陈欣，西安交通大学电气工程学院副教授、博士生导师，陕西省“百人计划”。
教育背景：本科就读于南京大学强化班，获美国耶鲁大学博士学位 （Greedy algorithms for computations of thermal correlation functions and simulations of nonadiabatic quantum dynamics, PhD thesis, Yale University），后于麻省理工学院电子研究实验室（RLE）从事博士后研究工作。国际合作：曾以访问教授身份参与美国西北大学、麻省理工学院、澳大利亚阿德莱德大学及北京计算科学研究中心的合作研究，重点涉及复杂网络系统建模、新能源储能智能调度与人工智能算法开发。西安交通大学-西交利物浦-利物浦大学三校联培博士项目的博士生导师。
欢迎对人工智能，量子系统启发式优化和量子计算算法感兴趣的同学咨询参与多智能体量子神经网络课题研究。闻风而动不如未雨绸缪，【量子+AI】的时代将要来临了，掌握先机胜天下，快来加入我们吧～。
本课题组目前与斯坦福大学 Steve Boyd 教授（控制学专家，凸优化算法CVX的发明者，美国工程院院士，黑石顾问）开展科研合作，聚焦凸优化与分布式优化方向。项目有一定挑战性，现诚邀对优化理论、算法设计及其在机器学习、智能调度等领域的应用感兴趣的同学参与相关项目。欢迎具备扎实数学基础或编程能力（如 Python/MATLAB/C++）的本科生、硕士生或博士生与我们联系，共同开展前沿研究。
我诚挚邀请具备高度主动性、扎实数学基础，并对复杂系统理论，优化控制算法，人工智能算法研究方向有浓厚兴趣的学生加入课题组。特别鼓励对大规模型系统（如网络系统中的优化与控制）有强烈研究志趣的申请者，携手突破复杂系统的理论与技术前沿。
最新发表论文：
Physics-Informed Deep Reinforcement Learning for Inter-Area Oscillation Damping via Shapley-based Generator Selection， IEEE Transactions on Power Systems, 2026, https://ieeexplore.ieee.org/document/11482537
Physics-aware dynamic graph embedding with contrastive feature alignment for transient stability prediction under grid topology variations, Engineering Applications of Artificial Intelligence, 2026, http://sciencedirect.com/science/article/abs/pii/S0952197626004914?via%3Dihub
Multi-objective deep reinforcement learning for frequency emergency control with auxiliary voltage deviation mitigation, Energy and AI, 2026, https://www.sciencedirect.com/science/article/pii/S2666546826000650?via%3Dihub
Fast Security-Constrained Optimal Power Flow under Topology Variations via Heterogeneous Graph Neural Network Learning, Sustainable Energy, Grids and Networks, 2026, https://authors.elsevier.com/a/1mxN08MuwJ9sIt
Robustness evolution in decentralized power grids: the role of topology and renewable energy penetration, Nonlinear Dynamics, 2026, https://link.springer.com/article/10.1007/s11071-025-12056-5?utm_source=researchgate.net&utm_medium=article
Pre-Trained Actor-Guided Proximal Policy Optimization for Feasible and Safe AC Optimal Power Flow in Large-Scale Power Systems, 2025 IEEE 9th Conference on Energy Internet and Energy System Integration (EI2), https://ieeexplore.ieee.org/document/11425389
Intrinsic light reflection of conjugated films towards high-performance organic solar cells, Nature Communications, 2026, https://www.nature.com/articles/s41467-025-67379-z?utm_source=researchgate.net&utm_medium=article
Optimal Power Flow for High Spatial and Temporal Resolution Power Systems with High Renewable Energy Penetration Using Multi-Agent Deep Reinforcement Learning, Energies, 2025, https://www.mdpi.com/1996-1073/18/7/1809?utm_source=researchgate.net&utm_medium=article
An Advanced Spatio-Temporal Graph Neural Network Framework for the Concurrent Prediction of Transient and Voltage Stability, Energies, 2025, https://www.mdpi.com/1996-1073/18/3/672?utm_source=researchgate.net&utm_medium=article
研究方向：聚焦复杂系统与网络、电力气象，新能源、电力系统及能源互联网领域的基础理论探索与工程技术创新，主要研究方向包括：
复杂动力学网络图表达：Graph representation learning and low-rank graph embedding techniques are applied to power systems to enable deep learning-based estimation of steady-state and transient dynamics, and to facilitate the integration of large language models for advanced analysis and decision-making support.
本研究旨在探索图表示学习（Graph Representation Learning）与低秩图嵌入（Low-Rank Graph Embedding）技术在电力系统建模与分析中的应用潜力。随着电力系统结构的日益复杂和运行状态的高度动态化，传统的建模方法在处理系统高维特征和时空耦合行为方面面临诸多挑战。图神经网络等图学习方法为捕捉电网拓扑结构与电气量之间的深层关系提供了新的路径，而低秩嵌入则有助于降维并保留关键结构信息，从而提升模型的泛化能力与计算效率。通过将上述技术融合于深度学习框架中，本研究实现了对电力系统稳态与暂态动态过程的精准估计。此外，进一步结合大语言模型（Large Language Models, LLMs），可构建面向操作员与决策者的智能交互式分析平台，提升对复杂电力系统运行状态的理解与响应能力，为智能调度、故障诊断及风险评估等高级应用提供有力支持。
智能电网人工智能技术，物理信息神经网络在电网暂态稳定在线预测中的应用；电网拓扑图嵌入快速潮流深度强化学习计算方法
模型泛化，现代深度学习常把性能与无约束扩张画上等号, 更多参数、更多数据、更少限制。但生物大脑在严格的代谢约束下运行，却依然能轻松泛化。我们提出一个问题，如果物理约束不是障碍，而是特性呢？涌现结构在不显式加入稀疏惩罚的情况下，自发形成结构。鲁棒的 AI 也许不只是靠做大，更在于掌握塑造学习动力学规律。一个系统要学会泛化，就必须被约束。
基于硬件结构量子启发式计算优化：借助量子建模方法，将工程问题映射为量子物理系统的模型，进而通过量子测量实现问题的高效求解与优化。相关工作在和耶鲁大学 the Yale Quantum Institute Batista 教授团队合作。
电力气象：气象电力耦合复杂系统统计力学演化；多时间尺新能源预测；风场最大功率跟踪。
新能源设备智能运维调度：基于电池管理系统数据流的电池状态预测与故障诊断，车网互动（V2G）及新能源微网的深度强化学习调度策略，分布式储能调度；
系统可靠性分析：复杂设备剩余寿命预测，复杂信息物理电力网络的级联故障演化与统计力学建模，风场运维和故障评级大模型。
人工智能储能交易套利策略： 基于物理模型多模态多时间尺度风场功率预测，储能系统市场套利