喜讯 | 理工学院林天麟教授团队、吴辰晔教授团队成果获评2024年深圳市第四届优秀科技学术论文
为深入学习贯彻习近平总书记关于高水平科技自立自强的重要讲话精神，推动深圳市科技发展、促进学术繁荣，深圳市科学技术协会面向深圳市高等院校、科研机构、企事业单位以及广大科技工作者征集具有较高学术影响力的科技学术论文。
2024年深圳市科协第四届优秀科技学术论文遴选聚焦深圳市“20+8”产业领域，经基础科学、工程技术、计算机科学与信息技术和应用科学与技术领域评奖委员会专家经形式审查、初评、和会评，遴选出100篇优秀科技学术论文成果。香港中文大学（深圳）理工学院林天麟教授团队、吴辰晔教授团队成果，均获评2024年深圳市第四届优秀科技学术论文！
获奖证书
林天麟教授团队获奖成果介绍
论文链接：
https://ieeexplore.ieee.org/document/10232916
期刊简介：
IEEE Transactions on Robotics (T-RO)是国际电气及电子工程师学会（IEEE）于1985年创办的机器人领域顶级学术期刊。该期刊发表的研究论文代表了机器人领域最先进的重大进展，内容涉及理论、设计、实验研究、分析、算法、集成以及应用案例研究等多个前沿领域，要求在理论和工程实践方面共同推动机器人学的发展。
论文简介：
论文提出了一个自由连接及桁架结构的模块化自重构机器人系统，并实现了其构型感知功能。理工学院计算机与信息工程在读博士生涂宇啸为论文第一作者，林天麟教授为论文独立通讯作者。
与传统机器人系统相比，模块化自重构机器人系统具有更强的鲁棒性和适应性。在本研究中，研究团队提出了一种名为FreeSN的新型自由连接及桁架结构的模块化自重构机器人系统，其由节点模块和连杆模块组成。节点模块的表面覆盖着铁球壳，并集成了磁传感器阵列。而连杆模块则包含两个磁性自由连接器，可连接到节点模块的任意位置并实现运动。
在本文中，研究团队引入了一种适用于FreeSN的创新构型感知系统，其中包括连接点磁定位、模块识别、模块相对位姿融合和系统构型估计等方面。节点模块内置的磁传感器阵列可感知周围磁场的变化，通过基于图卷积神经网络的磁定位方法，节点模块能够定位连杆模块的中心点并进行实时追踪。同时，连杆模块通过微调磁铁阵列的位置改变周围区域的磁场，从而与节点模块进行磁通讯，实现邻接模块的准确识别。接着，通过将磁定位结果与惯性测量单元和轮式里程计数据进行融合，能够估计邻接模块的相对姿态。最终，该构型感知系统可以全面估计机器人系统的全局构型，包括连接拓扑图和所有模块的相对位姿。基于该构型感知系统，FreeSN得以实现闭环控制，从而实现系统的特定行为。研究团队通过一系列精度评估实验和两个基于库的闭环自动化控制演示对该构型感知系统进行了验证。
团队介绍：
涂宇啸：论文第一作者，理工学院计算机与信息工程在读博士生，研究方向为模块化自重构机器人。目前以第一作者在IEEE Transaction on Robotics、ICRA等顶级期刊会议上发表论文数篇。
林天麟教授：论文通讯作者。林教授为机器人与智能制造国家地方联合工程实验室常务副主任、深圳市人工智能与机器人研究院中心主任。长期从事模块化机器人、多机器人系统及特种机器人研究，在Nature Communications、IJRR、TRO、TPAMI等期刊会议发表论文100余篇，获熊有伦智湖优秀青年学者奖、TMECH年度最佳论文奖、IROS机器人机构设计最佳论文奖等荣誉，并担任TASE、JFR、《机器人》等期刊副编辑。
吴辰晔教授团队获奖成果介绍
论文链接：
https://www.sciencedirect.com/science/article/pii/S0360544224004389
期刊简介：
Energy是能源领域的顶尖期刊，专注于能源工程和研究领域，涵盖包括能源分析、能源建模与预测、综合能源系统、能源规划与能源管理、能源节约与效率、生物质与生物能、可再生能源、电力供需、能源存储、建筑能源、以及与能源相关的经济和政策问题等主题，以其严格的同行评审制度、高质量的学术论文和广泛的学科覆盖范围而闻名，影响因子常年位居能源领域前列。
论文简介：
电力负荷预测，一个历经数十年的经典问题，为何至今仍是研究热点？原因在于，面对周末和节假日等特殊时段的负荷预测，我们仍然面临着巨大的挑战：历史数据匮乏，受外界因素影响剧烈。
为了攻克这一难题，本文提出了一种基于数据预处理和深度学习的日负荷概率预测框架。该框架融合了变分模态分解（VMD）和CNNs-Transformer深度学习模型的强大功能，并引入了分位数回归损失函数（QRLoss）和损失惩罚技术，旨在显著提升周末负荷预测的准确性。
主要方法：
-
数据预处理：采用VMD方法对原始负荷数据进行分解，提取趋势和噪声分量。通过数据降噪技术去除噪声，并通过数据增强技术将每日峰值和趋势信息融入降噪后的数据中，形成包含峰值、趋势和降噪数据的3维数据输入，提升数据利用率。
-
CNNs-Transformer模型：构建了包含三层CNN和Transformer的深度学习模型。CNN用于提取局部特征，例如短期依赖、周期性或趋势；Transformer用于识别时间序列数据之间的长期依赖关系，并学习不同特征的关注权重，从而更好地捕捉不同特征之间的关联。
-
概率预测：采用QRLoss作为损失函数，并设置不同的分位数，例如85%、90%和95%，以实现不同置信水平下的区间预测。
-
惩罚技术：为了提升模型对周末负荷数据的关注，在QRLoss中引入了损失惩罚技术，对周末数据的预测结果赋予更高的权重，从而提高周末负荷预测的准确性。
图 论文整体框架
论文提出的预测框架能够在数据量有限的情况下，实现高精度的周末日负荷概率预测，为电力系统调度和运行提供有效参考，具有重要的理论意义和应用价值。依据Google Scholar，论文2024年4月正式刊出，迄今已经被引用25次，是ESI高被引论文。
图 ESI高被引论文截图
团队介绍：
团队由理工学院吴辰晔教授带领，集合了四位来自不同领域、处于不同发展阶段的成员。
田智睿：论文第一作者，理工学院计算机与信息工程在读博士生，主要研究方向为智慧电网，深度学习等。其扎实的学术功底和敏锐的研究洞察力为论文的撰写奠定了坚实基础。
柳炜灿：论文第二作者，为吴辰晔教授团队的访问学生，目前正于新加坡南洋理工大学攻读硕士学位。他的加入为团队带来了新的视角和活力，为研究增添了独特价值。
姜文倩博士：论文第三作者，理工学院计算机与信息工程博士毕业生，现于美国威斯康辛大学麦迪逊分校担任博士后研究员。其丰富经验和深厚学识为论文的完善提供了有力支撑。
吴辰晔教授：论文通讯作者，吴教授以其深厚的学术造诣和丰富的科研经历，悉心指导团队稳步前行，在能源领域取得可喜的研究成果。
再次祝贺林天麟教授团队、吴辰晔教授团队成果，双双获评2024年深圳市科协第四届优秀科技学术论文！这不仅展现了理工学院学生的学术潜力与实力，也体现了教师们的卓越学术能力和专业指导水平，彰显了理工学院的科研实力。
供稿 | 林天麟教授团队、吴辰晔教授团队
港中大（深圳）理工学院推广及传讯组出品
