教学目标：
本课程面向能源动力、化学工程和化学等专业的研究生，旨在介绍人工智能 (AI) 的基本概念、技术和应用，并深入探讨 AI 在能源领域的应用前景和挑战，特别是结合电池储能在绿色低碳的可再生能源技术中应用背景，重点讲解 AI 在电池储能系统中的应用。课程内容涵盖 Python 编程基础、人工智能基础、机器学习、深度学习、以及 AI 在能源优化、能源创新和新兴领域中的应用。
课程注重理论与实践相结合，培养学生利用 AI 技术解决能源领域实际问题的能力。通过学习本课程，学生将掌握 Python 编程语言基础，了解人工智能的基本概念、发展历史、主要技术和方法，熟悉 AI 在能源领域的应用现状和发展趋势，并具备利用 AI 技术解决能源领域实际问题的初步能力，为未来从事能源与人工智能交叉领域的研究和工作打下坚实基础。
教学安排：
| 课次 No. | 教学周 Week | 日期 Date | 教学内容及思政内容 Teaching Content & Ideological and Political Content | 对应教学目标 Corresponding Teaching Objectives | Assignments |
| 1 | 2 | 9.14 | 课程简介和考核要求 AI与能源 | 人工智能 (AI) 的 基本概念 | |
| 2 | 3 | 9.21 | 机器学习方法： 基本回归和分类算法 | 机器学习 | |
| 3 | 4 | 9.28* | 机器学习方法： 决策树、集成学习 | 机器学习 | 作业1 |
| 4 | 5 | 10.05 | 国庆放假 | ||
| 5 | 6 | 10.12 | Python 编程基础 Scikit-learn、Keras和TensorFlow等机器学习框架 | Python 机器学习 | |
| 6 | 7 | 10.19 | 机器学习方法： 聚类分析、降维方法、支持向量机 | 机器学习 | 作业2 |
| 7 | 8 | 10.26* | 机器学习实例 | 人工智能应用 | |
| 8 | 9 | 11..02* | 神经网络基础 | 深度学习 | 作业3 |
| 9 | 10 | 11.09 | 深度学习与卷积神经网络 | 深度学习 | |
| 10 | 11 | 11.16 | 时间序列与循环神经网络 | 深度学习 | 作业4 |
| 11 | 12 | 11.23* | AI的能耗 | 智能电网 | |
| 12 | 13 | 11.30* | AI在能源优化中的应用 | 智能电网 | 作业5 |
| 13 | 14 | 12.07 | AI在能源创新中的应用 | 智慧能源 电化学储能 | |
| 14 | 15 | 12.14 | AI与能源的新兴主题 | 智慧能源、能源政策 | |
| 15 | 16 | 12.21 | 文献汇报 （8位同学） | 汇报总结项目成果 | 课程展示 |
| 16 | 17 | 12.28 | 文献汇报 （6位同学），课程项目简介 | 汇报总结项目成果 | 课程展示 |
参考教材：
- Aurelien Geron 著 ，Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow ，东南大学出版社 ，2023-03-01 。
- 张旭东 编著，机器学习，清华大学出版社，2024年11月。
- International Energy Agency, Energy and AI, 2025-04, https://www.iea.org/reports/energy-and-ai.
考核方式：
- 课堂表现(10/100): 出勤率及课堂参与度。
- 课后作业 (20/100): 将会布置5次课后作业，每次40分，5次作业总成绩将计入最终成绩。
- 随堂测验 (20/100):
测验1 (9.28)
测验2 (10.28 or 11.04)
测验3 (11.25 or 12.02)
两次最高分将用于计算最终成绩。 - 文献汇报 (10/100):
选择一篇将AI应用于能源研究的论文进行课堂展示（12分钟展示 + 3分钟提问）。 - 课程项目 (40/100):
选择一个课程项目，构建和训练机器学习模型，撰写项目报告，并于1月25日之前邮件提交至ke.yang@nankai.edu.cn。
About the author