dr. H. Chen (Hao)

Universitair docent
BMS-HBE-IEBIS
Ravelijn 4402
h.chen-3@utwente.nl
+31534897784
Visitekaartje

Ik werk als assistent-professor op het gebied van AI en duurzame industrieën. Mijn huidige onderzoeksinteresse is hoe op innovatieve wijze opkomende AI-technologieën kunnen worden ontwikkeld en ingezet voor de unieke fysische principes en economische mechanismen van duurzame industrieën, met name voor toekomstige energie- en milieusystemen om klimaatverandering tegen te gaan.

Ik ben ook gepassioneerd over het populariseren van opkomende wetenschap en het bevorderen van onderwijs in engineering. Ik ben trots op mijn klassieke Oosterse culturele achtergrond. Ik ben makkelijk in de omgang en hou van feestjes, buitenactiviteiten, tennissen, klassieke muziek, schilderen en kalligrafie.


Expertises

  • Computer Science

    • Models
    • Machine Learning

  • Earth and Planetary Sciences

    • Model
    • Prediction
    • Wind
    • Wind Velocity
    • Wind Power
    • Weather Condition

Organisaties

Publicaties

2024
A novel wind model downscaling with statistical regression and forecast for the cleaner energy, Article 140217. Chen, H.https://doi.org/10.1016/j.jclepro.2023.140217
2023
A Control Strategy for Electromagnetic Transient in Renewable Energy Systems Based on Virtual Synchronous GenerationIn 2023 3rd International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME). IEEE. Chen, H. & Zhang, Q.https://doi.org/10.1109/ICECCME57830.2023.10252542Data science in wind energy: A case study for Norwegian offshore wind, Article 012013. Chen, H., Birkelund, Y. & Zhang, Q.https://doi.org/10.1088/1742-6596/2638/1/012013A southern, middle, and northern Norwegian offshore wind energy resources analysis by a transfer learning method for Energy Internet, Article 012011. Chen, H., Birkelund, Y., Ricaud, B. & Zhang, Q.https://doi.org/10.1088/1742-6596/2655/1/012011
2022
A comprehensive statistical analysis for residuals of wind speed and direction from numerical weather prediction for wind energy, 618-626. Chen, H.https://doi.org/10.1016/j.egyr.2022.07.080Machine learning forecasts of Scandinavian numerical weather prediction wind model residuals with control theory for wind energy, 661-668. Chen, H., Zhang, Q. & Birkelund, Y.https://doi.org/10.1016/j.egyr.2022.08.105Noise-intensification data augmented machine learning for day-ahead wind power forecast, 916-922. Chen, H., Birkelund, Y., Batalden, B. M. & Barabadi, A.https://doi.org/10.1016/j.egyr.2022.05.265Cluster-based ensemble learning for wind power modeling from meteorological wind data, Article 112652. Chen, H.https://doi.org/10.1016/j.rser.2022.112652Exploiting more robust and efficacious deep learning techniques for modeling wind power with speed, 864-870. Chen, H. & Staupe-Delgado, R.https://doi.org/10.1016/j.egyr.2021.11.151
2021
An Evaluation on Diverse Machine Learning Algorithms for Hourly Univariate Wind Power Prediction in the Arctic, Article 012016. Chen, H. & Birkelund, Y.https://doi.org/10.1088/1742-6596/2141/1/012016

Onderzoeksprofielen

Scan de QR-code of
Download vCard