研究方向和项目简介
研究方向：电力人工智能、综合能源能效提升与新能源预测优化、基于先进人工智能的电力装备在线监测。
团队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课题（2项）、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。
团队近年承担的重要科技项目与发表的高水平论文汇总如下：
承担的重要科技项目
综合能源与新能源方向：
(1) 2022年，中华人民共和国科技部-国家重点研发计划4.5，大规模风电/光伏多时间尺度供电能力预测技术。
(2) 2018年，中华人民共和国科技部-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。
(3) 2023年，IEC TS 63531预测标准制定。
(4) 2019年，IEC TR 63043预测标准制定。
(5) 2021年，中国南方电网调度中心，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。
(6) 2021年，江苏省调项目，海上风电基地功率预测预警技术研究。
(7) 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。
(8) 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。
(9) 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。
(10) 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。
(11) 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。
(12) 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。
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。
(7) 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.
(8) 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。
(9) 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。
(10) 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。
(11) 2013年，EDF Energy项目，Partial Discharge Monitoring and Diagnostics of Medium Voltage Motors for EDF Energy Nuclear Power Generations.
(12) 2012年，EDF Energy项目，Asset Management and Development of Portable Partial Discharge Detection System of Underground Cable and Switchgear Box.
(13) 2011年，EDF Energy项目，Development and Provision of a Bespoke, Portable, Partial Discharge Based Cable Condition Monitoring System for EDF Energy.
(14) 2010年，British Energy项目，Partial Discharge on-site Testing Experiment for Torness Nuclear Power Generation.
(15) 2009年，EPSRC项目，Knowledge Discovery from On-line Cable Condition Monitoring Systems–Insulation Degradation and Aging Diagnostics.
近年发表的高水平论文
(1) Yuzhu Chen, Xiaosheng Peng, Hongyu Wang, et al. Partial Discharge Pattern Recognition Based on Morphological Features and Faster R-CNN-AlexNet for Generator Stator[J]. IEEE Transactions on Dielectrics and Electrical Insulation, doi: 10.1109/TDEI.2024.3395230.影响因子：3.1
(2) Cong Li, Xiaosheng Peng, Hongyu Wang, et al. Dynamic Partial Discharge Characteristics of Generator Stator Bar With Four Typical Defects[J]. IEEE Transactions on Dielectrics and Electrical Insulation, doi: 10.1109/TDEI.2024.3404388.影响因子：3.1
(3) Jifeng Song, Xiaosheng Peng, Jiajiong Song, et al. MTTLA-DLW: Multi-task TCN-Bi-LSTM transfer learning approach with dynamic loss weights based on feature correlations of the training samples for short-term wind power prediction[J]. Wind Energy, 2024; 27(7): 733-744.影响因子：4.1
(4) Zimin Yang, Xiaosheng Peng, Jiajiong Song, et al. Short-Term Wind Power Prediction Based on Multi-Parameters Similarity Wind Process Matching and Weighed-Voting-Based Deep Learning Model Selection[J]. IEEE Transactions on Power Systems, doi: 10.1109/TPWRS.2023.3257368. 影响因子：6.6
(5) Yuzhu Chen, Xiaosheng Peng, Hongyu Wang, et al. Generator Stator Partial Discharge Pattern Recognition Based on PRPD-Grabcut and DSC-GoogLeNet Deep Learning[J]. IEEE Transactions on Dielectrics and Electrical Insulation, doi: 10.1109/TDEI.2023.3275548. 影响因子：3.1
(6) Xiaosheng Peng, Zimin Yang, Yinhuan Li, et al. Short-Term Wind Power Prediction Based on Stacked Denoisedauto-Encoder Deep Learning and Multi-Level Transfer Learning[J]. Wind Energy, doi: 10.1002/we.2856. 影响因子：4.1
(7) Xiaosheng Peng, Cong Li, ShiyuanJia, et al. A short-term wind power prediction method based on deep learning and multistage ensemble algorithm[J]. Wind Energy, 2022, 25(9): 1610-1625. 影响因子：4.1
(8) Ruiqin Duan, Xiaosheng Peng, Cong Li, et al. A hybrid three-staged, short-term wind-power prediction method based on SDAE-SVR deep learning and BA optimization[J]. IEEE Access, 2022, 10: 123595-123604. 影响因子：3.9
(9) Xiaosheng Peng, Yinhuan Li, Lie Dong, 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：4.4
(10) Xiaosheng Peng, Hongyu Wang, Jianxun Lang, 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：9
(11) Xiaosheng Peng, Qiyou Xu, Hongyu Wang, 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：3.9
(12) Zhendong Zhang, Chao Wang, Xiaosheng 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：3.9
(13) Jianxun Lang, Xiaosheng Peng, Wenze Li, 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：4.1
(14) Xiaosheng Peng, Yuzhu Chen, Kai Cheng, 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：4.4
(15) Xiaosheng Peng, Fan Yang, Ganjun Wang, 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：4.4
(16) Xiaosheng Peng, Jinshu Li, Ganjun Wang, 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：4.4
(17) Xiao Hu, W. H. Siew, Martin D. Judd, Xiaosheng 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：3.2
(18) Xiaosheng Peng, Jinyu Wen, Zhaohui Li, 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：3.2
(19) Xiaosheng Peng, Jinyu Wen, Zhaohui Li, et al. Rough set theory applied to pattern rrecognition 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：3.2
(20) 宋技峰,彭小圣,杨子民等.基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测[J].南方电网技术,2023,17(12):71-79.
(21) 杨子民,彭小圣,熊予涵等.计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测[J].南方电网技术,2023,17(02):47-56.
(22) 熊予涵,彭小圣,杨子民等.基于参数自适应旋转门和Bump事件筛选的风电爬坡事件识别[J].南方电网技术,2023,17(02):101-110.
(23) 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,2023,43(03):1210-1222.
(24) 刘文浩,吴毅江,李文泽,王洪雨,彭小圣,何顺姬.基于随机决策森林的高压电缆局部放电模式识别[J].高压电器,2022,58(6):165-170+177.
(25) 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.
(26) 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.
(27) 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.
(28) 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):1195-1203.
(29) 方静,彭小圣,刘泰蔚,陈玉竹,李文泽,文劲宇,熊磊,王浩鸣.电力设备状态监测大数据发展综述[J].电力系统保护与控制,2020,48(23):176-186.
(30) 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.
(31) 王干军,李锦舒,吴毅江,彭小圣,李黎,刘泰蔚.基于随机森林的高压电缆局部放电特征寻优[J].电网技术,2019,43(04):1329-1336.
(32) 杨帆,王干军,彭小圣,文劲宇,陈清江,杨光垚,李朝晖.基于卷积神经网络的高压电缆局部放电模式识别[J].电力自动化设备,2018,38(05):123-128.
(33) 彭小圣,樊闻翰,王勃,张涛,文劲宇,邓迪元,熊磊,车建峰.基于改进空间资源匹配法的风电集群功率预测技术[J].电力建设,2017,38(07):10-17.
(34) 彭小圣,熊磊,文劲宇,程时杰,邓迪元,冯双磊,王勃.风电集群短期及超短期功率预测精度改进方法综述[J].中国电机工程学报,2016,36(23):6315-6326+6596.
(35) 彭小圣,邓迪元,程时杰,文劲宇,李朝晖,牛林.面向智能电网应用的电力大数据关键技术[J].中国电机工程学报,2015,35(03):503-511.