一、实验室简介

人工智能与能源系统实验室通过数字孪生系统和人工智能技术，赋能工业智能制造，助力能源高效、安全利用与能源结构清洁转型。实验室配备了先进的计算资源，支持复杂科学问题的研究。通过继续探索和创新，推动工业智能制造和能源系统的转型升级。

二、研究方向

（1）知识与数据双向耦合的机器学习模型机理研究。构建有物理常识的能源AI模型，实现知识与数据双驱动，借助机器学习的强拟合能力，描述变量间高维复杂映射关系（准确性），利用力学和能源等领域内的先验知识，保证预测结果符合物理机理（可靠性）；利用AI从观测和实验数据中提炼控制方程，自动学习未知的物理知识。基于符号数学、强化学习和遗传算法的综合技术，从观测和实验数据中直接挖掘开放形式控制方程（代数方程、常微分方程、偏微分方程等），实现从数据到方程的自动提炼与生产。

（2）能源系统智能化。研究内容包括光伏/风能电站功率预测、能源遥感和和电站运维；创建融合领域知识的时序预测模型，并将其应用于能源供给侧的光伏/风能功率预测以及需求侧的电力负荷预测，保障能源的供需平衡。

（3）融合领域知识的方程向量预训练模型。通过自监督预训练和符号数学方法，将离散的数理方程转化为连续的向量空间，建立高效的编解码器。该研究通过探索方程的符号表示、利用Graph Transformer Layer优化编码器结构，并融合领域知识对隐空间进行约束优化，最终实现从观测数据中自动提炼出符合物理规则的控制方程，推动科学机器学习在能源系统等领域的应用。

（4）域适应的隐空间优化与数理方程重构。针对知识发现方法中隐空间优化效率低的问题，通过引入域适应编码和方程性能评估器，针对具体观测数据优化隐空间，利用策略梯度优化方法在超平面中找到性能最优的方程域适应编码，并将其解码还原为数理方程，旨在提升模型对特定问题域的优化效率和方程的准确性，实现从观测数据到精确数理方程描述的高效转换。

（5）知识数据双驱动的知识发现及其应用。利用知识发现算法从观测数据中直接挖掘控制方程，提升神经网络等黑箱模型的可解释性，并在能源和气象等领域的实际应用中验证算法的有效性，通过构建模型的方程形式替代模型，推动科学认知的前沿，实现能源供需预测和复杂地形降水问题的精确建模，促进清洁、经济、可靠的智慧能源系统的构建。

（6）智慧工厂物联网建设与数字孪生。通过整合和分析大量数据，支持基于数据的决策制定，提高决策的科学性和准确性，通过数字孪生模型，可以实时模拟和预测物理系统的运行状态，帮助工程师和决策者在设计、制造、维护过程中进行优化，减少物理原型的测试次数，从而降低成本。通过自研机器视觉目标检测算法和工业大模型，实现特定工业环境下的精准检测与目标跟踪，提升生产效率和安全可靠性，实现工业物联网的全面应用，促进智能制造与安全管理的发展。

（7）自动化色谱分析平台及其应用。针对传统色谱实验中费时费力、实验条件选择高度依赖实验者经验等问题，构建自动化色谱分析平台，旨在实现高通量、全自动、智能化的数据采集。基于此平台，进一步建立人工智能驱动的色谱预测模型，能够直接预测色谱实验结果（如保留时间、Rf值等）。此外，结合统计学与人工智能方法生成“AI经验”，并利用知识发现算法挖掘潜在的数学方程，从而指导色谱实验条件的优化选择，避免传统的试错过程，显著提升化学实验的效率。

三、负责人

实验室负责人陈云天，宁波东方理工大学（暂名）助理教授，特聘研究员（正高）兼博士生导师，兼任上海交通大学计算机科学与工程系博士生导师。研究方向为科学机器学习。本科毕业于清华大学能源与动力工程系，并获得北京大学经济学双学位。博士期间师从北京大学张东晓院士。具备多学科交叉背景，自本科起关注物理模型与机器学习融合问题，博士阶段专注于知识驱动与数据驱动的耦合研究，并在博士后阶段继续探索知识发现与嵌入。发表论文60余篇（一作/通讯46篇，IF>10/CCFA论文26篇，子刊2篇）。授权专利25项（含发明专利23项），软件著作权4项。主持科技部重点研发计划课题和国家自然科学基金等项目11项，五年内，作为负责人获得经费1900余万元。相关成果被美国科学促进会（AAAS）、参考消息（大陆发行量最大报纸）、南华早报（香港发行量最大报纸）、中国青年报等国内外媒体广泛报道。曾在多项国际会议中担任分会主席，在2020至2024连续四年担任CUE会议人工智能与机器学习相关分会主席；CEN2022/2023会议碳中和与清洁能源系统相关分会主席；ICAE2022/2023会议碳减排分会主席；第六届国际智能工业大会科学机器学习分会共主席。曾获中国“互联网+”大学生创新创业大赛金奖，并入选甬江人才工程。