知识卡片：用可动手执行的框架架起人工智能与电力系统教育的桥梁

一句话结论

本文提出了一套面向电力系统领域AI教学的开放、可执行模块库（Jupyter Notebooks），通过由浅入深的任务阶梯，帮助初学者和跨学科学习者绕过“跑通AI模型”的障碍，实践工程接地AI（EGAI）。

事件概述或研究问题

AI在电力与能源系统中的重要性日益增加，用于建模、预测、优化和控制。然而，现有工作多聚焦专门应用，缺少可供新手和跨学科学习者复用的教学材料；这些学习者越来越多依赖大语言模型而非自行构建模型。论文指出需要“工程接地AI”（Engineering-Grounded AI, EGAI），即AI工作流应遵循工程和电力系统领域规则，而非充当与任务无关的黑箱。一项针对研究人员和从业者的社区调查显示：92%的受访者在运行AI模型前至少遇到一个障碍；94%希望有电力专用的动手课程。

方法/产品要点

该框架包含一个开放的、可执行的模块库，模块按照渐进难度阶梯组织，将核心AI概念映射到代表性电力系统任务：

基础模块：深度神经网络（DNN）模板，用于函数逼近和负荷曲线拟合。
领域耦合模块：用于5节点系统潮流计算的卷积神经网络（CNN）代理模型。
前沿模块：DNN辅助优化、用于电池储能控制的深度强化学习（DRL），以及用于摆动方程的物理信息神经网络（PINN）。

所有模块均以Jupyter Notebook形式发布，可在本地或Google Colab运行，并通过IEEE在线课程和IEEE电力与能源协会（PES）网络研讨会系列交付。

主要结果或产业意义

该框架的PES网络研讨会吸引了超过590名现场参与者，成为IEEE PES观看人数最多的十场网络研讨会之一；两周内仓库访问量超过344次。这些数据为调查所显示的社区需求提供了佐证，也说明开源可执行教学材料在电力AI教育中有实际吸引力。

为什么重要

这项工作的增量价值在于：它从“教育可复用性”角度切入AI与电力系统交叉领域，而不是提出新的专用AI算法。它明确倡导EGAI，并提供了一套可复制、可扩展的分级教学路径，使AI方法在电力系统领域不再是黑箱。这与已有相关卡片中“面向AI代理的文档解析基准”或“红外成像结合AI”等主题不同，属于面向电力系统AI教育的开放基础设施。

局限与不确定性

摘要未提供社区调查的样本量、调查对象范围和具体问题设计，相关统计的细节待核实。
未给出模块库的代码仓库地址、许可证、依赖环境等具体信息，待核实。
未说明5节点系统的具体算例参数、CNN代理模型的精度或训练成本，待核实。
未报告学习者的学习成效评估或课程质量反馈，仅给出参与度数据，待核实。
论文是否经过同行评审、是否在IEEE相关期刊或会议发表，待核实。

可用于图书/PPT/简报的角度

用“渐进难度阶梯”设计AI教学：从DNN到CNN再到PINN，如何对应电力系统不同任务。
开源社区在专业教育中的触达效果：以webinar参与人数和仓库访问量作为案例。
“工程接地AI”概念可作为一个有辨识度的框架，用于讨论AI在工程领域应用中应遵循领域规则。

原始材料

英文标题：Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework
英文关键词（基于标题和摘要整理）：Artificial Intelligence; Power Systems Education; Executable Framework; Engineering-Grounded AI; Jupyter Notebooks
原始来源：arXiv:2608.02599v1 [eess.SY]
URL: https://arxiv.org/abs/2608.02599v1
PDF: https://arxiv.org/pdf/2608.02599v1