英国工学博士，IEEE会员，IET会员，国际电工委员会工作组专家（IEC SC8A WG2），中国电工技术学会人工智能与电气应用专委会委员、电力大数据与人工智能中心副主任、中国电工技术学会电力不停电检修技术与装备专业委员会委员、国家自然科学基金项目通讯评审专家（电气工程领域），百度百科词条。

课题组网站:

课题组名称：电力大数据与人工智能课题组

网站地址：http://eai.seee.hust.edu.cn

主要受教育经历：

2002.9-2006.6获华中科技大学本科学位；

2006.9-2009.3获华中科技大学硕士学位；

2009.2-2012.2在英国国家自然科学基金（EPSRC）全额奖学金资助下，在格拉斯哥卡里多尼亚大学攻读博士学位。

主要工作经历：

2012.12-2013.1：Santander Bank资助，清华大学电机系访问学者；

2012.3-2013.8：法国电力公司(EDF Energy)资助，开展博士后研究；

2013年9月回华中科技大学工作。

研究方向：

大数据、先进人工智能方法及电力系统应用；电力系统主设备智能监测与诊断；电力设备局部放电智能监测与识别；以新能源为主体的新型电力系统功率预测与消纳；基于大数据深度学习的模式识别与预测；基于数据挖掘与深度学习的新能源功率预测；粗糙集理论为基础的数据挖掘等。

电力设备局部放电智能监测与识别：高压电力设备局部放电带电检测；高压电缆局部放电在线监测；电缆接地电流在线监测；发电机局部放电在线监测；GIS局部放电在线监测；变压器局部放电在线监测；变压器接地电流在线监测。

基于数据挖掘与深度学习的新能源功率预测：风电、光伏、负荷的超短期（0-4小时）、短期（4小时-3天）、中期（4-10天）、延伸期（10-30天）、长期功率预测；新能源功率预测、概率预测、供电能力预测。

科研介绍：

在英国5年期间，作为主要完成人完成的科研项目达到5项，含英国国家自然科学基金（EPSRC）项目、英国能源公司（British Energy）项目、法国电力公司（EDF Energy）项目。

回国之后成功策划了千万级科研项目，主持了500万级横向课题（3项）、国家重点研发计划子任务、罗尔斯罗伊斯（Rolls-Royce）国际合作项目、国家自然科学基金（3项）、国网总部项目子课题、南网总部项目子课题、中国电力科学研究院等30余项。另外参与国家重点研发计划子课题、国家自然科学基金面上项目、其他工业界横向课题等多项，累计科研经费超过2000余万。

在舒印彪院士牵头的国家重点研发计划1.3“促进可再生能源消纳的风电/光伏发电功率预测技术及应用”中发挥了技术骨干作用。

代表性科研成果1：系统的研究了新能源短期、超短期功率预测技术。基于先进人工智能方法，提出了基于数据挖掘的样本自适应选择、多空间尺度集群动态划分、高维特征构建与自适应选择、深度学习模型自适应选择、多模型集成学习等方法，优化了新能源功率预测的样本选择、特征选择、预测建模等核心环节，实现了高精度的短期、超短期功率预测，并可推广至样本不足的新建新能源场站的功率预测。

代表性科研成果2：研制了高压电力设备局部放电智能检测与智能识别系统。

系统简介：该高压电力设备局放自动检测识别系统，融合英国和中国20余个高水平项目的成果精华，通过自适应第二代小波去噪、决策树信号分类、基于聚类分析的自动相位图谱识别、局放传播边际效应、基于先进人工智能方法的模式识别等先进方法的组合，成功突破了局放检测与识别的难点，通过工业现场大量监测数据的演绎分析与验证，实现高压电力设备局放监测的自动分析与诊断。

应用案例：该高压电力设备局放自动检测识别系统能检测高压电力设备潜在故障、提升供电可靠性，确保供电安全，适用于发电机、变压器、高压电缆、GIS、AIS等高压电力设备，在EDF Energy、British Energy、Rolls-Royce、国网、南网、京博、东方电机等发电厂和电力公司得到广泛的应用，具有广阔的应用推广价值。

标准、论文发表：

作为主要完成人编写了IEC在可再生能源功率预测领域的首个国际标准IEC63043，于2020年全球成员国投票通过，本标准发布之后，美国国家标准学会（ANSI）、欧洲标准化委员（CEN） 等直接将本标准作为其参用标准；

以副主编身份参与编写中国电机工程学会专著1部：《新能源发电功率预测技术》；

在IEEE Transactions、《中国电机工程学报》等国内、国际一流期刊和会议上发表学术论文50余篇，皆被SCI/EI收录，担任IEEE Transactions、《中国电机工程学报》、《电工技术学报》、《电网技术》等国内、国际一流期刊审稿人。其1篇大数据论文被评为《领跑者5000—中国精品科技期刊顶尖学术论文》（F5000论文，他引超700余次）。应邀在IEEE PES APPEEC 2016、IEEE PES APPEEC 2019、IEEE PES GM 2019、IEEE CIEEC 2021等国际会议做主题报告，并多次担任国际会议分会场主席。

主讲课程：

春季《电力系统自动化》，获华中科技大学2015-2016年度教学竞赛优秀奖。

招生类型：

电气工程方向和人工智能方向：全日制工学博士、工程博士、工学硕士、工程硕士、非全日制博士、硕士。

培养研究生的目标与定位：

培养具有国际化的视野，强烈的进取心和事业心，认真负责、精益求精的工作作风，勤奋刻苦、严谨务实的科研态度，优秀中英文文档编写能力，优秀中英文PPT汇报能力，优秀编程能力，优秀分析问题、解决问题能力，优秀团队合作能力和领导力等综合能力的高素质行业领袖人才。

培养学生情况与毕业去向：

其指导的研究生，有2人获国家奖学金提名，1人获得博世奖学金，多人获优秀毕业生，毕业后除了留在课题组继续攻读博士的，其余都去了国家电网、电力设计公司、百度、爱奇艺等国际、国内知名企业；其指导的本科生，已有6位同学到美国哥伦比亚大学、新加坡国立大学等国际知名高校出国深造，已有4位同学到清华大学攻读博士/硕士学位，其他同学皆去了上海市电力公司、云南省电力公司、南京南瑞等国网和南网的直属单位。

近期发表论文：

1. X. Peng, Y. Li, et al. Short-Term Wind Power Prediction Based on Wavelet Feature Arrangement and Convolutional Neural Networks Deep Learning[J]. IEEE Transactions on Industry Applications, 2021, 57(6) : 6375-6384.影响因子:3.753

2. Z. Zhang, C. Wang, X. Peng, et al. Solar Radiation Intensity Probabilistic Forecasting Based on K-Means Time Series Clustering and Gaussian Process Regression[J]. IEEE Access, 2021, 9 : 89079-89092.影响因子:3.671

3. X. Peng, K. Cheng, et al. Short-Term Wind Power Prediction for Wind Farm Clusters Based on SFFS Feature Selection and BLSTM Deep Learning[J]. Energies, 2021, 14(7) : 1894-1894. 影响因子:3.085

4. X. Peng, Q. Xu, et al., A Novel Efficient DLUBE Model Constructed by Error Interval Coefficients for Clustered Wind Power Prediction[J]. IEEE Access, 2021, 9:  61739-61751. 影响因子:3.671

5. X. Peng, H. Wang, et al. EALSTM-QR: Interval wind-power prediction model based on numerical weather prediction and deep learning[J]. Energy, 2021, 220.影响因子:6.845

6. J. Lang, X. Peng, et al. A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting[J]. Wind Energy, 2020, 24(5) : 450-464. 影响因子:3.392

7. X. Peng, Y. Chen, et al., Wind Power Prediction for Wind Farm Clusters Based on the Multifeature Similarity Matching Method[J]. IEEE Transactions on Industry Applications, 2020, 56(5): 4679-4688. 影响因子:3.753

8. X. Peng, J. Li, et al., Random Forest Based Optimal Feature Selection for Partial Discharge Pattern Recognition in HV Cables[J]. IEEE Transactions on Power Delivery, 2019, 34(4): 1715-1724. 影响因子:4.577

9. X. Peng, F. Yang, et al., A Convolutional Neural Network-Based Deep Learning Methodology for Recognition of Partial Discharge Patterns from High-Voltage Cables[J]. IEEE Transactions on Power Delivery, 2019, 34(4): 1460-1469. 影响因子:4.577

10. X. Peng, J. Wen, et al. SDMF based Interference Rejection and PD Interpretation for Simulated Defects in HV Cable Diagnostics[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, 24(1): 83-91. 影响因子:2.866

11. X. Peng, J. Wen, et al. Rough Set Theory Applied to Pattern Recognition of Partial Discharge in Noise Affected Cable Data[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, 24(1):147-156. 影响因子:2.866

12. X. Hu, W. H. Siew, M. D. Judd, X. Peng, Transfer Function Characterization for HFCTs used in Partial Discharge Detection[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2017, 24(2):1088-1096. 影响因子:2.866

13. 彭小圣,陈玉竹,贾诗媛,李梦齐,董磊,王洪雨.多物理场下的高压直流电缆局部放电研究展望[J].中国电机工程学报,2022,42.

14. 卢俊杰,蔡涛,郎建勋,彭小圣,程凯.基于集群划分的光伏电站集群发电功率短期预测方法[J].高电压技术,2022,48(05):1943-1951.

15. 程凯,彭小圣,徐其友,王勃,刘纯,车建峰.基于特征选择与多层级深度迁移学习的风电场短期功率预测[J].高电压技术,2022,48(02):497-503.

16. 李聪,彭小圣,王皓怀,车建峰,王勃,刘纯.基于SDAE深度学习与多重集成的风电集群短期功率预测[J].高电压技术,2022,48(02):504-512.

17. 杨子民,彭小圣,郎建勋,王洪雨,王勃,刘纯.基于集群动态划分与BLSTM深度学习的风电集群短期功率预测[J].高电压技术, 2021,47(04).

18. 蒋逸雯,李黎,李智威,苏超,王干军,彭小圣.基于深度语义学习的电力变压器运维文本信息挖掘方法[J].中国电机工程学报,2019,39(14):4162-4172.

重大科研项目：

电力设备智能监测方向：

1. 2021年，东方电气集团东方电机有限公司合作项目，基于局部放电在线测量技术的定子绕组绝缘缺陷表征方法研究。

2. 2021年，国家自然科学基金面上项目，复杂运行条件下柔性直流高压电缆接头典型缺陷的局部放电产生机理与表征识别方法。

3. 2021年，山东京博集团500万项目，共建“电力大数据与人工智能技术中心”。

4. 2020年，山东京博集团509万项目，京博恒丰高压电缆局部放电在线监测系统。

5. 2018年，南网总部课题500万项目，中山供电局基于内置式传感器的高压电缆局部放电多点同步检测技术研究。

6. 2018年，国家重点研发计划项目，促进可再生能源消纳的风电/光伏发电功率预测技术及应用，项目总负责人：舒印彪。（参与课题：多空间尺度风电/光伏短期功率预测及概率预测技术）

7. 2018年，国家自然科学基金项目，基于边际效应带通阻隔与优选特征深度映射的高压电缆接头多源局放分离与识别方法。

8. 2017年，罗尔斯罗伊斯国际合作项目，High Voltage Electrical Tests of Isothermally Aged Enamel Wires Used in Marine Electrical Machines.

9. 2016年，湖北省自然科学基金，基于多维协同的电力系统电缆局部放电高可靠性识别策略研究。

10. 2016年，AEET国重项目，高压电缆多源头局部放电的分层提取和深度学习识别方法研究。

11. 2015年，国家自然科学基金项目，基于大数据特征寻优—深度学习的高压电缆局放识别策略研究。

12. 2013年，EDF Energy项目，Partial Discharge Monitoring and Diagnostics of Medium Voltage Motors for EDF Energy Nuclear Power Generations.

13. 2012年，EDF Energy项目，Asset Management and Development of Portable Partial Discharge Detection System of Underground Cable and Switchgear Box.

14. 2011年，EDF Energy项目，Development and Provision of a Bespoke, Portable, Partial Discharge Based Cable Condition Monitoring System for EDF Energy.

15. 2010年，British Energy项目，Partial Discharge on-site Testing Experiment for Torness Nuclear Power Generation.

16. 2009年，EPSRC项目，Knowledge Discovery from On-line Cable Condition Monitoring Systems–Insulation Degradation and Aging Diagnostics.

新能源方向：

1. 2021年，新型电力系统多尺度互动运行与电力电量平衡与消纳优化调度方法研究。

2. 2021年，江苏省调项目，海上风电基地功率预测预警技术研究。

3. 2021年，国网总部项目，低温寒潮天气过程下的省级风力发电能力预测预警技术研究。

4. 2019年，国网总部项目，基于深度学习的短期风电功率预测在线建模与优化技术研究。

5. 2018年，国家重点研发计划，促进可再生能源消纳的风电/光伏发电功率预测技术及应用。

6. 2017年，国网总部项目，考虑大尺度天气系统影响的省级新能源功率长时间尺度预测。

7. 2017年，国家重点研发计划，多能源电力系统电源协调规划与设计方法研究。

8. 2016年，电科院合作项目，考虑区域网源结构特征的快速波动事件研究。

9. 2015年，国网总部项目，基于集群划分的新能源功率预测技术研究和示范。