清华大学能动系AI赋能能源与动力技术创新研究中心

近五年来，清华大学能源与动力工程系通过“面向二级学科的研究所”与“面向研究对象的跨研究所科技创新研究中心”（简称：跨所中心）双轮驱动，积极推动学科交叉融合与协同创新，高质量服务“双碳”目标和能源动力领域的发展。

依托我系雄厚的学科基础与丰富的人才资源，跨所中心始终致力于打造高水平创新研究平台，助力科研合作，培养卓越创新人才，为我国能源与动力领域的技术进步和产业升级提供坚实支撑。

目前，聚焦人工智能赋能、燃料电池与储能、空天能源动力、能源环境技术、碳减排等关键研究方向的5个跨所中心，通过整合学术资源与技术优势、积极对接国家战略需求和大能源产业布局、加快推动学术研究与产业发展深度融合、不断深化国际科研合作与创新实践，综合研究能力持续跃升，为国家能源科技创新事业注入了强劲动力。

我们将通过系列推送介绍我系跨研究所科技创新研究中心的建设进展与创新成果，诚邀您的关注与见证，共同期待跨所中心的蓬勃发展。

AI赋能能源与动力技术

创新研究中心

Innovative Research Center for AI Enabled Energy and Power Technology

AI赋能的流体工质热物性理论表征

研究聚焦于流体工质热物性的理论表征方法，结合有限实验数据构建高精度广范围的流体热物性计算预测模型，利用符号回归、神经网络等AI技术赋能热物性规律探索及计算预测。基于符号回归探索实验数据中蕴含的热力学规律，辅助建立热物性精确计算模型；基于理论模型与实验数据训练神经网络，在保持计算精度的同时快速迭代计算热物性，强化理论模型能力，提高计算效率，助力流体工质热物性的实际应用。

（c）可解释机器学习探索流体热物性显式模型流程示意

（d）结合物理信息与深度前馈神经网络的

热物性高精度计算模型

AI赋能的流体工质热物性理论表征

AI赋能传热学/多相流

为解决对流换热过程中由于物性变化剧烈、通道结构复杂、多尺度耦合导致的物理场测量困难、计算成本高的问题，将热物理知识与数据驱动的方法融合，开展了AI赋能的传热学和多相流研究。

（1）变物性流体对流换热预测：

高度非线性的变物性流体流动换热行为难以用简单的数学模型和测量方法量化，故提出基于物理信息的深度学习框架。通过将物理信息神经网络、热物性模块和水力参数化模块融合，有效解决了热物性梯度推导、稳态实验与瞬态物理约束时间尺度不一致的问题，实现了从稀疏的实验测量和数值模拟中直接推导物理场的高效计算方法，为处理复杂流动传热问题提供了新的研究思路。

内嵌物性的参数化物理信息神经网络

（2）AI赋能多孔介质多相流场预测：

针对多孔介质多相流动物理过程空间尺度跨度大，多相流场预测速度与精度难以兼容的问题，研究多孔介质多相渗流物理场人工智能快速预测模型。融合深度视觉神经网络架构，突破传统全耦合方程组迭代式求解方法的计算能力上限，建立快速、准确、稳定的多孔介质多相流动智能科学计算共性框架。

AI赋能多孔介质多相流场预测模型框架

（3）AI赋能的换热器建模方法：

针对现有换热器建模方法在准确性、计算速度和计算成本方面的不足，提出了机器学习赋能的通用换热器建模与优化方法。通过将对流换热性能数据库、LightGBM算法、换热器降维建模和多目标遗传算法结合，突破了不同换热器类型、流动布置方式和通道结构差异带来的技术壁垒，实现了换热器热力性能和水力性能的快速、准确计算，以及多目标约束下复杂几何结构的寻优。

AI赋能通用换热器建模与优化方法

AI赋能的燃烧反应动力学与复杂流动模拟

AI赋能的燃烧反应动力学及燃料设计：利用人工智能算法结合实验自动化自主获得燃烧反应动力学信息最大化的实验数据集(OptEx平台)，快速获得燃烧反应动力学预测模型；基于人工智能算法的燃料燃烧特性预测及燃料设计。

燃烧反应动力学实验设计与模型优化平台

针对先进动力系统的复杂流动与燃烧动力学研究中实验测量成本高、仿真计算效率低等难题，开展数据驱动的参数化降阶代理模型研究，实现不同参数条件下的燃烧物理场高效、准确预测；通过耦合卷积自编码器和克里金模型，提升代理模型的非线性表达能力；进一步结合优化算法，建立基于代理模型的快速寻优方法，以满足工业设计的快速迭代需求。

基于卷积自编码器和克里金模型的

参数化降阶代理模型

智能低碳燃烧发电技术

针对燃煤电厂锅炉受热面超温问题，提出基于时空融合深度神经网络的壁温预测方法，以锅炉运行风/煤/水和负荷等参数为因果或关联变量，准确预测高温受热面壁温，实现超温预警，为锅炉安全运行提供实时保障。在某大容量燃煤锅炉进行验证，对数百个壁温监测对象同时预测，平均误差优于3.5℃，时间提前量约1.5分钟。该方法克服了传统LSTM模型难以大规模并行训练和预测、难以解析壁温关联关系及其与关键物理变量长期因果规律的局限性。

面向燃煤电站低碳经济运行及掺氢/氨燃料供能系统优化，研究机理模型与大数据分析耦合的能耗寻优与运行优化策略，构建能量管控云平台，实现能流与碳流的实时采集、分析与共享，推动清洁供能低碳优化运行及氢/氨全流程监控预警。该系统在350MW机组应用示范节煤达0.5g/kW·h，入选国资委数字化场景案例，在0.5MW高温一维炉实验系统上实现氨煤掺烧的实时数据采集与监控。

0.5MW高温一维炉实验系统能量管控云平台

可再生能源超短期预测方法

面向风光火储一体化沙戈荒能源大基地，为应对由于云彩特别是积云带来的太阳辐照的间歇性波动导致的光伏发电不稳定、集中式光热电站集热塔受热不均等稳定和安全运行难题，提出以云影直接追踪和特征提取为核心的创新技术路线，基于时空融合的深度神经网络模型开展云影运动和光学特征识别与预测，实现光伏发电的超短期负荷预测及光热发电的云彩遮光区域和强度预测。

超短期光伏功率预测技术路线

动力装备智能诊断与健康管理

针对动力装备监测参数多、数据多时间尺度和数据孤岛化问题，构建数据模型与专业知识融合的诊断策略。

研究因果推理的表达与度量，形成基于时空模式网络的数据建模方法，提出无监督异常识别、根因分析及定位方法。在分布式学习、迁移与对抗学习等方面发展了适用于动力装备的智能诊断框架。

研究基于AI大模型的多智能体协同框架，结合专业模型、检索增强生成、思维链、时序大模型等技术，建立应用与开发平台，实现AI大模型在能源与动力系统多个场景中的高效应用。

动力装备智能诊断框架

AI赋能核电领域

人工智能技术深入应用于核电厂优化控制、设备健康管理和数字孪生领域，显著提升运行效率和安全性能，推动核电产业健康发展。

优化控制：通过智能控制系统，实时监测与分析核电机组运行参数，实现精确控制与运行策略优化，提高经济性与安全性，助力提质增效。

设备健康管理：AI技术实现设备状态实时监测、故障预测与维修优化，提前发现隐患，制定合理维修计划，降低故障率，提升可靠性与整体效益。

数字孪生：AI支持核电厂全生命周期模拟与分析，优化设计、提高建设质量、缩短周期，并在运营阶段提供决策支持，助力提质增效。

基于时空特征融合的高噪声条件下

核电厂破口事故智能诊断框架

中心主任蒋东翔教授

AI赋能能源与动力技术创新研究中心目前拥有12名专家，中心成员在热物性测量与智能预测、数据驱动的燃烧反应动力学分析与设计、高保真流体智能仿真平台、智能低碳燃烧发电、智能控制、数据和模型混合驱动的动力装备诊断与维护策略等方面已取得突出成果，承担了人工智能赋能能源动力技术方面的LJ基础研究、重点研发计划等国家级项目，获得了国家、省部级多项科技奖励。

AI赋能能源与动力技术创新研究中心与国内外研究机构美国斯坦福大学，美国麻省理工学院、美国佐治亚理工学院、德国亚琛工业大学、匈牙利罗兰大学、美国桑迪亚国家实验室、香港中文大学、香港理工大学、澳大利亚墨尔本大学等建立了广泛的合作关系，共同推进AI前沿技术在能源与动力系统中的应用和创新。与国内相关行业合作密切，与华能集团、华电集团、大唐集团、国家能源集团、东方电气集团、金隅集团等本领域央国企开展了大量新技术研发与应用工作。

AI赋能能源与动力技术创新研究中心专注于人工智能前沿技术与能源动力领域应用场景的深度融合，致力于构建融合精准物理机理的高效AI预测理论与方法，发展兼顾效率与精度的多学科协同仿真技术，探索人工智能在基础热科学问题、数字孪生技术、能源动力系统优化与装备智能运维等方向的创新应用，加速AI大模型在能源动力领域的突破性研究，助力行业向更加绿色、高效、智能的未来迈进，为能源动力技术创新发展提供新动能。

电话

15101145951

邮箱

cliu5@tsinghua.edu.cn

地址

北京市海淀区清华大学能动系燃气轮机实验室211