顶级论文与预配置数据集，为学员打造沉浸式学习体验。课程紧密贴合可再生能源、电网管理、智能建筑等高需求行业，助力学员快速掌握AI与电力系统交叉技术，产出可直接应用的行业级成果，开启职业与研究新篇章。

课程二、AI赋能电子电力技术

前沿背景

随着可再生能源的逐步融入电网，传统的电力系统正在经历深刻的变革。电力系统的复杂性日益增加，尤其是电力电子变换器、智能电网及微电网的运行管理，需要高效且精确的控制与优化。传统的数值求解方法在面对高阶、非线性系统的仿真时，逐渐暴露出效率和准确性上的短板。因此，将人工智能（AI）技术，尤其是物理信息神经网络（PINN）和深度强化学习（DRL）等技术应用于电力系统建模、优化、控制等领域，成为解决现有问题的有效途径。

教学概述

本课程从基础理论到前沿应用，全方位介绍了电力系统中的人工智能（AI）技术应用，重点聚焦于电力电子、控制系统、能源管理以及智能电网的优化等方面。课程内容结合电力系统的动态建模、物理信息神经网络（PINN）、深度强化学习、智能电路设计等主题，并结合实际工程应用，系统地讲解AI如何提升电力系统的效率与稳定性。课程涵盖了从电力电子基础到AI技术的综合应用，注重理论与实践相结合，帮助学生掌握从建模、仿真、优化、控制设计到工程实现的全流程知识，贴近工业4.0、低碳节能和智能制造的发展趋。

课程目标

本课程旨在培养学生在智能电力系统、能源管理和电力电子控制等领域的综合能力。通过系统学习，学生将掌握电力系统中各类动态组件的建模方法，了解如何利用物理信息神经网络（PINN）提高仿真效率和精度，并深入理解深度强化学习（DRL）在电力系统优化中的应用。学生将在实践中掌握AI驱动的电力系统任务，如负荷预测、设备故障检测、智能电网调度等，并能够结合实际工程需求，运用AI技术解决电力系统中的复杂问题。

通过本课程，学生将：

-掌握电力电子、永磁同步电机、异步电机等电力系统组件的基本理论与工作原理。

-深入理解物理信息神经网络（PINN）及其在电力系统动态建模中的应用。

-学习并应用深度强化学习（DRL）算法优化电力系统的控制策略，提升系统运行效率。

-学会通过实际数据集进行建模与预测，进行电力系统运行监控、故障检测与调度优化。

-掌握AI在智能电网、能源管理与电力系统任务中的前沿应用，了解如何将AI技术应用于电力系统的优化与智能化运行。

-通过实践项目，提升从理论、建模、训练、验证到部署的完整工程能力，掌握跨领域的综合技能。

课程将通过案例研究、仿真工具使用、实验平台搭建等方式帮助学生理解AI技术如何推动现代电力系统的智能化发展，培养学生在能源系统智能优化、系统工程实现及AI驱动分析等方面的跨领域综合能力。理解 AI 驱动的电路设计在智能制造、低碳节能和工业4.0背景下的应用前景与发展趋势。

AI赋能电子电力技术课程大纲

第一天：电力电子基础知识回顾

Day 1(代码+实操)

本课程由基础理论到前沿 AI 应用贯穿始终，首先从数学与物理基础切入，构建了对电路与电机系统的全面理解，涵盖电磁场理论、半导体器件特性，以及永磁同步电机、异步电机与同步磁阻电机等不同电机类型的结构与运行机理。在此基础上，课程深入探讨常见电力电子变换器的工作原理与驱动技术，以及它们在电机控制中的具体应用。随着学习推进，课程融入电力系统与微电网的运行特性与建模方法，通过 Python、Julia 与 OpenModelica 等平台展开仿真教学，使学生能够将理论模型落地为仿真工具中的具体实现。同时，本课程通过集成经典控制与强化学习技术，从 Q-learning、策略梯度到 PPO 算法，并结合 Gym-Electric-Motor 等平台训练控制器，使学生体验数据驱动控制器训练与验证流程。为了提升系统工程实践能力，课程还覆盖晶体管特性数据库与磁性材料数据库的使用方式，教导学生如何在设计与仿真时灵活调用这些工程材料数据。教学内容最后扩展至硬件与软件融合开发。学生将在 KiCad 中进行控制板与 PCB 设计，进行实验数据采集与可视化，同时借助 Inkscape 电气符号库与开源资源，整理专业工程文档，实现理论、仿真、控制与硬件环节的系统整合。

在此坚实的工程基础上，课程进一步借鉴 Delft AI Energy Lab “AI for Intelligent Energy Systems Workshop”中的前沿内容，将大型语言模型、图神经网络与强化学习的应用场景引入能源系统研究。学生将探索 LLM 在能源市场与调度系统中的角色，包括如何使用自然语言提示与 OpenAI API 或 Llama 等模型进行电力市场预测；理解图神经网络（GNN）在电力系统建模、优化和最优潮流问题（DCOPF）中的作用；并通过强化学习方法，如 Q-learning、深度 Q 网络与 DDPG，学习如何构建如智能电池储能系统等能源应用中控制策略。此外，课程还融合 Workshop 提供的实操代码实验平台，为学生提供动手实践机会，加深算法与电力系统任务结合的认识。通过这一教学路径，学生将在掌握电力电子与电机理论、仿真工具与控制策略的同时，深入理解 AI 模型（包括 LLM、GNN、强化学习算法）在现代电力系统优化与智能控制中的创新应用。课程的最终目标是培养学生具备工程理论、系统仿真、控制设计和 AI 驱动分析的跨领域综合能力，为智能能源系统的研究和应用打下坚实的专业基础。

图 1 Inkscape 部分电子符号图

Day 1-2 欧洲电网实时数据的特征提取

课程以 AI 在电力系统中的应用 为主题，依托 ENTSO-E 平台的实时数据，展示从数据获取、处理到建模与预测的完整流程。学生将学习如何调用 API 获取负荷、发电与价格数据，并通过时间插值、离群值清理和特征提取等方法，将原始时序数据转化为模型可用的特征。

在模型部分，课程覆盖三类核心任务：利用 XGBoost 分类器进行电力故障预测，采用 LSTM 网络结合 RobustScaler 与 EarlyStopping 完成负荷预测，以及通过 Isolation Forest 实现异常检测。课程强调数据预处理和模型优化的重要性，例如基于时间的插值方法、Z-score 离群值判定以及超参数搜索。

通过这一框架，学生能够系统掌握 AI 在电力系统中的典型应用场景，既理解负荷预测与故障预警的实际价值，又能亲手实现端到端的建模与部署流程，为未来的电力系统智能化运维提供技术储备。

第二天：

Day 2-1 基于动态神经网络的永磁同步电机温度预测

课程首先从电机热管理的重要性切入，解释温度变化对定子绕组绝缘、永磁体磁性能以及整车可靠性的影响，并引出传统基于物理模型（如有限元法 Finite Element Analysis，FEA、集总参数热网络 Lumped-Parameter Thermal Network，LPTN）和纯数据驱动方法（如循环神经网络 Recurrent Neural Network，RNN、卷积神经网络 Convolutional Neural Network，CNN、时序卷积网络 Temporal Convolutional Network，TCN）的优劣比较。随后讲解神经动力学模型（Neural Dynamics Model，NDM）的构建流程，包括如何将状态空间模型（State Space Model，SSM）的状态转移矩阵、输入映射矩阵与神经网络相结合，形成既包含数据驱动泛化能力又嵌入物理约束的结构化线性神经动力学模型。课程在“如何构建神经网络”部分，会介绍初始状态预测器 f0 如何采用一维卷积神经网络（1D Convolutional Neural Network）处理多变量时间序列，并通过卷积层、激活层（如高斯误差线性单元 Gaussian Error Linear Unit，GELU）和池化层提取特征，经展平层和全连接层得到初始隐状态；控制输入映射网络 fu 如何采用前馈全连接结构进行非线性映射；状态转移矩阵 fx 和输出矩阵 fy 如何在结构化约束下实现线性映射，以及如何利用 Perron–Frobenius 定理约束状态矩阵谱半径以保证稳定性，结合物理启发的平滑损失约束隐状态变化的连续性，并在单片微控制器（Single-chip Microcontroller Unit，MCU）STM32 等边缘端部署该模型，从输入传感器数据、归一化、卷积网络提取初始状态，到多步预测输出温度估计值的完整流程。同时，结合实际问题，分析纯数据驱动模型在稳定性、可解释性和边缘部署中的局限，以及物理知识嵌入后如何改善这些问题，例如状态矩阵谱半径过大导致的状态发散、谱半径范围过窄导致的收敛变慢，及通过适度放宽谱半径范围获得更稳健收敛的策略，以及在部署到嵌入式平台时面临的模型尺寸、运算复杂度、内存与功耗限制，并讲解通过模块拆分（f0、fu、fx、fy）和框架转换（PyTorch→Keras→CubeAI）、参数维度适配等方法实现低资源部署的技巧。

图 2 物理信息驱动的 Perron–Frobenius 神经动力学模型(Perron–Frobenius Neural Dynamics Model, pfNDM)工作流

在“损失函数”部分，课程将讲解推理损失与物理平滑损失的组合公式 Loss = Loss_inf + Q·Loss_smth，其中推理损失使用平滑 L1 损失（Smooth L1 Loss）兼具 L1 和 L2 的优点，对异常值鲁棒且在原点可导，适合工业数据场景；平滑损失项根据相邻时刻隐状态的差异定义，通过权重系数 Q 控制其正则化作用的强弱，使模型预测不仅精度高且曲线平滑。训练部分还涵盖数据采集与预处理（降采样、归一化）、超参数选择（预测长度、估计长度、隐藏状态维数、损失平衡系数）、优化器选择（自适应 Nesterov 动量算法 Adan Optimizer）、早停与学习率衰减策略，并通过消融实验分析隐藏状态规模、谱半径范围及物理损失项对精度与收敛的影响；最后结合对比实验、特征值分析和输入-状态解耦分析，帮助学生理解稳定性约束、物理损失和结构化设计如何共同提升模型在实际应用中的可靠性和精度

在实验与验证环节，课程会引导学生搭建测试台架，包括三相车用牵引型 PMSM、电机控制器、负载电机、变流器、温度传感器（K 型热电偶）和数据采集系统（dSPACE 平台）。学生将学习如何采集多传感器时间序列数据，并按照设定的工况（转矩范围 -240 至 260 Nm，转速范围 -200 至 6000 rpm）进行温度测量与记录；通过分离训练集、验证集和测试集进行离线训练，再将训练好的模型部署到 STM32H7 微控制器上，进行真实边缘端测试。实验部分还包括与其他方法（如 LPTN、TNN、RNN、TCN）的精度、模型尺寸和运行性能比较，以及通过特征值分析验证稳定性约束的有效性，并利用输入-状态解耦分析理解状态转移与控制输入在温度预测中的作用。通过这些实验，学生不仅能够验证理论模型的性能，还能掌握从数据获取、模型训练到嵌入式部署的完整工程流程，形成“理论—建模—训练—部署—验证”的闭环学习体验

Day 2-2 人工智能在电力电子变换器中的理论与应用

本课程系统介绍人工智能在电力电子变换器中的关键应用，涵盖参数估计、实时优化与故障检测三大模块，构建从理论建模到实验验证、从算法设计到工程部署的完整学习路径。

课程首先从电力电子变换器在能源转换与控制系统中的重要性入手，阐述其工作机理、关键器件特性及对系统性能的影响，并引出参数估计在建模、控制和故障诊断中的作用。学生将学习基于物理模型与数据驱动相结合的参数估计方法，从等效电路出发推导状态空间方程，确定可辨识参数集合，并利用神经网络（如全连接网络和循环网络）将电压、电流波形与参数映射结合，实现物理先验与数据学习的融合。课程同时讲解损失函数在拟合和正则化中的作用，探讨传感器噪声、采样频率等对估计精度的影响，并通过卡尔曼滤波、粒子滤波等技术提升鲁棒性。

在实时优化部分，课程聚焦电力电子系统效率提升的挑战，指出传统基于电路模型的优化方法在寄生参数与复杂工况下的局限性，进而引入基于深度强化学习（DRL）的无模型优化方法。以直流–直流双有源桥（DAB）变换器为例，讲解如何利用 DDPG 等算法构建自学习控制器，通过 Actor–Critic 网络结构实时调节控制变量以实现效率最大化。课程涵盖奖励函数设计、探索与收敛机制、经验回放与目标网络的应用，并在实验平台上验证其在多场景下的实时优化效果，培养学生在 AI 驱动的自适应控制与效率优化中的实战能力。

在故障检测模块，课程从变换器常见故障及其危害切入，分析传统阈值法和物理模型法的不足，提出基于深度学习的智能故障诊断方案。学生将学习 CNN 与 LSTM 在电压、电流波形特征提取和时序分析中的应用，利用交叉熵与 Focal Loss 等损失函数实现多类别故障检测与不平衡数据处理。课程还包括数据采集与标注、数据增强、模型训练与调参，以及早停与学习率衰减策略。实验部分将通过故障注入实验平台验证模型的准确性、召回率与实时性，并进一步探讨模型压缩、量化与硬件加速方法，实现嵌入式实时部署。

课程最终通过对比多种估计算法、优化方法与故障诊断模型的精度、收敛性和计算复杂度，使学生系统掌握从理论推导—算法设计—神经网络构建—实验验证—工程应用的完整知识链条，具备在能源系统中应用 AI 提升电力电子变换器性能、效率与可靠性的综合能力。

图 3神经网络简图和收敛性图

图 4电路优化工作流示意图

第三天：

Day 3-1 多重外界因素下的电力系统预测

本课程聚焦于人工智能与深度学习在能源行业中的实际应用，旨在培养学生利用 AI 技术解决能源领域的核心挑战：从提高预测精度、降低运维成本到增强资源调度效率。课程首先阐述能源行业面临的复杂性，如气候变化波动与化石能源定价不稳定等趋势，进而引入 AI 驱动模型在成本控制、可持续性与资源优化中的潜力。

接着，课程涵盖智能电力需求预测模块，通过分析历史用电数据、天气趋势与其他影响因素，实现精确的负荷预测，从而加强能源分配效率与供应安全 。课程还深入探讨电网设备预测性维护，利用 AI 模型实时监测输电线路与风力涡轮机等关键组成，提前识别故障风险并降低停运风险，从而提升系统可靠性并节约维护成本 。

课程进一步介绍可再生能源出力预测的重要性，特别针对天气驱动下的太阳能发电进行精确建模，使能源管理系统能够更高效地调度可再生资源，优化电网运行。同时，课程扩展到建筑与家庭的能源管理，学生将学习如何利用 AI 自动优化供暖、制冷与照明系统，以减少能耗并降低用户费用。

为了应对未来智能电网对稳定性的要求，课程还包括智能电网稳定性预测模块，帮助学生掌握实时监控与决策模型的设计方法，使电力系统能够及时洞察潜在稳定性风险并提出解决策略 。

整体而言，本课程通过案例驱动和系统设置，将 AI 模型从理论探索延展至能源行业实际应用，从负荷预测、设备维护到可再生能源调度与建筑能耗管理，最后扩展至智能电网稳定性保障，形成一个贯穿预测—优化—决策支持的完整教学路径。在此过程中，学生将体验从数据获取、算法选择、模型训练、验证性能指标到实际部署的全流程，从而具备参与能源系统智能化转型的能力。欢迎有 AI 或能源领域背景的学生参与贡献与合作 。

Day 3-1 基于安全保证的多智能体深度强化学习

课程首先从可再生能源并网背景出发，讲解由于光伏、风电等逆变型电源的高渗透率导致系统惯性下降、频率稳定性减弱、集中控制易受通信延迟与单点故障影响等问题，引出分布式控制的必要性与优势。随后介绍 SG-MADRL 框架，将多智能体深度强化学习（Multi-Agent Deep Reinforcement Learning，MADRL）与安全控制理论结合，在决策策略中嵌入控制约束与稳定性保证。课程在“如何构建神经网络”部分会讲解每个智能体的策略网络（Policy Network）与价值网络（Value Network）的结构设计，如使用多层感知机（Multi-Layer Perceptron，MLP）输入本地测量信号（电压、电流、频率等），通过隐藏层（激活函数为 ReLU 或 Tanh）输出控制指令，并结合集中训练-分布执行（Centralized Training with Decentralized Execution，CTDE）的架构优化全局性能；在“损失函数”部分则重点阐述策略梯度（Policy Gradient）类损失与安全约束惩罚项的组合，如在 Advantage Actor-Critic（A2C/A3C）或 Proximal Policy Optimization（PPO）的基础上引入基于 Lyapunov 函数或屏障函数（Barrier Function）的安全性损失，使学习过程满足电压、频率等运行指标的硬约束。

在训练与实验环节，课程讲解如何使用高保真电力系统仿真平台（如 MATLAB/Simulink 或 DIgSILENT PowerFactory）构建多逆变器并网微电网环境，生成多场景运行数据（负载变化、可再生出力波动、故障扰动等），并将其作为环境接口与深度强化学习框架（如 TensorFlow 或 PyTorch）连接进行训练；训练过程中分析探索-利用（Exploration–Exploitation）平衡、奖励函数设计、训练收敛性及多智能体间的非平稳性问题，并探讨通过共享经验回放（Shared Experience Replay）、参数同步、奖励归一化和自适应探索率等方法克服这些挑战。实验验证部分包括在仿真环境中测试 SG-MADRL 策略对频率、相角、电压的动态调节性能，与传统集中式控制和无安全约束的 MADRL 策略进行对比分析，从暂态指标（超调量、恢复时间）与稳态性能（误差、波动）两方面评估其优势，并通过特征值分析与时域仿真验证系统稳定性与鲁棒性。通过这一教学大纲，学生能够系统掌握数据驱动的分布式控制思想、深度强化学习在电力电子系统中的实现方法、训练与部署流程以及应对工程挑战的策略，从而具备将 SG-MADRL 应用于多逆变器可再生能源系统的能力。

图 5工作流

第四天

Day 4-1 强化学习在配电系统电压无功控制中的应用

—— 基于 PowerGym 环境

本课程以开源平台 PowerGym 为核心，系统讲授强化学习在配电系统电压无功控制中的应用。课程首先介绍电压无功控制在配电网中的关键作用，说明通过电压调节器、并联电容器和电池等装置的合理调度能够有效降低功率损耗并保持电压稳定，同时分析传统优化方法在约束复杂、规模庞大的电网中求解困难的局限性，进而引出深度强化学习在能源系统智能调度中的潜力。学生将学习强化学习的基础理论，包括马尔可夫决策过程的建模方法、有限与无限时域问题的差别，以及状态空间、动作空间与奖励函数在控制问题中的具体定义，并进一步理解如何将电压无功控制问题转化为强化学习任务，通过观测电压、电容状态和电池荷电状态等变量以及投切电容、调节档位和充放电功率等动作来驱动系统优化。

在此背景下，课程深入讲解 PowerGym 环境的设计理念与功能实现。学生将理解如何通过电路文件和超参数配置注册并定制实验环境，熟悉 13Bus、34Bus、123Bus 和 8500Node 等系统的差异化配置与难度分级，并掌握基于 OpenDSS 潮流计算的仿真引擎如何保证物理约束下的状态转移。课程还展示了观测与动作的数据接口封装，使离散与连续控制量得以统一表示并与强化学习算法直接衔接。在实验环节，课程通过对比 PPO 与 SAC 等典型算法在不同环境中的表现，展示其收敛速度、累计奖励与稳定性差异；以 123Bus 系统为案例分析不同负荷场景和电池 SoC 约束对控制策略的影响，揭示电压违例、功率损耗与电池活动之间的权衡关系；同时研究控制时域、负荷缩放和电池约束等参数变化对环境难度与算法性能的影响，帮助学生掌握实验设计与结果分析的系统方法。

课程最后总结 PowerGym 在研究与实践中的价值，强调其作为强化学习在电力系统中的基准平台，不仅支持算法的公平比较，还为工业场景的迁移和定制化应用提供了基础。通过这一完整的学习过程，学生能够掌握从电力系统建模到强化学习算法实现与验证的全链条知识，理解电压无功控制的本质挑战，并具备将人工智能方法应用于智能电网运行和能源优化的能力。

图 6powergym示意图

Day 4-2 大型基础模型在电力系统中的应用

本课程围绕大型基础模型（Large Foundation Models, LFMs）在电力系统中的应用展开，旨在帮助学生全面理解这一前沿技术如何推动智能电网的发展。课程首先从电力系统在能源转型和可再生能源并网中的复杂性出发，介绍 LFMs 的基本概念与特征，阐述其相较于传统 AI 模型在通用性、跨任务迁移与知识抽取上的优势，并分析其在电力系统研究与应用中的潜力。

在理论部分，课程系统讲解 LFMs 的核心机制，包括大规模预训练、提示词工程（prompt engineering）、上下文学习（in-context learning）与检索增强生成（RAG）等方法，并结合电力系统的典型问题，说明这些机制如何用于优化潮流计算、调度控制、设备运维、市场预测与电力安全等任务。通过与传统机器学习和优化方法的对比，学生能够理解 LFMs 如何在无需大量特定任务数据的情况下，通过跨任务迁移学习和语义理解实现更高效的建模与推理。

在应用部分，课程结合文档中的研究案例，展示 LFMs 在电力系统四大典型场景中的应用：其一是在最优潮流（Optimal Power Flow, OPF）中，通过自然语言到约束求解的映射实现智能化调度；其二是在电动汽车充电调度与需求响应中，LFMs 能够作为用户与控制系统之间的自然语言接口，将模糊的用户需求转化为可执行的优化指令；其三是在电力工程文档理解与知识管理中，LFMs 借助 RAG 等方法快速从技术文档和历史案例中提取关键信息，提升工程设计与运维效率；其四是在电网态势感知中，视觉-语言模型可结合图像与文本实现多模态分析，用于电力系统状态诊断与风险预测。

课程也强调 LFMs 的局限性与挑战，包括计算效率低、难以保证严格的物理约束、领域知识覆盖不完整以及输出缺乏可解释性。通过这些问题的剖析，学生能够认识到在电力系统应用中需要将 LFMs 与传统优化、仿真和专家知识结合，探索混合式方法以克服局限。

在实验与实践环节，学生将尝试使用现有的开源 LFMs 工具，对电力负荷预测、调度优化与技术文档问答等任务进行实验，体验提示词设计、RAG 检索与多模态输入的实现路径，并结合案例分析 LFMs 在电力系统任务上的性能与不足。

通过本课程的学习，学生不仅能够掌握 LFMs 的基本原理与方法论，还能系统理解其在电力系统中的典型应用与未来发展方向，从而具备在智能电网、能源调度与电力 AI 研究中探索和应用大型基础模型的能力。

图 7工作流示意图

第五天

Day5-1 CircuitAI - 智能电路设计平台

本课程以 CircuitAI 平台 为核心切入，展现人工智能辅助电路设计的完整路径与技术实践。课程首先阐述在能源与电力系统研发中，传统电路设计流程面临的效率瓶颈与跨领域复杂性，并引入 AI 大语言模型（如 OpenAI GPT、Anthropic Claude、Google Gemini）结合电路领域专业提示模板（Prompt Templates）与上下文追踪机制，通过自然语言输入直接生成可用电路设计方案的前沿应用，体现 AI 在电路结构生成与工程参数对应转换中的创新潜力。

同时，本课程将 CircuitAI 平台的工程实现作为深入案例：讲述如何构建前后端分离架构中，后端 AI 服务模块可通过封装 API 适配器对接不同大模型，处理用户需求、应用提示词工程生成电路设计，并将输出转化为 ASCII 电路图与物料清单（BOM），实现从自然语言到电路结构与参数的自动映射。课程进一步探讨当对模型进行领域微调或融合领域专用模型时，如何通过生成对比损失（Contrastive Loss）与语言建模损失（Language Modeling Loss）优化电路描述准确性与电气参数精度，以及如何设计训练管线，包括构造电路描述与设计结果成对样本、统一提示模板、引入电气安全约束与在线学习机制提升生成控制能力。

在实践中，课程也剖析 CircuitAI 常见挑战：不同书写风格导致解析困难、ASCII 图布局失序、BOM 元件识别误差、API 调用延迟等问题，并结合 CircuitAI 技术路线提出解决策略，如数据增强、提示优化、多轮上下文追踪、引入智能布局算法与缓存机制。

此外，本课程借助 “Awesome AI for Electricity” 项目中汇集的资源，拓宽学生视野，引导他们了解 AI 在能源与电力系统上的多样应用，包括电网负荷预测、优化调度、电力市场交易、智能设备维护、故障检测、电路识别与设计自动化、数字孪生技术等。通过整合该项目中的论文调查、工具介绍、数据集与库链接，学生将理解 AI 在电力行业的研究前沿与实用落地，从电路设计扩展到系统级智能分析，使他们不仅掌握如何将 AI 嵌入工程电路设计，也能洞察 AI 驱动的电力系统优化与工程创新全景。

在实验环节，学生将通过 CircuitAI 平台设计 LED、放大器、滤波器、电源稳压电路等，观察 AI 生成电路图、BOM 及价格与可行性评估，并结合来自 “Awesome AI for Electricity” 中的案例与工具，加深他们对 AI 支持下电路设计与电力系统任务自动化实践的理解与应用能力。

示例:

用户: 需要一个5V稳压电源

AI: 推荐使用LM7805线性稳压器...

ASCII电路图:

AC输入 ----[变压器]----[整流桥]----[C1]----[LM7805]----[C2]---- +5V输出

220V→12V D1-D4 470μF IN OUT 100nF

Day5-2 物理信息神经网络（PINN）在电力系统动态建模中的应用

随着现代电力系统的复杂性不断增加，传统的数值求解方法面临诸多挑战，尤其是在高阶和非线性系统的仿真中。课程将深入探讨PINN如何将物理规律（如常微分方程ODE）嵌入神经网络中，从而提高仿真效率和准确性，并解决传统方法在复杂电力系统建模中的局限性。

课程开始将介绍电力系统中常见的动态组件和它们如何通过常微分方程描述其行为。接着，课程将讲解物理信息神经网络的基本原理，即将物理方程嵌入神经网络的训练过程中，避免过度依赖数据，同时保证模型的物理准确性。我们将介绍PINN的训练方法，其中包含基于数据的损失函数和物理驱动的损失函数的混合使用，通过这种方式使神经网络能够在学习系统的动态时，同时满足物理规律。

在训练过程中，课程将讨论如何设置并求解常微分方程来描述电力系统的动态行为，重点是如何生成训练所需的数据集。我们将介绍如何使用ODE求解器生成仿真数据，并通过拉丁超立方体采样等方法确保训练数据的多样性和代表性。课程还将探讨神经网络架构的设计，如何根据电力系统组件的复杂性调整神经网络的层数和神经元数目，以及如何通过合理的权重初始化方法来保证训练过程的稳定性。

接下来，课程将讨论训练中的常见挑战，例如如何平衡数据驱动和物理驱动的损失函数，如何调整损失函数中的权重以优化训练过程，如何选择适合的优化器来提升模型的训练效率。特别是在面对高阶和复杂系统时，如何通过减少每条轨迹上的采样点数来加速训练，而不损失模型精度。课程还将介绍如何解决训练过程中可能出现的过拟合问题，并通过适当的调优方法提高模型的鲁棒性。

在模型训练和优化后，课程将展示如何评估PINN模型的性能，特别是在准确性和计算时间方面的表现。通过与传统数值方法的比较，展示PINN在仿真时间上的显著优势，并讨论其在大规模系统仿真中的可行性。实验部分将通过案例研究，展示如何将PINN应用于同步机（SM）模型，结合自动电压调节器（AVR）和调速器，展示其在高阶电力系统建模中的应用。课程还将介绍如何生成用于训练的数据集，如何处理初始条件的采样，并通过优化方法提升仿真结果的精度。

最后，课程将总结PINN在电力系统动态建模中的优势与挑战，并探讨未来的研究方向，如如何进一步优化采样策略、融合真实世界数据以及如何将PINN集成到现有的商业仿真平台中，推动其在工业中的应用。通过本课程的学习，学员将掌握使用PINN进行电力系统动态建模的核心方法，理解训练过程中遇到的技术挑战，并能够应用这些技术进行高效和精确的电力系统仿真与分析。

代码运行环境要求

一、深度学习与机器学习框架

PyTorch —— 深度学习训练与推理（SG-MADRL、多模型识别、故障检测等案例中使用）TensorFlow / Keras —— 模型构建与训练（pfNDM 边缘部署前常用 Keras 转换，CircuitAI 也可接入）

Adan Optimizer —— 自适应 Nesterov 动量优化器（pfNDM 案例中出现）

YOLOv5 / YOLOR —— 目标检测（PEDApp 电路图元器件识别）

SSD MobileNet V2 —— 轻量级目标检测网络（PEDApp）

CNN / 1D CNN —— 时序与波形特征提取（pfNDM、故障检测）

LSTM（Long Short-Term Memory） —— 序列建模（故障检测）

Multi-Layer Perceptron (MLP) —— 策略与价值网络（SG-MADRL）

PPO / A2C / A3C —— 策略梯度型强化学习算法（SG-MADRL）

DDPG（Deep Deterministic Policy Gradient） —— 连续动作空间优化（DAB 实时效率优化）

二、数据处理与科学计算

NumPy —— 数值运算

Pandas —— 数据集管理与处理（BOM 表格管理）

Matplotlib —— 可视化分析（实验结果绘图）

经验回放（Replay Buffer）实现库 —— 强化学习训练数据管理（SG-MADRL、DAB 优化）

三、仿真与电路绘制

PySpice —— 电路仿真（PEDApp、CircuitAI 可接入）

Schemdraw —— 电路原理图绘制（PEDApp）

ASCII 图生成模块（自研或解析器）—— CircuitAI 与 PEDApp 的文本电路图输出

SVG 渲染库 —— CircuitAI Phase 2 可视化增强

四、前端技术栈（CircuitAI 案例）

React 18 + TypeScript + Vite —— 前端框架与构建工具

Ant Design —— UI 组件库

Tailwind CSS —— 响应式与快速样式开发

Axios —— 前后端 API 调用

ESLint + Prettier —— 代码规范与格式化

五、后端技术栈（CircuitAI 案例）

Node.js + Express + TypeScript —— 后端服务

tsx —— 开发热重载

OpenAI API / Claude API / Gemini API —— 多模型 LLM 接入适配器

环境配置（dotenv） —— API Key 管理

六、控制与电力系统仿真

MATLAB/Simulink —— 电力系统与多逆变器微电网仿真（SG-MADRL）

DIgSILENT PowerFactory —— 电力系统动态仿真（SG-MADRL）

AI赋能电子电力技术老师

主讲老师来自于国内985高校实验室，长期从事人工智能与电力电子的交叉研究，研究方向涵盖智能电路设计、嵌入式系统优化与多智能体协同控制。在 IEEE Transactions on Power Electronics、Applied Energy 等国际权威期刊以及 IEEE ECCE（Energy Conversion Congress & Exposition）、ICASSP（International Conference on Acoustics, Speech, and Signal Processing）等国际会议上发表多篇论文，并主持过多项人工智能与智能制造相关科研项目。老师具备丰富的工程实践与科研经验，能够将前沿理论与实际工程案例紧密结合，为学生带来理论与实践并重的学习体验。

课程三、深度学习PINN+大模型辅助编程

前沿背景

1. 物理信息神经网络（PINN）的兴起
近年来，物理信息神经网络（Physics-Informed Neural Networks, PINN）成为计算科学与人工智能交叉领域的前沿方向。传统数值方法（如有限差分法、有限单元法）在高维、强非线性或反演问题中面临计算效率低、网格依赖性强等瓶颈。PINN通过将控制方程、边界条件等物理先验嵌入神经网络，以无网格方式实现微分方程求解，在流体力学、固体力学、传热学等领域展现出突破性潜力。其核心论文（引用超13,000次）开创了物理驱动深度学习的范式，成为Nature、CMAME等顶刊的研究热点。

2. 传统数值方法与机器学习的融合需求
有限差分法（FDM）和有限单元法（FEM）虽成熟但依赖离散化，难以处理复杂几何与多物理场耦合问题。机器学习（如CNN、GNN）虽具备强大的数据拟合能力，但缺乏物理可解释性。PINN通过融合物理定律与数据驱动，显著减少训练数据需求，提升泛化性能，并在参数反演、方程发现等逆问题中展现独特优势。此外，深度能量法（DEM）等变体进一步结合能量变分原理，为固体力学问题提供高效解决方案。

3. 大模型赋能科学计算的新机遇
以DeepSeek、ChatGPT为代表的大模型技术，正在颠覆传统科学编程模式。通过自然语言交互生成PINN代码，可加速复杂瞬态问题的求解流程。本课程结合大模型辅助编程，探索其在微分方程求解、代码调试及多任务优化中的应用，推动“AI for Science”的工程化落地。

课程目标

1. 掌握PINN理论与传统数值方法的核心联系

1.1.理解固体力学、流体力学、传热学中的典型偏微分方程（如Navier-Stokes方程、弹性本构方程）及其数学分类（椭圆/抛物/双曲型）。

1.2.对比有限差分法、有限单元法与PINN的底层原理，揭示物理约束与数据驱动的协同机制。

2. 构建PINN与深度能量法的实践能力

2.1.从零实现一维谐振子、渗流、弹塑性力学等案例的PINN求解代码（基于PyTorch/DeepXDE/SciANN）。

2.2.掌握能量驱动损失函数设计、自动微分等关键技术，复现中科院一区顶刊（如CMAME）中的创新方法。

3. 探索多领域工业级应用场景

3.1.流体力学：层流模拟、涡旋捕捉与Nature子刊级diffusion-reaction模拟。

3.2.固体力学：超弹性材料大变形、弹塑性问题与能量法优化。

3.3.反问题：材料参数辨识、隐藏物理规律发现。

4. 精通开源工具链与大模型辅助编程

4.1.熟练使用DeepXDE、SciANN等PINN专用库，配置复杂边界条件与多物理场耦合。

4.2.利用DeepSeek、ChatGPT生成高鲁棒性PINN代码，解决瞬态偏微分方程问题。

5. 培养跨学科研究与创新能力

5.1.通过顶刊论文复现（如CMAME、Computers and Geotechnics）与代码对比，深化对物理编码、因果约束、混合变量方案等前沿方向的理解。

5.2.为计算力学、工业仿真、AI辅助设计等领域的科研与工程实践提供方法论支持。

本课程旨在打通物理建模、数值计算与深度学习的知识壁垒，培养兼具理论深度与工程能力的复合型人才，推动智能科学计算在工业4.0与数字孪生中的创新应用。

深度学习PINN+大模型辅助编程大纲

Day 1什么是微分方程（固体、流体、传热）？什么是有限差分法和有限单元法？和机器学习有什么联系？

1. 学会偏微分方程手动推导

1.1. 固体力学的偏微分方程

1.1.1. 平衡方程

1.1.2. 线弹性本构

1.1.3. 超弹性本构

1.1.4. 塑性本构

1.2. 流体力学的偏微分方程

1.2.1. 无黏、无旋的势流方程

1.2.2. 忽略黏性效应的欧拉方程

1.2.3. 不可压缩纳维-斯托克斯方程

1.3. 传热学的偏微分方程

1.3.1.稳态热传导

1.3.2.瞬态热传导

1.4. 一般形式的偏微分方程

1.4.1. 椭圆偏微分方程

1.4.2. 抛物偏微分方程

1.4.3. 双曲偏微分方程

2. 偏微分方程数值解

2.1. 有限差分法原理

2.2. 有限单元法原理

2.3. 实战演练：使用COMSOL求解固体力学和渗流，保存数据

2.4. 实战演练：使用Abaqus求解弹塑性固体力学，保存数据

3. 使用Python写一个机器学习的程序

3.1. 如何运行自己的第一个python程序

3.2. 常用科学计算库：Numpy和Scipy

3.3. 机器学习的万能python库：scikit-learn

3.4. 如何在Ubuntu系统上运行python程序

Day 2 什么是深度学习？什么是物理数据双驱动神经网络PINN？4. 数据驱动深度神经网络

4.1 激活函数

4.2 神经元

4.3自动微分方法

4.4损失函数的构建与正则化

4.5最优化方法

4.6. 实践：基于Pytorch建立深度神经网络模型并调优

5. 深度学习进阶

5.1 卷积神经网络CNN

5.2 循环神经网络RNN

5.2.1. 长短记忆神经网络LSTM

5.2.2.门控循环单元网络GRU

5.3. 图神经网络GNN

5.4. Transformer （Attention is all you need！ ）

6. PINN=数据+PDE方程，数据需求锐减！泛化性能提升！

从零开始构建一维谐振子物理信息神经网络（Physics-Informed Neural Networks, PINN）为核心目标，系统讲解如何将物理定律与深度学习结合，实现微分方程的高效求解与物理系统建模。课程从一维谐振子的动力学方程出发，剖析PINN的核心思想：通过神经网络隐式编码控制方程、初始/边界条件等物理约束，将微分方程求解转化为损失函数优化的机器学习问题。学习者将逐步掌握谐振子问题的数学建模方法，利用Python和深度学习框架（如PyTorch）搭建神经网络架构，设计融合数据驱动项与物理残差项（如运动方程残差）的复合损失函数，并通过自动微分技术计算高阶导数，实现从随机初始化到物理规律自洽的模型训练。

Day 3 PINN引用一万三论文详解+深度能量法+ PINN的python库Deep XDE讲解7. 物理信息神经网络：一个用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架，一万三千次引用的论文讲解和复现

PINN开山之作：Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations

深度剖析PINN这一颠覆性框架如何通过深度融合物理定律与深度学习，开创性地解决复杂偏微分方程（PDE）的正反问题。作为计算科学领域的里程碑式工作，PINN首次系统性地提出将控制方程、初始/边界条件等物理先验知识嵌入神经网络架构，通过构造包含PDE残差项、数据拟合项及边界约束项的多目标损失函数，实现无需网格离散的端到端微分方程求解，其创新性地利用自动微分技术高效计算高阶导数，成功攻克了传统数值方法在高维、强非线性及参数反演问题中的瓶颈。本节课从数学机理与代码实践双视角展开：在理论层面，解析PINN如何通过神经网络的万能逼近特性构建连续时空解空间，探讨正问题（如NS方程、热传导预测）中物理残差最小化的泛化能力，以及反问题（如材料参数辨识、隐藏物理规律发现）中PDE系数的可微学习机制；在实践层面，基于PyTorch/TensorFlow框架手把手实现PINN原型系统进行网络架构设计（激活函数选择、隐层深度优化），并通过Burgers方程激波捕捉、Navier-Stokes流场重构，对比PINN与高精度数值方法。

8. 通过机器学习求解计算力学偏微分方程的能量方法：概念、实现和应用

深度能量/深度里兹法物理数据双驱动网络 Deep energy method/Deep Ritz method，DEM，DRM，中科院一区TOP数值计算顶刊CMAME：An energy approach to the solution of partial differential equations in computational mechanics via machine learning: Concepts, implementation and applications

本小结基于能量原理的机器学习方法在计算力学偏微分方程求解中的创新应用展开，深入解析如何将经典力学中的能量变分原理与深度学习技术结合，构建物理驱动的高效求解框架。作为计算力学与人工智能交叉领域的代表性方法，该框架以能量泛函为核心，通过神经网络直接参数化力学场（如位移场或应力场），将传统基于网格的能量离散优化转化为无网格的损失函数优化问题。课程从理论层面剖析能量极小化原理与深度学习优化目标的数学同构性，例如，通过直接最小化总势能泛函，规避传统有限元法对复杂几何和材料非线性的离散困难；利用自动微分技术精确计算能量泛函梯度，在实现层面，本小节系统讲解能量驱动损失函数的设计逻辑，包括如何应变能主导的物理约束与边界条件，通过弹性力学静动态问题、超弹性材料大变形等典型案例，课程对比能量方法与纯数据驱动模型及传统数值方法的性能差异，验证其在预测精度、计算效率与外推能力上的显著提升。

9. PINN库：DeepXDE讲解

以深度掌握开源物理信息神经网络库DeepXDE为核心目标，系统讲解其在一维至多维偏微分方程求解中的高效应用。课程从环境配置与基础API入手，详解如何利用DeepXDE快速搭建PINN求解框架：包括定义计算域几何（Interval、Rectangle等）、设定PDE残差方程（通过Lambda函数或自定义偏微分算子）、编码初始/边界条件（Dirichlet、Neumann），以及配置神经网络架构（深度、激活函数、权重初始化策略）。

Day 4 PINN在流体力学中的应用 + Nature子刊详解10.中科院一区论文与代码复现：渗流

中科院一区顶刊论文复现，A physics-informed data-driven approach for consolidation analysis

从数据中识别控制方程并求解它们以获得时空响应对于许多实际问题来说是可取的...