信号处理与大数据分析技术

非侵入式电力负荷感知/监测...

通过对电力负荷入口处的电压、电流等信息进行测量和分析，获取电力用户内部各种电力负荷类别、谐波、能耗等负荷特征。将非侵入式电力负荷分解与监测技术作为智能获取负荷细节信息的关键技术，并以经济、便捷的方式突破目前智能电表管理芯负荷辨识技术。

新能源负荷、功率、电价预测...

准确和可靠的短期电力负荷预测有利于未来智能电网的策略设计、可靠性估计、安全性分析和现货价格计算。本团队研究利用经验模态分解算法和深度神经网络等建立多模态特征提取与融合的深度神经网络，显著提高未来一小时短期电力负荷预测的准确性；以及研究改进的深度残差网络进行短期电力负荷预测，提高了负荷预测的准确性和电能的利用率以及降低了电力资源浪费和电力成本。

网络科学与安全通信技术

无人系统安全通信与多跳组网...

随着无人机通信技术的发展，保证传输数据的安全性和可靠性、稳定、可靠的通信算法有利于无人机发展和应用，本团队基于多跳MESH组网方式研究系统的网络安全问题，分别提出最小化MSE和人工噪声辅助的物理层安全传输策略，实现数据传输过程中的绝对安全。

电力物联网安全与数据通信...

针对电力物联网云通信模式，设计基于无线/电力线混合Mesh组网架构；并在此组网架构上提出混合无线/电力线混合组网安全通信算法。本团队主要研究在边缘计算网关和智能终端通信模块中设计具有鲁棒性的预编码和解码算法以利用信道特性实现高效传输的同时又能克服数据篡改攻击、中间人攻击、欺骗攻击，实现电力物联网安全通信。

针对PLC与无线通信的不同特点，考虑微网通信的可靠性需求以及实际场景中，主要研究是在混合电力线与无线通信网络下研究物理层安全策略。混合电力线与无线通信网络存在以下由于人为因素或自然因素，混合电力线与无线系统模型存在如图所示的9种模式。

机器学习、计算机视觉等方法在智慧电力/医疗系统中研究与应用

基于大数据的电力系统智慧运维...

现有智能电表校验方式主要依靠拆检或现场检定，效率低、实时性差，且难以全量监测。本团队研究基于AMI系统采集的数据建立智能电表误差在线分析模型，实现智能电表计量误差的实时在线监测，同时为智能电表由周期轮换向状态轮换转变提供支撑。

基于机器学习和计算机视觉的智慧医疗...

（1）采用基于深度学习的单步目标检测模型FL-PDNet，定位牙齿的位置和牙周炎症状，根据牙周炎分类将其映射为对应牙位和牙周炎类型。本团队提出的模型相对基准模型有效提高了检测精度和速度，该应用框架可以有效辅助牙科医生进行快速诊断。

（2）小样本学习旨在用少量几个样本构建模型完成一类任务，在基于最小任务训练的小样本学习中引入前景特征增强，使得小样本学习模型分类准确率大幅提升而不增加网络模型复杂度。将小样本学习用于胃镜分类，采用特征差值法进行病灶异常特征增强，实现仅用少量样本完成胃镜图像分类，可有效用于医疗辅助系统定制化。