彭立群
我构建面向能源基础设施的 AI 与优化系统。大型算力负荷接入电网的速度,已经超过了规划者评估它们的速度:这些负荷该落在哪里、需要同步建设什么、多久才能通电,这些问题至今仍要靠数月的专业建模才能回答。我的工作覆盖这道缺口的两端,一端是让分析真正抵达决策者的多智能体 AI 系统,另一端是决定建什么、建在哪、按什么顺序建的大规模优化模型。
我现任加州大学伯克利分校助理研究科学家,同时作为项目负责人(PI)承担美国能源部资助、与劳伦斯伯克利国家实验室合作的研究,负责电网规划、大型负荷与新型能源基础设施方向的建模和决策支持工作。此前三年,我在劳伦斯伯克利国家实验室做博士后,主导了四个外部资助项目的建模分析,搭建了背后的模型框架,并直接向资助方和合作机构汇报研究结果。
代表性工作
面向电网规划与大型负荷的多智能体 AI 平台。通过带状态的任务路由、混合检索和基于 schema 的工具调用,协调并网、基础设施、政策法规和电力系统四类专家智能体,并让它们扎根于持续扩充的技术与法规知识库。我为它设计了跨模型盲评框架,把检索质量、路由准确率和工具调用正确性变成可测量的指标,而不是靠感觉判断。
海上风电驱动的 AI 数据中心选址。一个全球尺度的选址模型,把项目级风资源、逐小时可靠性、储能和网络时延耦合在一起,评估吉瓦级清洁算力究竟能建在哪里。逐小时模型规模达到 4300 万个变量,我用精确的分区分解方法在 Linopy 和 Gurobi 中求解。
逐厂级的工业深度脱碳路径。把 548 家钢铁、合成氨和甲醇工厂,与 25 公里 × 25 公里分辨率的逐小时可再生能源资源逐一匹配。结果显示,66% 的工厂可以完全依靠 200 公里范围内的离网可再生能源运行;如果允许约 8% 的电量来自电网,这一比例升至 79%,同时把平均制氢成本降低 29%。
海上风电,超越减碳。在中国,决定哪些海上风电项目最终落地的是省级优先事项,而不是全国成本最小化。我量化了按地方优先事项部署的代价,以及它换来的推进速度。
教育与研究背景
我在普林斯顿大学获得科学、技术与环境政策(STEP)博士学位,在清华大学获得环境科学与工程硕士学位,本科毕业于北京林业大学梁希实验班。我已发表 20 篇同行评议论文,累计引用 4200 次,其中第一作者论文发表于 Nature Communications、Communications Earth & Environment、Environmental Science & Technology 和 One Earth,并曾受邀在剑桥大学、纽约市立大学巴鲁克学院、Global Energy Monitor 和日本自然能源财团做报告。
我目前正在寻找 AI 系统与能源基础设施交叉领域的工业界职位,方向包括应用 AI 与智能体工程、电网与大型负荷规划、清洁算力基础设施。邮件是联系我最快的方式。
新闻
| 2026年5月15日 | 开始担任美国能源部资助分包项目负责人(PI),与劳伦斯伯克利国家实验室合作开展 HEVI-LOAD 全国尺度基础设施评估技术支持。 |
|---|---|
| 2026年5月6日 | 受邀在英国剑桥大学做报告,主题是铁燃料在低碳电力系统中的作用。 |
| 2026年4月9日 | 论文 Aligning offshore wind deployment with local priorities to accelerate power system decarbonization 发表于 Communications Earth & Environment。 |
| 2026年1月6日 | 加入加州大学伯克利分校,任助理研究科学家,方向为电网规划、大型负荷与清洁算力基础设施的 AI 与优化系统。 |
| 2025年12月15日 | 在新奥尔良举行的 AGU 秋季会议做口头报告。 |