电气工程专业硕士研究生“智能电网与AI前沿”专题：电力系统中的深度学习高阶应用教学设计

电气工程专业硕士研究生“智能电网与AI前沿”专题：电力系统中的深度学习高阶应用教学设计

一、课程导引与定位

（一）课程背景与战略意义

本课程面向电气工程及其自动化专业硕士研究生二年级开设，属“智能电网与人工智能”前沿交叉专题课程。在“双碳”目标驱动下，电力系统正经历从高碳向低碳、从确定性向不确定性、从单向往双向互动的深刻变革。新型电力系统在源、网、荷、侧呈现高比例可再生能源、高比例电力电子装备、多源异构数据爆发式增长三大典型特征。传统基于物理模型和专家经验的分析方法在处理高维非线性、时空耦合、不确定性强、故障样本稀缺的电力系统工程问题时面临瓶颈。深度学习凭借其强大的高维特征自动提取、非线性端到端映射、时序记忆与迁移泛化能力，正成为破解电网态势感知、预测性维护、安全调控等难题的核心技术引擎。本专题定位于培养既精通电力系统物理机理、又掌握深度学习方法论、同时具备工程落地能力的复合型高端人才。

（二）学情画像与认知起点

授课对象已系统修读《高等电力网络分析》《电力系统暂态与稳态分析》《现代信号处理》《矩阵论》等学位课程，具备扎实的电磁暂态、电路拓扑、优化理论功底。百分之七十以上学生具有Python编程基础，约百分之四十接触过机器学习入门课程。然而，学生普遍存在三重认知鸿沟：其一，将电力系统物理规律与深度学习黑箱模型进行耦合解释的能力薄弱；其二，对电力时序信号（如故障录波、PMU量测）的深度特征提取方法缺乏体系化认知；其三，缺乏在轻量化边缘装置上部署高精度深度模型的工程实战经验。本设计精准针对上述痛点，构建从“物理问题数字化”到“数字特征模型化”再到“模型部署工程化”的完整能力链。

（三）新标题与核心范畴界定

电气工程专业硕士研究生“智能电网与AI前沿”专题：电力系统中的深度学习高阶应用教学设计

（四）教学目标分层建构

依据布鲁姆认知目标新分类法与工程教育认证毕业要求指标点，本专题确立四级进阶目标体系。第一层级为【基础】记忆与理解层级，要求学生精准复述卷积神经网络、循环神经网络、图神经网络、Transformer在电力场景中的数学原型，阐释端到端故障诊断、源荷概率预测、拓扑辨识等典型任务的物理映射逻辑。第二层级为【重要】应用与分析层级，要求学生在给定Simulink/MATLAB或Python/PyTorch仿真环境中，独立完成从数据清洗、滑动窗分帧、时频变换到模型训练与超参数调优的全流程实验，并能根据混淆矩阵、接收者操作特征曲线、平均精度均值等指标诊断模型欠拟合与过拟合。第三层级为【高频考点】与【难点】评价与创造层级，要求针对特定场景（如高阻故障、宽频振荡、新能源功率爬坡事件）提出改进性网络结构设计，并通过消融实验验证创新模块的有效性。第四层级为【核心】价值内化层级，引导学生在技术方案中融入电网安全伦理意识，理解算法公平性与可解释性对电力调度决策的重要性，树立通过AI技术保障大国能源动脉安全畅通的家国情怀。

（五）教学整体架构

本专题共计十六学时，采用“大概念统摄—子任务驱动—全流程实战—高阶思维迁移”四阶螺旋进阶模式。前四学时完成认知图景构建与关键数学工具复现；中八学时聚焦三大典型场景（故障诊断与态势感知、源荷预测与不确定性量化、电网视觉巡检与拓扑辨识）的深度建模全流程；后四学时专攻模型轻量化压缩与边缘端部署、联邦学习与隐私计算、物理信息神经网络等前沿突破方向。全程贯穿七个核心工程任务，每个任务均包含“物理问题分析—数据表征设计—模型选型改进—训练策略优化—结果物化呈现”五环节。

二、教学实施过程深度设计

（一）第一课时至第四课时：原理层——从电力物理到数据表征

本阶段为【基础】与【核心】知识建构期，重点解决“电力信号如何被深度学习模型理解”这一元问题。

第一课时以“隔空取电”的无线充电场景为认知锚点，回溯法拉第电磁感应定律，进而引出变压器在电压变换与电气隔离中的核心地位。教师展示传统变压器与基于深度学习的逆变器智能诊断系统对比图，设问：当物理实体无法安装传感器时，如何仅从端口电气量反演内部健康状态？由此引出深度学习作为“虚拟数字传感器”的哲学隐喻。随后，教师呈现2023年IEEE配电网多任务故障检测挑战赛的真实数据集，包含同步相量测量单元捕获的五十万组三相电压电流时序片段，涵盖单相接地、两相短路、三相短路、高阻故障及谐波谐振五类工况。学生以四人为一小组，登录云端虚拟仿真实验室，初次直面原始波形数据。教师引导学生观察不同故障类型下电流波形包络线、畸变程度、暂态持续时间、直流分量衰减等宏观特征，并组织小组代表发言描述肉眼可见的差异性。此环节旨在建立从物理现象（电弧、过流、压降）到时域波形形态的具身关联。

第二课时进入信号数字化表征的技术内核。教师系统讲授滑动窗口采样定理与工业标准，强调对于五十赫兹工频系统，每工频周期八十个采样点是工程下限，而深度学习任务通常采用每周期一百二十八点或二百五十六点以保证高频暂态成分捕获完整性，此为【高频考点】。学生实操环节中，每人独立编写Python脚本，对原始连续波形进行非重叠与重叠滑窗切片，窗口长度设为一个工频周期二十毫秒、两个周期四十毫秒、五个周期一百毫秒三档，步长分别设为无重叠、百分之五十重叠、百分之七十五重叠。教师引导学生统计不同滑窗策略下样本扩充倍率，并讨论时间分辨率与计算效率的权衡。紧接着，引入时频分析工具箱。教师对比展示短时傅里叶变换线性时频表示与连续小波变换自适应分辨率时频图的差异。对于IGBT开路故障，其时域波形表现为半波缺失，但在小波时频图中会显现特定频带的能量塌陷；对于电容老化故障，时域几乎无感，但阻抗谱对应的特定次谐波幅值会发生漂移。学生使用MATLABSignalProcessingToolbox对同一组逆变器故障数据分别提取三种时频特征，并目视评价哪种表征对故障类别更具区分性。此环节不仅训练工具使用，更深刻建立“特征工程决定性能上限”的【难点】认知。

第三课时从人工特征工程跃迁至深度学习自动特征提取。教师以多层感知机为逻辑起点，手推反向传播算法梯度流动路径，并连接电力系统状态估计中的加权最小二乘法，阐明两者均是优化目标函数参数寻优，区别在于前者是分布式表征、后者是显式物理方程。随后引入卷积神经网络，这是本专题【核心】理论构件。教师摒弃常规的图片分类案例，完全基于电力信号构建卷积认知：将一维电流序列视为高度为1、宽度为序列长度、通道数为三相的特殊图像。一维卷积核在时间轴上滑动，每个卷积核相当于一个可学习的有限冲激响应滤波器。教师现场可视化第一层卷积层学到的卷积核权重，学生惊奇地发现部分卷积核自动演化为差分算子、积分算子或特定次谐波带通滤波器。这一发现揭示了深度学习的可解释性路径——网络并未创造超自然规律，而是以数据驱动方式重新发现了工程师熟知的信号处理基元。学生随即在PyTorch框架下搭建三层一维卷积神经网络，对绝缘子泄漏电流数据集进行正常与闪络二分类，通过改变卷积核尺寸（3、5、7）、卷积核数量（16、32、64）、是否加入批量归一化等变量，直观感受感受野与参数量的相互制约。

第四课时聚焦时序依赖性建模，以长短期记忆网络和门控循环单元为核心对象。电力系统本质是动态系统，当前状态是历史状态的函数。教师以风电场九十六点超短期功率预测为牵引任务，对比展示全连接网络将九十六个历史点平铺为特征向量（完全丧失时序结构）与循环神经网络按时间步展开的差异。利用开源校园能耗数据集，学生实操训练LSTM，调整隐藏层维度、层数、丢弃概率，并绘制预测值与真实值的叠合曲线。教师进一步引入注意力机制，阐明其物理意义：在预测未来时刻功率时，模型应更关注历史上哪些相似天气条件的时刻。学生通过可视化注意力权重矩阵，验证了模型确实将高注意力分配给了日前同一时段的序列位置。本阶段结束时，学生提交首份个人实验报告，必须包含一次消融实验，证明某一技术模块（如时频预处理的必要性、循环门机制相对传统RNN的优势）的量化贡献。

（二）第五课时至第十二课时：模型层——从数据驱动到机理融合

本阶段为【难点】集中突破期与【高频考点】密集训练期，围绕三大全场景任务展开沉浸式项目化学习。

第五至第七课时构成第一个微项目：基于多传感器融合的并网逆变器多故障智能诊断。课前，教师已在超算平台分发基于SimscapeElectrical搭建的三相两电平并网逆变器高保真仿真模型，该模型已通过硬件在环实验标定，电磁暂态行为与实物误差低于百分之三。模型预设七种故障类型：IGBT开路、IGBT短路、直流母线电容容值衰减百分之二十、直流母线电容等效串联电阻增大三倍、电流传感器恒增益偏差、电流传感器噪声方差激增、电网电压暂降。每类故障包含十个不同工况点（功率等级、开关频率、环境温度）。学生任务链条如下：首先，运行仿真模型批量导出故障数据，每样本采集故障后十个工频周期的三相电流与直流母线电压，采样率五十千赫兹。其次，学生需独立设计深度学习诊断架构。教师提供三个基线模型（纯LSTM时序模型、二维CNN时频图模型、并联双流融合模型）作为起点，但不设上限。某小组提出将电流信号的时域波形与小波时频图分别送入两个分支网络，在融合层引入通道注意力机制，让网络自动权衡时域特征与频域特征的重要性。该方案在测试集上对IGBT开路与短路这对极易混淆的故障对区分度提升百分之六。此为【重要】创新实践。教师此时介入，引导学生反思为什么注意力机制有效。学生通过可视化特征图发现：IGBT开路时，时域波形存在明显半波缺失，注意力权重更多投向时域分支；而电容老化时，时域波形畸变甚微，但在二百五十赫兹至三百五十赫兹频带出现特征谐振峰，注意力机制自动将高权重赋予时频分支。学生由此深刻领悟注意力即“特征选择器”。本阶段设置中期里程碑汇报，每组需完成七分钟全英文演讲，模拟国际会议Poster环节，接受同侪质询。

第八至第九课时为第二微项目：配电网态势感知与拓扑辨识。随着分布式光伏大量接入，低压配电网拓扑结构频繁变更，传统人工台账更新滞后。本任务提供某实际台区一年的智能电表量测数据集，包含三十个用户节点的电压、有功、无功十五分钟间隔时间序列，但拓扑连接关系被刻意隐藏。学生需利用图神经网络推断物理拓扑。教师首先讲授图论基础与图卷积神经网络的谱域与空域实现。学生面临首个【难点】——如何将配电网建模为图：节点显然是用户电表，边是什么？若直接假设所有节点全连接，计算爆炸且物理荒谬。教师引导学生从电力潮流物理本质出发：强耦合的节点间电气距离近，电压序列相关性高。学生随即计算所有节点电压序列的皮尔逊相关系数，构建相关性矩阵，通过阈值法筛选出强相关边，以此作为图神经网络的先验邻接矩阵。在此基础上，构建图自编码器模型，编码器将节点时序特征映射为嵌入向量，解码器重构邻接矩阵，训练目标是最小化重构误差。训练完成后，从解码器输出的邻接矩阵中提取最大概率生成树，与真实拓扑对照，正确率达百分之九十一。有小组更进一步，引入时序图网络，将每十五分钟的数据构造一个图快照，捕捉拓扑在日间因分布式光伏投切而呈现的时变特征。此项目让学生切身体会图神经网络在处理非欧氏空间电力数据时不可替代的优势，也理解到模型性能的天花板在于输入特征的物理保真度。

第十至第十二课时为第三微项目：输电线路绝缘子视觉巡检与缺陷识别。本任务跳出纯粹的电测数据，引入计算机视觉技术。教师分发无人机巡检拍摄的一万二千张绝缘子图像数据集，包含正常、破损、闪络三类标签，图像尺度、光照、背景复杂度极高。学生需基于YOLOv8框架完成从环境配置、数据集格式转换、预训练权重加载、模型微调到性能评估的全流程。教师重点讲解迁移学习在此场景的【核心】价值：无人机巡检数据标注成本极高，若从零初始化训练，极易过拟合；而在ImageNet亿级数据集上预训练过的骨干网络（如CSPDarknet）已具备识别纹理、边缘、角点等通用视觉基元的能力，只需在电力专业小数据集上微调即可达到工程可用精度。学生分组调优，对比冻结不同层数的迁移效果。实验数据显示，冻结前两层骨干网络，仅微调颈部与检测头，能在半小时内将平均精度均值提升至百分之九十二；若全部解冻从头训练，同等轮次下精度仅百分之七十八，且训练时间延长五倍。此结果极具工程指导价值。进一步地，教师引入类激活热力图技术，让学生将训练好的模型对误报样本进行可视化解释。当模型将一块背景岩石误检为破损绝缘子时，热力图高亮区域集中于岩石的斑驳纹理，学生立即意识到训练集中破损绝缘子样本多拍摄于山区，模型错误地将“纹理破碎”等同于“绝缘子破损”，这是典型的数据集偏差。学生针对性地采集了干净背景下的破损样本增补训练，误报率显著下降。此环节不仅教会了目标检测技术，更培育了批判性思维——深度学习模型并非绝对客观，它会放大训练数据中的任何偏见。

（三）第十三课时至第十六课时：系统层——从单点智能到协同生态

本阶段指向【核心】素养升华与前沿视野拓展，聚焦模型落地最后一公里及未来形态。

第十三课时专题为“模型压缩与边缘部署”。工业现场不允许将原始数据大量回传云端，必须在智能巡检机器人或智能融合终端就地完成推理。教师以配电物联网关为靶向平台，其算力约为两TOPS，存储空间数百兆字节。学生需将此前训练好的YOLOv8绝缘子检测模型（参数量约十一兆）压缩至三兆以内，同时帧率不低于三十帧每秒，精度下降不高于两个百分点。教师系统讲授三项核心技术。其一是通道剪枝，对批归一化层缩放因子施加稀疏正则化，训练后自动识别不重要通道直接移除；其二是权重量化，将三十二位浮点权重线性映射至八位整型，推理速度提升四倍，存储减少百分之七十五；其三是知识蒸馏，以大型教师网络（如YOLOv8x）的输出软标签指导学生网络训练，提升小模型上限。学生使用OpenVINO工具套件实操剪枝与量化，对比不同压缩策略的组合效果。某小组通过“稀疏训练—剪枝—微调—量化”四步流程，成功将模型尺寸压至二点一兆，在边缘开发板上实测帧率四十二帧，精度仅下降一点五个百分点。此项目极大增强了学生的工程自信心，破除对深度学习“大模型依赖”的迷信。

第十四课时为“分布式智能与联邦学习”。针对电力数据隐私壁垒与数据孤岛难题，教师引入联邦学习框架。设定场景：多个省级电网公司均拥有本地故障样本，但因数据安全法规无法集中训练。学生以五台独立虚拟机模拟五个客户端，每客户端持有非独立同分布数据（如A客户端以单相接地为主，B客户端以电缆局放为主）。学生基于联邦平均算法搭建仿真实验，对比集中式训练（数据理想聚合）、本地独立训练与联邦协同训练三者的性能。结果显示，联邦学习全局模型在各类故障上的平均准确率较本地孤立模型提升百分之十五，逼近集中式理想模型上限。但教师同时指出联邦学习面临的异构模型聚合、对抗攻击鲁棒性等开放挑战，并展示最新的多教师蒸馏框架，后者通过从多个教师模型学习软标签，规避了权重传递带来的隐私泄露风险-2。此环节学生不仅掌握了算法实现，更建立起符合数据主权法规的技术伦理观。

第十五课时为【热点】“物理信息神经网络”深度研讨。这是当前智能科学与电力物理深度融合的前沿。教师首先发问：当训练数据极度匮乏时（如特高压直流输电全电压等级短路试验无法重复开展），纯数据驱动模型失效，如何破局？学生通过研读最新顶会论文发现，可将偏微分方程（如发电机摇摆方程、热传导方程）作为软约束嵌入损失函数。教师演示利用物理信息神经网络求解含高比例新能源节点电力系统最优潮流的案例，网络输出直接映射为发电机有功出力与节点电压，损失函数不仅包含数据拟合误差，更包含等式约束（潮流方程）残差与不等式约束（机组出力上下限）惩罚项。学生虽不能短时间内完全复现复杂算例，但通过教师可视化解析，清晰看到在训练前期，物理残差下降主导优化方向，将参数牵引至可行域；训练后期，数据拟合项微调参数提升精度。这一范式让学生看到数据驱动与机理驱动从对立走向统一的曙光，极大激发博士阶段从事前沿交叉研究的志趣。

第十六课时为整体性表现性评价。