本书系统地阐述了人工智能与电气应用的理论基础及应用实践。全书共分为五部分，分别为理论篇、基于人工智能的故障诊断技术、基于人工智能的模式识别和预测技术、基于人工智能的控制和优化技术以及展望篇。 第一部分介绍人工智能技术的理论基础。第二部分介绍风机叶片覆冰故障检测技术、电网故障诊断技术、电力设备图像识别技术等方面的人工智能故障诊断技术。第三部分介绍电力指纹负荷识别技术、配电网可靠性评估技术、智能电网信息系统的假数据侵入识别技术、台风灾害下架空输电线路损毁预测技术等方面的人工智能模式识别和预测技术。第四部分介绍双有源全桥直流变换器效率优化技术、电力电子变换器实时控制技术、电网有功无功优化调度技术、配电网检修决策技术、多目标潮流优化控制技术与实践、混合能源系统优化技术等方面的人工智能控制和优化技术。第五部分分析并展望未来人工智能在电气工程中的应用前景。 本书内容翔实，层次结构合理、清晰，对人工智能与电气应用的基本概念、技术原理和应用场景等进行了系统阐述，涵盖了当今人工智能与电气应用的一系列研究与实践。因此，本书不但面向高校本科生和研究生，同时也面向人工智能和电气工程领域的工程技术人员，具有较高的阅研和应用价值。

第一部分 理论篇
第1章 人工智能技术
1.1 人工智能技术简介
1.2 人工神经网络
1.2.1 人工神经网络简介
1.2.2 人工神经网络基本结构
1.3 卷积神经网络
1.3.1 卷积神经网络简介
1.3.2 卷积神经网络基本结构
1.3.3 几种典型的卷积神经网络
1.4 循环神经网络
1.4.1 循环神经网络简介
1.4.2 循环神经网络基本结构
1.4.3 循环神经网络的输出层
1.4.4 循环神经网络的参数优化
1.4.5 长短期记忆网络
1.5 生成对抗神经网络
1.5.1 生成对抗神经网络简介
1.5.2 生成对抗神经网络的训练原理
1.5.3 生成对抗神经网络的经典模型
1.5.4 生成对抗神经网络模型的评价指标
1.5.5 其他类型的生成模型
1.6 图网络
1.6.1 图的简介
1.6.2 图数据应用场景
1.6.3 图嵌入
1.6.4 图卷积神经网络
1.7 强化学习
1.7.1 强化学习基本概念
1.7.2 强化学习算法介绍
1.7.3 强化学习实验环境
1.7.4 强化学习和深度学习
参考文献
第二部分 基于人工智能的故障诊断技术
第1章 基于深度学习的风机叶片覆冰故障检测
1.1 应用背景
1.2 基于深度学习的风机叶片覆冰故障检测整体框架
1.3 基于深度学习的风机叶片覆冰故障检测方法
1.3.1 数据处理
1.3.2 特征提取
1.3.3 算法简介
1.4 基于深度学习的风机叶片覆冰故障检测整体模型与算例分析
1.4.1 算例背景
1.4.2 算例分析
1.4.3 对比分析
1.5 本章小结
参考文献
第2章 基于深度学习的风力发电机组机械故障智能辨识与诊断
2.1 风电机组智能辨识与诊断需求
2.2 风电机组故障诊断技术现状与趋势
2.2.1 风电机组故障诊断主要方式与检测信号
2.2.2 风电机组机械振动信号检测与分析方法
2.2.3 风电机组机械故障辨识与诊断技术的发展趋势
2.3 风电机组轴承故障机理特性分析
2.3.1 轴承部件分布与结构特征
2.3.2 轴承部件失效原因分析
2.3.3 轴承部件故障信号特征
2.4 基于卷积神经网络的风电机组轴承故障诊断
2.4.1 基于CNN的故障辨识和诊断流程
2.4.2 算例应用与结果分析
2.5 基于多标签分类的风电机组轴承复合故障诊断
2.5.1 轴承部件复合故障与诊断
2.5.2 基于多标签分类的诊断方法
2.5.3 算例应用与结果分析
2.6 本章小结
参考文献
第3章 基于深度学习的柔直线路故障测距
3.1 高压直流输电线路行波分析
3.1.1 行波的产生和传播
3.1.2 行波的折反射
3.2 基于堆叠式自编码器的柔直线路故障测距
3.2.1 堆叠式自编码器
……
第三部分 基于人工智能的模式识别和预测技术
第四部分 基于人工智能的控制和优化技术
第五部分 展望篇