本书主要包含四部分内容，侧重于从能源领域工程实际和科学研究的需求角度出发，阐述用人工智能大数据方法解决能源系统问题的知识和方法论。**部分介绍能源系统信息采集中常见数据类型及数据预处理方法，包括适用于能源系统的异常值识别、缺失值处理、数据规范化、数据转换及分割方法等；第二部分介绍无监督学习方法及其在能源系统工程中的典型应用，包括聚类分析、关联规则挖掘和知识后挖掘方法；第三部分介绍监督学习方法及其在能源系统预测建模中的应用要点，包括特征工程、算法选择、模型优化和模型解读方法；第四部分介绍能源系统优化方法，主要从评价指标、建模方法和优化算法等方面讲述能源系统在设计和运行阶段的优化思路及案例。 本书可作为高等院校能源系统工程和人工环境工程等专业与人工智能领域相结合的跨学科专业教材，也可以作为工程技术人员和管理人员的参考读物。

目 录 前言 第1章 绪论 1 1.1 能源系统工程与人工智能 1 1.2 人工智能发展历程 2 1.3 本书的内容结构 3 思考与练习 4 第2章 数据预处理方法 5 2.1 能源系统中的数据 5 2.1.1 能源系统运行数据常见格式及 特点 5 2.1.2 能源系统运行数据的表现形式 6 2.1.3 数据预处理的必要性 6 2.2 能源系统运行数据清洗方法 7 2.2.1 常见的缺失值处理方法 7 2.2.2 常见的异常值识别方法 10 2.3 能源系统运行数据降维方法 13 2.3.1 样本维度的降维 14 2.3.2 变量维度的降维 14 2.4 能源系统运行数据规范化方法 15 2.5 能源系统运行数据转换方法 17 2.5.1 连续数值型-类别型变量转换 方法 17 2.5.2 类别型-连续数值型变量转换 方法 18 2.6 能源系统运行���据分割方法* 18 思考与练习 21 第3章 无监督学习方法 22 3.1 总论 22 3.1.1 能源领域无监督学习方法概述 22 3.1.2 典型能源应用场景 23 3.1.3 无监督学习的一般流程 24 3.2 基于聚类的无监督学习 24 3.2.1 引言 24 3.2.2 基本概念 25 3.2.3 基于原型的聚类 38 3.2.4 基于密度的聚类 42 3.2.5 基于层次的聚类 46 3.2.6 课外阅读 51 3.3 基于关联规则挖掘的无监督学习 51 3.3.1 引言 51 3.3.2 基本概念 51 3.3.3 Apriori算法 54 3.3.4 频繁模式增长算法 61 3.3.5 课外阅读 73 3.4 知识后挖掘 73 3.4.1 引言 73 3.4.2 聚类后挖掘 74 3.4.3 关联规则后挖掘 83 3.4.4 课外阅读 84 3.5 总结与展望 85 思考与练习 85 参考文献 86 第4章 监督学习方法 87 4.1 总论 87 4.1.1 监督学习基础概念 87 4.1.2 典型能源应用场景 88 4.1.3 基于监督学习的预测建模流程 91 4.2 特征工程 92 4.2.1 引言 92 4.2.2 特征筛选方法 92 4.2.3 特征构建方法 100 4.3 模型选择与优化 102 4.3.1 引言 102 4.3.2 模型选择 103 4.3.3 模型原理 106 4.3.4 模型优化 122 4.4 模型评价方法 132 4.4.1 引言 132 4.4.2 回归模型评价指标 132 4.4.3 分类模型评价指标 134 4.4.4 课外阅读 137 4.5 模型解读 138 4.5.1 引言 138 4.5.2 模型专用解读方法 139 4.5.3 模型通用解读方法 142 4.6 总结与展望 158 思考与练习 159 参考文献 159 第5章 优化方法 161 5.1 总论 161 5.1.1 能源领域优化方法概述 161 5.1.2 典型能源应用场景 162 5.1.3 优化方法的一般流程 162 5.2 能源系统评价指标 163 5.2.1 引言 163 5.2.2 能源效益指标 164 5.2.3 经济效益指标 166 5.2.4 环境效益指标 169 5.2.5 电网互动性指标 171 5.2.6 综合效益指标 173 5.2.7 课外阅读 174 5.3 能源系统建模方法 174 5.3.1 引言 174 5.3.2 建模方法 174 5.3.3 示例分析：综合能源系统建模 177 5.3.4 示例分析：建筑能源系统建模 179 5.3.5 课外阅读 184 5.4 能源系统优化方法 184 5.4.1 引言 184 5.4.2 优化问题 184 5.4.3 数学规划算法 186 5.4.4 启发式优化算法 200 5.4.5 多目标优化算法 207 5.4.6 课外阅读 216 5.5 总结与展望 216 思考与练习 217 参考文献 217