职 称

副研究员/助理教授

□博导 ☑ 硕导

学院及专业

机械与车辆学院 工业工程专业

办公地址

中关村校区1号教学楼344A

邮 编

100081

邮 件

xliu826@bit.edu.cn

刘欣，男，北京理工大学机械与车辆学院助理教授，副研究员。2016年本科毕业于北京理工大学工业工程专业，2015-2016年获国家留学基金委资助，于德国卡尔斯鲁厄理工学院机械工程专业进行访学交流，2021年于香港城市大学数据科学学院获得博士学位。

从事数据科学及智能优化算法在智能制造、物流系统、以及可再生能源设备方面的研究。以第一作者身份在top期刊（如《Renewable & Sustainable Energy Reviews》《Applied Energy》等）发表论文4篇，在重要期刊发表论文1篇，参与国际会议2次，具有1项美国发明专利，参与全国数据类竞赛并获得三等奖，获得学校杰出成就奖、学费奖学金等奖项。为IEEE Transactions on Sustainable Energy，Journal of Intelligent Manufacturing，Sustainable Energy, Grids and Networks等期刊多次审稿。

目前主持国家自然科学基金青年基金1项、入选《博士后国际交流计划（引进）项目》、主持北京理工大学青年教师学术启动计划1项。

主讲及参与讲授的课程包括：工业工程本科专业选修课《智能制造系统》、智能制造工程本科专业核心课《制造系统感知分析与决策》、研究生课《大数据与人工智能制造应用》。

研究方向及研究领域

主要研究方向为机器学习及人工智能技术在工业系统的建模、预测、不确定性评估及优化方面的研究。当前主要方向包括：

- 设备及环境参数的不确定性预测与评价，包括系统状态的点预测、概率预测、场景生成等；

- 工业数据处理，包括缺失数据修复、数据超分辨率研究等；

- 系统设备的智能优化，包括优化调度、设备协同控制、布局优化等；

- 数字孪生智能算法，包括设备的实时状态监测及故障诊断等。

研究领域：

机器学习、智能优化、预测性建模、智能制造、可再生能源。

欢迎具有工业工程/机械工程/计算机科学/自动化/数学等背景的同学报考。

代表性论文

代表论文：

[1] Liu X, Zhang Z*, Song Z. A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning[J]. Renewable and Sustainable Energy Reviews, 2020, 119: 109632. (影响因子17.00)

[2] Liu X, Yang L, Zhang Z*. The attention-assisted ordinary differential equation networks for short-term probabilistic wind power predictions[J], 2022, Applied Energy, 324: 119749 （影响因子11.45）

[3] Liu X, Cao Z, Zhang Z*. Short-term predictions of multiple wind turbine power outputs based on deep neural networks with transfer learning[J]. Energy, 2021, 217: 119356. （影响因子8.86）

[4] Liu X, Yang L, Zhang Z*. Short-Term Multi-Step Ahead Wind Power Predictions Based On A Novel Deep Convolutional Recurrent Network Method[J]. IEEE Transactions on Sustainable Energy, 2021, 12(3): 1820-1833. （影响因子7.91）

[5] Liu X, Zhang Z*. A two-stage deep autoencoder-based missing data imputation method for wind farm SCADA data[J]. IEEE Sensors Journal, 2021, 21(9): 10933-10945. （影响因子4.33）

[6] Liu X, Zheng Z*, Zhang Z, et al. A statistical learning framework for the intelligent imputation of offshore wind farm missing SCADA data[C]//8th Renewable Power Generation Conference (RPG 2019). IET, 2019: 1-4.