Current Issue: <JZUS-A>
Journal of Zhejiang University-SCIENCE A (Applied Physics & Engineering)
ISSNs 1673-565X (Print); 1862-1775 (Online); CN 33-1236/O4; started in 2000,Monthly.
JZUS-A is a peer-reviewed physical and engineering journal, indexed by SCI-E, Ei Compendex, INSPEC, CA, SA, JST, AJ, ZM, CABI, ZR, CSA, etc. It mainly covers research in Applied Physics, Mechanical and Civil Engineering, Environmental Science and Energy, Materials Science and Chemical Engineering, etc.
Impact factor: 0.408 (2011), 0.527 (2012), 0.608 (2013), 0.882 (2014), 0.941 (2015), 1.214 (2016), 1.215 (2017), 1.369 (2018).
Journal of Zhejiang University-SCIENCE A
ISSN 1673-565X(Print), 1862-1775(Online), Monthly
2026 Vol.27 No.8 P.779-910
<7> <7><<< CONTENTS
Special Issue (Part I) on Artificial Intelligence for Carbon Neutrality: Pioneering a New Paradigm for Future Energy Systems Research
Guest Editor-in-Chief: Xiaojie LIN; Guest Editors: Jian LI, Rui JING, Zuming LIU, Bowen WANG, Peng LI, Chang HUANG
Editorial
Xiaojie LIN, Jian LI, Rui JING, Zuming LIU, Bowen WANG, Peng LI, Chang HUANG
DOI: 10.1631/jzus.A26ED001 Downloaded: 7 Clicked: 17 Cited: Commented: 0(p.779-782) <Full Text>
机构：1浙江大学，能源工程学院，中国杭州，310027；2北京理工大学，机械与车辆学院，中国北京，100081；3厦门大学，能源学院，中国厦门，361102；4上海交通大学，智慧能源创新学院，中国上海，200240；5天津大学，机械工程学院，中国天津，300354；6华北电力大学（保定），动力工程系，中国保定，071003；7暨南大学，国际能源学院，中国珠海，519070
概要：碳中和目标正在推动现代能源系统由集中、单一和确定的运行模式向分布式、多能耦合和高度不确定的形态加速演进。风能、光伏、储能、氢能及供热网络的大规模发展对能源系统的预测、规划、调度、控制和全生命周期管理提出了更高要求。人工智能可通过数据驱动预测、物理信息学习、强化学习、智能优化、数字孪生和生成式模型加快高保真模拟，提升可再生能源预测与消纳能力，促进电-热-气-氢协同调度，并服务于设备设计、故障诊断、材料发现、碳核算和排放监测。本专辑聚焦人工智能与低碳能源工程的深度融合，强调将物理机理、不确定性量化、安全约束和可解释决策嵌入智能方法，推动能源研究由黑箱预测迈向可信决策、由单一设备优化迈向系统与全生命周期协同。未来需进一步解决数据共享、模型泛化、网络安全、隐私保护及工程验证等问题，为构建安全、经济、韧性和可验证低碳的未来能源系统提供科学依据与技术支撑。
关键词组：
Review
Xu ZHOU, Songjie WANG, Yanhao FENG, Xueru LIN, Wenxuan GUO, Nan ZHANG, Lingkai ZHU, Wei ZHONG, Zitao YU, Xingtao TIAN
DOI: 10.1631/jzus.A2600093 Downloaded: 774 Clicked: 504 Cited: 0 Commented: 0(p.783-808) <Full Text> <PPT> 8
机构：1浙江大学，能源工程学院，中国杭州，310027；2济南热力集团有限公司，中国济南，250011；3浙江英集动力科技有限公司，中国杭州，311121；4国网山东省电力公司电力科学研究院，中国济南，250002；5浙江大学，浙江省清洁能源与碳中和重点实验室，中国杭州，310027；6太原理工大学，煤电清洁智能控制教育部重点实验室，中国太原，030024
目的：区域供热系统正面临低碳转型、可再生能源接入、供需不确定性增强以及基础设施更新等多重挑战。本文旨在系统梳理人工智能技术在区域供热系统全生命周期中的应用现状，分析其在规划设计、施工更新、运行控制以及维护诊断等阶段的作用机制，并提出面向全生命周期数据贯通与智能决策集成的数字主线框架，以支撑下一代区域供热系统的高效、低碳和智能化演进。
方法：1.通过文献综述，系统梳理人工智能在区域供热系统规划设计、施工更新、运行控制、维护诊断等生命周期阶段中的典型应用（图2~4）；2.分析机器学习、深度学习、强化学习、进化算法、多智能体系统和自然语言处理等方法在负荷预测、优化设计、施工管理、运行控制和故障诊断中的作用（表1和图11）；3.构建区域供热系统数字主线与人工智能融合框架，以支撑跨阶段数据贯通、知识反馈和闭环优化（图12）。
结论：1.人工智能可提升区域供热系统全生命周期的设计效率、施工管理水平、运行控制精度和故障诊断能力；2.现有研究仍存在阶段割裂和数据孤岛问题，并且缺乏跨阶段协同与系统级优化；3.所提数字主线框架可促进规划、施工、运行和维护之间的信息贯通，为区域供热系统低碳化、智能化演进提供支撑。
关键词组：
Research Articles
Zhongli BAI, Qiang GAO, Hongzhi ZHANG, Junjie LIU, Yuehui JI, Yu SONG, Xu CHENG
DOI: 10.1631/jzus.A2500598 Downloaded: 1288 Clicked: 1078 Cited: 0 Commented: 1(p.809-824) <Full Text> <PPT> 9
机构：1天津理工大学，天津市新能源电力变换传输与智能控制重点实验室，中国天津，300384；2天津理工大学，电气工程与自动化学院，中国天津，300384；3天津理工大学，海运学院，中国天津，300384；4天津理工大学，计算机科学与工程学院，中国天津，300384
目的：本研究专注于高可再生能源渗透的能源园区，利用双向激励需求响应（B-IDR）机制实现需求侧响应，通过电-电量状态（SOC）软惩罚降低储能使用频率，延长储能设备使用寿命。
创新点：1.提出了一种电-SOC软惩罚机制，以保持储能设备的灵活性和延长使用寿命。2.提出了基于B-IDR机制，通过反馈价格波动捕捉不对称需求响应。3.结合长短期记忆网络（LSTM）的时序感知能力，提高了强化学习调度的稳定性和效率。
方法：1.提出一种基于LSTM-SAC调度器的优化框架，用于解决高渗透可再生能源下的电-热-氢综合能源系统（IES）调度问题。该方法结合多能储存与双向激励需求响应（B-IDR）机制，通过LSTM增强的柔性动作-评价（SAC）调度器捕捉风电、光伏输出及负荷变化等短期动态特征，优化能源管理策略。2.在低碳经济调度模型中，综合考虑能源采购、碳排放、设备运行损耗等多个成本因素，并通过多场景模拟验证该方法在降低系统总成本、碳排放和可再生能源削减成本方面的有效性。
结论：1.通过结合B-IDR和储能系统的调度优化，本研究提出的方法显著降低了储能系统的循环负荷，提高了系统的经济性和碳减排效果。2.随着多能耦合技术的应用，尤其是在氢气储能路径的引入下，系统的低碳调度效果得到了显著改善。本研究的成果为高渗透可再生能源的低碳优化调度提供了新思路，并为未来能源市场的优化调度策略提供了实践依据。
关键词组：
Yuchao YAN, Qiao HUANG, Tianfang XIE, Jinlong LIU
DOI: 10.1631/jzus.A2500457 Downloaded: 2434 Clicked: 1781 Cited: 0 Commented: 463(p.825-836) <Full Text> <PPT> 10
机构：1浙江大学，动力机械及车辆工程研究所，中国杭州，310027；2中国计量大学，信息工程学院，中国杭州，310018；3普渡大学，航空与航天工程学系，美国西拉法叶，47907
目的：反应力场（ReaxFF）分子动力学（MD）可被用于刻画发动机相关的燃烧化学反应的时间演化，但计算成本高，而机器学习代理模型有望在降低成本的同时保持预测精度。鉴于现有应用多以前馈神经网络（FNN）为主，时间依赖往往需通过特征工程间接引入，所以本文评估序列感知循环网络（LSTM）在ReaxFFMD燃烧化学时间序列代理建模中的有效性与适用性。
创新点：1.强基线对照：在"显式时间输入"的FNN强基线之上，证明其系统性仍弱于LSTM，且差异来自前馈结构缺乏记忆状态（而非网络加深不足）；2.结论可迁移：明确指出在历史依赖的反应动力学时间序列中，序列感知循环架构相较前馈模型更具优势，并为ReaxFFMD时序代理建模提供模型选型依据。
方法：1.基于ReaxFFMD获得C2H4/NH3热解过程中与多环芳烃（PAH）形成相关的中间产物组的轨迹数据，并构建燃烧化学时间序列样本；2.建立FNN基线模型，并将时间作为显式输入特征进行预测，然后通过增加网络深度考察其性能上限；3.建立LSTM序列模型，并利用门控记忆机制学习时间依赖关系，以实现对轨迹演化的序列建模；4.在统一的数据划分与评价指标下，对FNN与LSTM的预测性能进行对比分析，并评估序列感知模型相对前馈模型的优势与适用性。
结论：1. FNN在引入显式时间特征后性能有所提升，但总体预测精度仍低于LSTM，即使加深网络也难以弥补差距；2. LSTM借助门控记忆更有效学习历史依赖动力学，并显著提升燃烧化学时间序列预测准确性，且训练完成后可作为高效代理模型降低ReaxFFMD时序建模成本；3.在ReaxFFMD反应轨迹的时序代理建模场景下，当动力学存在明显历史依赖时，LSTM相较FNN更具优势。
关键词组：
Hierarchical learning method for array flow field prediction integrated with a deep neural network
Shanxun SUN, Zijiang XU, Zhuoheng WANG, Shuangshuang CUI, Ting HE, Yang CAI
DOI: 10.1631/jzus.A2500344 Downloaded: 1181 Clicked: 1461 Cited: 0 Commented: 1(p.837-851) <Full Text> <PPT> 10
机构：1暨南大学，能源电力研究中心，中国珠海，519070；2粤港澳大湾区气象智能装备研究中心，中国广州，510530
目的：实时、准确地获取动态尾流信息对于风电场的风资源评估和运行优化至关重要。本文旨在提出一种高精度、低数据依赖的风电场尾流预测方法，以解决现有方法在预测精度与计算效率之间的矛盾。
创新点：1.提出了一种集成深度神经网络的分层学习框架；通过结合物理模型（Navier-Stokes方程）与数据驱动模型，实现了对风电场三维时空流场的精准预测。2.基于流场加速度进行分层采样：对高动态区域保留全部数据，而对变化平缓区域进行稀疏采样，从而显著降低了物理信息神经网络（PINN）对大规模流场预测的训练数据需求。
方法：1.基于PINN构建集成框架，其包含用于拟合数据的数据神经网络（Data-NN）和嵌入Navier-Stokes方程作为物理约束的偏微分方程神经网络（PDE-NN）；2.采用基于加速度阈值的数据分层采样策略，将处理后的数据分别输入小尺度PINN（学习局部变化）与大尺度PINN（学习全局趋势），并最终融合为一个网络进行联合训练；3.利用OpenFOAM软件进行高保真大涡模拟（LES），并将12台NREL 5MW风电机组阵列的尾流数据作为训练集，然后通过添加高斯噪声模拟实测数据；4.将所提方法与多层感知机（MLP）和卷积神经网络（CNN）进行对比，并采用最大误差（MaxE）、最小误差（MinE）、平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）等指标评估预测性能。
结论：1.提出的分层学习模型能够有效学习风电场的高动态变化区域与全局流动规律，从而实现了对机组阵列尾流场的高精度重建；在尾流效应显著或阻塞效应强烈的区域，模型依然能准确捕捉风速的剧烈变化与湍流结构。2.该方法在显著降低了训练数据量的同时，提升了预测的物理一致性与时空泛化能力，为大型风电场，特别是海上及复杂地形风电场的尾流分析和实时控制提供了可靠的技术支撑。
关键词组：
Peng ZHAO, Jiahui ZHOU, Guangyao LI, Hao YU, Dongxu JI, Takahiko MIYAZAKI, Kyaw THU
DOI: 10.1631/jzus.A2500628 Downloaded: 1046 Clicked: 717 Cited: 0 Commented: 0(p.852-870) <Full Text> <PPT> 9
机构：1九州大学，工学系跨学科大学院，先进环境科学与工程学系，日本福冈，816-8580；2九州大学，情报科学与电气工学研究科学部，信息科学与技术系，日本福冈，819-0395；3香港中文大学（深圳），理工学院，中国深圳，518172；4九州大学，碳中和能源国际研究所（I2CNER），下一代制冷剂物性研究中心（NEXT-RP），日本福冈，819-0395
目的：针对生物质基活性炭设计中存在的合成路线异质性强以及比表面积（SBET）、总孔容（VT）和收率（Myield）之间多目标权衡显著的问题，本文旨在构建一种兼具高预测精度、可解释性和工艺决策支持能力的人工智能方法，实现对不同活化剂及一步法/两步法工艺条件下活性炭关键性能的联合预测与优化指导。
创新点：1.提出了一种机制增强多任务蒸馏框架AC-ResKD，以共享残差深度网络（ResDNN）为骨架，同时引入预测层知识蒸馏（PD-KD）和教师感知知识蒸馏（TA-KD）两类先验信息；2.面向活性炭合成中一步法与两步法机理混合、小样本、强非线性的数据特点，将工艺变量与教师模型输出联合建模，提升了多目标预测的稳定性与可解释性；3.在预测之外，进一步结合稳健帕累托筛选与分位数窗口提取，给出了面向不同活化剂和工艺路线的可执行操作区间，实现了从"性能预测"到"工艺决策"的延伸；4.揭示了不同路线下变量作用机制的差异：一步法中浸渍条件对VT更关键，而两步法中热解相关变量的重要性明显上升，体现出较清晰的机理一致性。
方法：1.以文献数据为基础，构建合并数据集、一步法数据集和两步法数据集三种数据配置，输入变量包括活化剂类型、活化温度/时间、浸渍条件、升温速率以及前驱体组成等工艺因素，输出SBET、VT和Myield三个目标；2.建立共享骨干的多任务ResDNN学生模型，并分别与普通监督学习（Vanilla-SL）、PD-KD和TA-KD进行对比；3.采用20次重复随机80/20划分进行训练与测试，报告原始物理单位下的平均值和95%置信区间，以保证结果的稳健性和可重复性；4.通过置换特征重要性/夏普利加性解释（PFI/SHAP）可解释性分析识别关键驱动因素，并结合帕累托优化与分位窗口提取给出多目标约束下的推荐工艺区间。
结论：1.所提出的AC-ResKD框架能够在异质、小样本活性炭合成数据上实现准确且稳健的多目标预测；其中TA-KD整体表现最佳，尤其对Myield的提升最为显著。2.与合并建模相比，分路线建模具有更好的单调性、更低的偏差和更高的校准性，说明一步法与两步法应尽量分开建模。3.两步法在VT预测上表现更优，表明预碳化过程对孔结构形成具有"预设/预整形"作用；一步法中VT主要受浸渍阶段控制，而两步法中热解变量作用更突出。4.该方法不仅能够提供预测结果，还能给出面向不同活化剂和工艺路线的温度-剂量-时间操作窗口，为活性炭的智能设计、参数调优和逆向工艺筛选提供了可操作依据。
关键词组：
Kai ZHAO, Chunming SHAO, Xiaoxia SUN, Yuanqing XIA, Qiangqiang LI, Lili SHEN, Min LIN, Zhi LI
DOI: 10.1631/jzus.A2500474 Downloaded: 1066 Clicked: 730 Cited: 0 Commented: 0(p.871-884) <Full Text> <PPT> 10
机构：1中国北方车辆研究所，推进系统技术部，中国北京，100072；2北京理工大学，复杂系统智能控制与决策重点实验室，中国北京，100081；3浙江大学，动力机械及车辆工程研究所，中国杭州，310027
目的：揭示海拔高度（0~5000 m）对错列翅片换热器流动与传热性能的影响规律，并且解决传统计算流体动力学（CFD）仿真效率低、难以支撑多方案快速优化的问题，最终构建适用于高海拔环境的错列翅片高效优化方法。
创新点：1.从微观边界层角度阐明高海拔下换热器性能衰减机制，并且填补高海拔下翅片微尺度流动传热机理的研究空白；2.构建数值仿真、梯度提升决策树（GBDT）机器学习与改进非支配排序遗传算法（NSGA-II）相结合的优化框架，以突破传统CFD优化效率瓶颈；3.实现错列翅片的多目标协同优化，从而实现在压降不变时换热系数提升23%，换热系数不变时压降降低17%。
方法：1.建立错列翅片周期性单元的CFD模型，并且采用重整化群k-ε湍流模型模拟0~5000 m海拔下的流动传热特性，然后经网格无关性与实验验证；2.生成180组工况数据集，并通过对比决策树（DT）、人工神经网络（ANN）和GBDT三种机器学习模型的预测精度，筛选最优代理模型；3.以翅长和翅间距为优化变量，耦合GBDT与改进NSGA-II算法开展多目标优化，以获取Pareto最优解。
结论：1.当海拔升至5000 m时，换热器压降降低23%，换热系数降低18%，并且边界层增厚是性能衰减主因；2. GBDT模型对压降与换热系数预测精度最高（R2≈1.0），这说明其适合作为高海拔翅片性能快速预测的代理模型；3.基于GBDT与改进NSGA-II的优化方法可显著提升错列翅片高海拔适应性，并且工程应用价值突出。
关键词组：
Physics-informed deep learning for data-efficient and robust photovoltaic power forecasting
Chang HUANG, Xuanbin HUANG, Jinmin GUO, Zhuo CAO, Ting HE, Wentao SHANG
DOI: 10.1631/jzus.A2500582 Downloaded: 1398 Clicked: 1272 Cited: 0 Commented: 0(p.885-896) <Full Text> <PPT> 10
机构：1暨南大学，能源电力研究中心，中国珠海，519070；2北京清能互联科技有限公司，中国广州，510510
目的：光伏发电功率具有极强的波动性和不确定性。现有的纯数据驱动预测模型在缺乏历史数据（小样本）或面临复杂多变气象条件（分布漂移）时，往往泛化能力较差。本文旨在提出一种融合物理机理与深度学习的混合预测框架（PIDL-HM），通过引入明确的物理约束，解决新建电站数据匮乏及非平稳环境下的预测难题，提高光伏功率预测的准确性、数据效率与鲁棒性。
创新点：1.提出了一种物理信息深度学习混合模型（PIDL-HM），通过将"白箱"物理建模与"黑箱"数据驱动挖掘深度融合，建立了一种超越简单误差修正的原则性集成框架。2.构建了基于物理模型链的特征工程方法，将数值天气预报数据转化为具有明确物理意义的中间变量（如阵列面辐照度和组件温度），为神经网络提供了稳定的物理链。3.实现了在极小样本数据（仅需3个月）下的高精度预测，突破了传统深度学习模型对海量历史数据的依赖，显著降低了新建光伏电站的投运门槛。
方法：1.基于天文学几何关系和热力学传热方程，构光伏物理转换模型链，并计算关键物理特征。2.将生成的物理特征与气象数据共同输入卷积神经网络-长短期记忆网络（CNN-LSTM），并利用CNN提取局部特征以及利用LSTM捕捉长时序依赖。3.利用中国（广州、三明）和澳大利亚（爱丽丝泉、堪培拉）等多个不同气候区的光伏电站实测数据，设计15分钟、4小时及24小时等多时间尺度的预测实验进行验证。
结论：PIDL-HM在多时间尺度预测任务中均展现出优于纯数据驱动模型的综合性能，特别是在日前预测中的均方根误差降低了约8.93%。更关键的是，得益于物理机理的有效引入，该模型展现出卓越的数据效率与鲁棒性。它不仅在只有3个月历史数据的极端小样本条件下维持了高精度预测，有效解决了新建电站冷启动难题，而且在面临跨季节数据分布漂移的非平稳环境下仍能保持稳定，且相比基准模型性能提升达6.87%，为复杂气象条件下的光伏功率预测提供了一种可靠且具有物理可解释性的解决方案。
关键词组：
Xiao ZHENG, Junliang ZHAO, Yuchao YAN, Zhentao LIU
DOI: 10.1631/jzus.A2500493 Downloaded: 1629 Clicked: 1409 Cited: 0 Commented: 463(p.897-910) <Full Text> <PPT> 10
机构：浙江大学，动力机械与车辆工程研究所，中国杭州，310027
目的：混合动力履带车（HETV）在复杂工况下面临严峻的热安全和能耗挑战，传统热管理策略难以兼顾高精度温度控制与多目标协同优化。本文旨在探讨一种集成门控循环单元、多头注意力、双延迟深度确定性策略梯度与模型预测控制（GMA-TD3-MPC）的分层热管理框架，以协同优化温度控制精度、系统能耗和运行安全。
创新点：1.将深度强化学习（GMA-TD3）与模型预测控制（MPC）进行动态整合，并通过动态阈值触发机制在接近热安全边界时无缝切换至MPC控制器，兼顾了数据驱动的全局寻优与基于模型的局部边界安全性；2.在TD3算法中引入门控循环单元（GRU）与多头注意力（MHA）机制，有效提取强时间序列依赖特征并强化关键决策信息，克服了传统强化学习过滤次优动作时的局限性。
方法：1.通过建立GT-SUITE物理仿真模型，并采用广义回归神经网络（GRNN）建立发动机相关热源组件的散热预测模型，实现对多物理场耦合热环境的精确映射（图1和2）；2.通过理论推导与奖励函数设计，构建GMA-TD3-MPC分层架构，并运用动作选择模块和混合函数实现兼顾安全及能耗的温度控制（图3、公式(1)~(7)）；3.通过引入典型履带车驾驶循环工况，在标准温度（25 °C）和高温（45 °C）下进行联合仿真验证，对比分析所提策略在温度控制及能耗上的可行性和有效性（图5~8）。
结论：1.引入GRU与MHA机制的GMA-TD3算法具备优异的训练收敛性，收敛速度较深度确定性策略梯度（DDPG）和TD3分别提升了约28%和40%。2.运用GMA-TD3-MPC适应性策略后，温度控制精度显著提升；在标准环境越野工况下，高、低温回路的温度波动幅度较单独MPC分别降低了44.19%和6.45%，有效避免了系统过热风险。3.适应性控制策略实现了能耗的大幅优化，在25 °C工况下总能耗较MPC降低5.54%，峰值功率需求降低10.63%；在45 °C高温极端工况下，总能耗大幅下降了13.41%，因此热管理系统整体性能得到显著提高。
关键词组：