彭劍坤

彭劍坤，出生於安徽合肥，畢業於北京理工大學，東南大學副教授。

基本介紹

• 中文名：彭劍坤
• 國籍：中國
• 出生地：安徽合肥
• 畢業院校：北京理工大學
• 主要成就：中國汽車工業技術發明一等獎 
  國防技術發明二等獎
• 研究方向：智慧型網聯新能源汽車、車路協同自動駕駛
• 職稱：副教授

人物經歷

2016年6月畢業於北京理工大學機械與車輛學院機械工程專業，獲工學博士學位。

2016年6月至2019年11月在北京理工大學電動車輛國家工程實驗室擔任博士後研究員。

2019年12月起在東南大學交通學院工作。

研究方向

主要研究方向包括車路協同自動駕駛、新能源汽車節能最佳化、新能源汽車生態駕駛、車路網聯互動數據分析、深度強化學習、非線性最佳化等。

主要成就

先後主持國家自然科學基金面上/青年項目2項、中央高校基本科研業務費項目1項、中國博士後科學基金面上資助項目1項，東南大學“課程思政”項目1項；參與了國家自然科學基金汽車產業聯合基金、國家自然科學基金面上項目、國家重點研發計畫、國家科技支撐計畫、國防基礎科研項目等縱向項目10餘項；承擔新能源及自動駕駛汽車方面的整車級企業合作項目5項。

累計發表論文70餘篇，其中ESI高被引論文3篇、熱點論文1篇，授權發明專利12件。

所獲榮譽

研究成果獲得2018年中國汽車工業技術發明一等獎、

2019年中國電子學會科學技術進步二等獎、

2016年國防技術發明二等獎、

2019年中國汽車工業技術進步三等獎

獲得中科院SCI 頂級期刊《Applied Energy》2016~2017年度高被引論文獎

2017中國自動化學會車輛控制與智慧型化學術年會 “優秀論文獎”

國際埃尼獎Eni Award 2020提名。獲首屆北京理工大學“優秀博士後”稱號

入選2019江蘇省“雙創計畫”。

指導學生創新創業方面獲得工信部創業獎學金一等獎、北京地區高校大學生優秀創業團隊一等獎、“創青春”首都青年創新創業大賽銀獎、北汽“紳寶智行杯”全國高校汽車創新邀請賽二等獎等。

發表論文

主要SCI期刊論文(*表示通訊作者)

1. Peng J, He H, Xiong R. Rule based energy management strategy for a series–parallel plug-in hybrid electric bus optimized by dynamic programming[J]. Applied Energy, 2017, 185: 1633-1643. (SCI, IF=8.426, ESI and HOT paper)
2. Wu J, He H, Peng J, et al. Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus[J]. Applied energy, 2018, 222: 799-811. (SCI, IF=8.426, ESI paper)
3. Peng J, Luo J, He H, et al. An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries[J]. Applied Energy, 2019, 253: 113520. (SCI, IF=8.426)
4. Peng J, Jiang J, Ding F, et al. Development of Driving Cycle Construction for Hybrid Electric Bus: A Case Study in Zhengzhou, China[J]. Sustainability, 2020, 12(17): 7188. (SCI, IF=2.576)
5. Zhang H, Peng J, Tan H, et al. Tackling SOC long-term dynamic for energy management of hybrid electric buses via adaptive policy optimization[J]. Applied Energy, 2020, 269: 115031. (SCI, IF=8.426)
6. Zhang H, Peng J*, Tan H, et al. A Deep Reinforcement Learning Based Energy Management Framework with Lagrangian Relaxation for Plug-in Hybrid Electric Vehicle[J]. IEEE Transactions on Transportation Electrification, 2020. (SCI, IF=5.444)
7. Lian R, Peng J, Wu Y, et al. Rule-interposing deep reinforcement learning based energy management strategy for power-split hybrid electric vehicle[J]. Energy, 2020: 117297. (SCI, IF=5.537)
8. Wang Y, Tan H, Wu Y, Peng J*. Hybrid electric vehicle energy management with computer vision and deep reinforcement learning[J]. IEEE Transactions on Industrial Informatics, 2020. (SCI, IF=9.112)
9. Li Y, He H, Peng J, et al. Deep Reinforcement Learning-based Energy Management for a Series Hybrid Electric Vehicle Enabled by History Cumulative Trip Information[J]. IEEE Transactions on Vehicular Technology, 2019, 68.8: 7416-7430. (SCI, IF=5.339)
10. Tan H, Zhang H, Peng J, et al. Energy management of hybrid electric bus based on deep reinforcement learning in continuous state and action space[J]. Energy Conversion and Management, 2019, 195: 548-560. (SCI, IF=7.181)
11. Wu Y, Tan H, Peng J, et al. Deep reinforcement learning of energy management with continuous control strategy and traffic information for a series-parallel plug-in hybrid electric bus[J]. Applied Energy, 2019, 247: 454-466. (SCI, IF=8.426)
12. Han X, He H, Peng J. Energy management based on Reinforcement Learning with Double Deep Q-learning for a Hybrid Electric Tracked Vehicle[J]. Applied energy, 2019, 254: 113708. (SCI, IF=8.426)
13. Guo J, He H, Peng J, et al. A novel MPC-based adaptive energy management strategy in plug-in hybrid electric vehicles[J]. Energy, 2019, 175: 378-392. (SCI, IF=5.537)
14. Xie S, He H, Peng J. An energy management strategy based on stochastic model predictive control for plug-in hybrid electric buses[J]. Applied energy, 2017, 196: 279-288. (SCI, IF=8.426)