刘向杰，二级教授，博士生导师。2006年入选教育部新世纪优秀人才支持计划，2019年当选北京市教学名师。担任教育部高等学校自动化类教学指导委员会委员；中国自动化学会控制理论专业委员会、过程控制专业委员会委员；中国自动化学会预测控制与智能决策专业委员会副主任；北京人工智能学会副理事长；北京高校虚拟教研室负责人；国家自然科学基金信息学部会评专家；科技部重点研发计划会评专家；北京市自然科学基金会评专家；国家科技进步奖会评专家；北京市技进步奖会评专家。担任《自动化学报》、《控制与决策》等期刊编委。
围绕着非线性预测控制在新能源电力系统优化控制问题，做出了系列研究成果，在国际期刊发表SCI论文80余篇，其中在T-CST、T-IE等IEEE 汇刊上发表二十余篇长文。研究工作入选新能源电力系统国家重点实验室标志性成果。曾十余次应邀在中国自动化大会、中国过程控制会议等学术会议上做大会/专题报告。2015年协同上海交通大学、吉林大学等高校在中国自动化学会控制理论专业委员会下创办了模型预测控制学组并担任副主任。2017年5月在华北电力大学主办第三届全国模型预测控制研讨会。2021年受邀担任在北京理工大学举办的首届中国模型预测控制学校授课教师。

长期工作在教学第一线，注重更新教育理念，探索育人艺术，坚持立德树人。主讲的《现代控制理论》课程2009年入选国家级双语教学示范课程，2020年入选首批国家一流课程。“非线性系统理论课程”入选教育部首批课程思政示范课程、教学名师和团队。主编的《现代控制理论》获评高等学校信息领域全英文课程“十三五”系列规划教材。出版了我国第一部专门针对自动化领域英文科技论文写作的教材。获北京市高等教育教学成果一等奖；中国自动化学会高等教育教学成果二等奖。指导150余名本科毕业设计、100余名硕士生和20余名博士生。其中：
博士生张怡获第26届中国过程控制会议“最佳学生论文奖”。(2015年,南昌)
博士生朱政获第2届中国自动化学会预测控制与智能决策大会“最佳论文奖”。(2022年, 兰州)
博士生马乐乐获第30届中国过程控制会议“最佳学生论文提名奖”。(2019年,昆明)
博士生马乐乐获2020年度获北京自动化学会优秀博士研究生称号。
博士生孔小兵入选第23届中国过程控制会议“学生优秀论文奖”候选人。(2012年, 厦门)
博士生姜頔入选第27届中国过程控制会议“学生优秀论文奖”候选人。(2016年, 兰州)
博士生冯乐入选第31届中国过程控制会议“学生优秀论文奖”候选人。(2016年, 兰州)
博士生孔小兵(2014)、张怡(2016)、韩耀振(2017)、马乐乐(2021)获校级优秀博士论文。
硕士生王诚诚(2016)、席珂、王梦月(2014)、农慧云、岳丹(2013)、牛丽霞(2008)获校级优秀硕士论文。
出版教材：
1.刘向杰, 张金芳. 现代控制理论(英文版), 北京: 科学出版社, 2016.
2.Liu X J. System Control Theory, Berlin/Boston: Walter de Gruyter GmbH, Science Press, 2018.
3.刘向杰, 师瑞峰. 英语科技论文的写作与投稿--自动化领域学术论文写作与发表, 北京: 机械工业出版社, 2014.

1.科技部重点研发计划政府间国际科技合作创新项目：基于分布式协同优化的高比例新源电力系统调频与虚拟惯量控制关键技术。项目编号：2021YFE0190900。主持人。
2.国家自然科学基金面上项目：稳定分布式经济模型预测控制在智能微电网中的应用。项目编号：62473150。主持人
3.国家自然科学基金面上项目：基于Tube的模型预测控制及其在风力发电系统中的应用。项目编号：62073136。主持人。
4.国家自然科学基金面上项目：鲁棒协同预测控制及其在多源发电过程中的应用。项目编号：61673171。主持人。
5.国家自然科学基金重点基金项目：大型燃煤电站热能传递效率在线评估与优化：61533013。主研人。
6.国家自然科学基金重点基金项目：百万千瓦超超临界机组的精细状态监测、故障诊断与自愈调控关键技术研究：U1709211。主研人。
7.国家自然科学基金面上项目：多级分布预测控制及其在新能源电力系统控制中的应用：61273144。主持人。
8.国家自然科学基金面上项目：非线性约束预测控制研究及其在电站节能控制中的应用。项目编号：60974051。主持人。
9.国家自然科学基金青年项目：模糊控制器的算法结构分析及其在热工控制中的应用研究。项目编号：69804003。主持人。

1.第十五届北京市高等学校教学名师奖，2019
2.教育部新世纪优秀人才，2006
3.“面向行业需求,“厚基础+重实践+强能力”自动化专业特色拔尖人才培养”，2016年中国自动化学会高等教育教学成果二等奖(排名第一)
4.“以能源电力转型需求为导向的自动化专业多层次协同人才培养体系构建与实践”，2017年北京市高等教育教学成果一等奖(排名第二)

[1]刘向杰, 孔小兵, 崔靖涵, 姜頔, 发电过程非线性模型预测控制, 科学出版社: 北京, 2021, ISBN 978-7-03-068244-4.
[2]X. Liu, S. Guo, L. Ma, X. Kong and K. Y. Lee, “Stable stochastic MPC for uncertain wind energy conversion system over whole operating regions,” IEEE Transactions on Energy Conversion, 2024, doi: 10.1109/TEC.2024.3435852.
[3]X. Liu, S. Guo, X. Kong, L. Ma and K. Y. Lee, "Offset-Free stochastic MPC for uncertain wind energy conversion system," IEEE Transactions on Industrial Informatics, vol. 20, no. 7, pp. 9487-9496, Jul. 2024.
[4]L. Ma, X. Liu, F. Gao; K. Y. Lee, “Data-driven iterative learning model predictive control with self-modified prior knowledge,” IEEE Transactions on Neural Networks and Learning Systems, 2024, doi: 10.1109/TNNLS.2024.3453380.
[5]X. Liu, L. Feng, X. Kong, S. Guo, and K. Y. Lee, "Tube-based stochastic model predictive control with application to wind energy conversion system," IEEE Transactions on Control System Technology, vol. 31, no. 5, pp. 2173-2187, Sep. 2023.
[6]X. Liu, C. Wang, X. Kong, Y. Zhang, W. Wang, and K. Y. Lee, "Tube-based Distributed MPC for Load Frequency Control of Power System with High Wind Power Penetration", IEEE Transactions on Power Systems, vol.39, no. 2, pp. 3118-3129, May 2023.
[7]X. Liu, L. Ma, X. Kong, and K. Y. Lee, “An efficient iterative learning predictive functional control for nonlinear batch processes,” IEEE Transactions on Cybernetics, vol. 52, no. 6, pp. 4147-4160, Jun. 2022.
[8]L. Ma, X. Liu, X. Kong, and K. Y. Lee, “Iterative learning model predictive control based on iterative data-driven modeling,” IEEE Transactions on Neural Networks and Learning Systems, vol. 32, no. 8, pp. 3377-3390, Aug. 2021.
[9]X. Kong, X. Liu, L. Ma, and K. Y. Lee, “Hierarchical distributed model predictive control of standalone wind/solar/battery power system,” IEEE Transactions on Systems, man, and cybernetics: systems, vol. 49, no.8, pp. 1570-1581, Aug. 2019.
[10]J. Cui, X. Liu, T. Chai, “Approximate scenario-based economic model predictive control with application to wind energy conversion system,” IEEE Transactions on Industrial Informatics, vol.19, pp. 5821-5829, Jul. 2022.
[11]X. Liu, L. Ma, X. Kong, and K. Y. Lee, “Robust model predictive iterative learning control for iteration-varying-reference batch processes,” IEEE Transactions on Systems, man, and cybernetics: systems, vol. 51, no. 7, pp. 4238-4250, Jul. 2021.
[12]J. Cui, T. Chai, and X. Liu, “Deep-neural-network-based economic model predictive control for ultra-supercritical power plant,” IEEE Transactions on Industrial Informatics, vol. 16, no. 9, pp. 5905-5913, Sep. 2020.
[13]X. Liu, Y. Zhang, and K. Y. Lee, “Coordinated distributed MPC for load frequency control of power system with wind farms,” IEEE Transactions on Industrial Electronics, vol. 64, no. 6, pp. 5140-5150, May 2017.
[14]X. Liu, D. Jiang, and K. Y. Lee, “Decentralized fuzzy MPC on spatial power control of a large PHWR,” IEEE Transactions on Nuclear Science, vol. 63, no. 4, pp. 2343-2351, Aug. 2016.
[15]X. Liu, D. Jiang, and K. Y. Lee, “Quasi-min-max fuzzy MPC of UTSG water level based on off-line invariant set,” IEEE Transactions on Nuclear Science, vol. 62, no. 5, pp. 2266-2272, Aug. 2015.
[16]X. Kong, X. Liu, and K. Y. Lee, “An effective nonlinear multivariable HMPC for USC power plant incorporating NFN-based modeling,” IEEE Transactions on Industrial Informatics, vol. 12, no. 2, pp. 555-566, Apr. 2016.
[17]X. Liu and X. Kong, “Nonlinear model predictive control for DFIG-based wind power generation,” IEEE Transactions on Automation Science and Engineering, vol. 11, no. 4, pp.1046-1055, Oct. 2014.
[18]X. Liu, P. Guan, and C. W. Chan, “Nonlinear multivariable power plant coordinate control by constrained predictive scheme,” IEEE Transactions on Control System Technology, vol. 18, no. 5, pp. 1116-1125, Sep. 2010.
[19]X. Liu and C. W. Chan, “Neuro-fuzzy generalized predictive control of boiler steam temperature,” IEEE Transactions on Energy Conversion, vol. 21, no. 4, pp. 900-908, Dec. 2006.
[20]X. Liu, F. Lara-Rosano and C. W. Chan, “Model-reference adaptive control using neuro-fuzzy network,” IEEE Transactions on Systems, Man, and Cybernetics, Part C-Appications and Reviews. vol. 34, no. 3, pp. 302-309, Aug. 2004.