1.痛点问题 我国水体重金属污染给区域环境造成了一定危害，也给人体健康和生态安全带来了潜在威胁。目前，我国制定区域污废水重金属排放总量控制目标的方法采用目标总量管理模式，忽略了水体水质和底泥质量的约束性；如果考虑上述约束，又缺乏相应的技术手段支撑。特别地，能够预测含重金属污水进入河流后对水质和底质质量的影响，以及根据生态系统保护和修复目标确定污染减排控制要求等定量分析工具的缺失，制约了水污染控制与管理的精细化和精准化发展。为解决重金属容量总量管理和污染控制缺乏决策工具的问题，开发了河流重金属迁移转化的一维分相模型，以支持河流重金属污染过程模拟与相应容量总量定量计算。 2.解决方案 由于河流中重金属的演化规律非常复杂，影响因素众多，因此目前国内外对于河流中重金属数值模拟的研究尚不完善。考虑到基于化学反应动力学机理的模型构建复杂且不易与管理工作结合，而基于化学热力学平衡机理的模型存在过度简化从而不满足控制需求等问题，本项目采用迁移转化动力学机理予以建模。特别地，针对重金属在受纳河流中存在溶解态、悬浮颗粒态和底泥沉淀态的赋存特征，本项目突破已有经验模型、整体模型的局限，采用了分相模型的形式。 所开发的模型软件可用于定量刻画河流中重金属动态迁移转化规律。该模型系统具有分相特征，将河流体系划分为水相和底泥相，同时考虑推流迁移、纵向弥散、沉降作用、再悬浮作用，以及重金属在水相和底泥相之间的吸附解析作用等核心机理。采用一阶隐式欧拉算法实现模型的正向数值求解和预测，用于量化一维河流水相和底泥相中重金属在时间和空间上的迁移转化过程。 针对在流域/区域尺度上开展河流重金属污染管控的需求，本项目在构建重金属模拟模型的基础上，进一步开发了基于蒙特卡洛模拟的逆向算法，可用于估算同时满足水质和泥质要求的污染源最大排放量。当针对河流保护对象给定水质和泥质双重保护目标时，本项目开发的软件可作为在水相和底泥相浓度限值约束下控制排污口重金属总量的计算工具。 合作需求 （1）寻求在水污染监测与环境管理系统研发、生产、销售及运营服务的企业开展技术研发合作； （2）寻求在生态环境、水利、市政等政府部门或事业单位及受环保部门重点监管的污染源企业的环境监测与管理相关应用场景对接资源。

本发明公开了一种锗硅纳米低维结构可控制备方法及产品，该 方法具体为：(a)清洗硅衬底；(b)在硅衬底上外延生长锗硅合金形成外 延衬底；(c)涂敷电子抗蚀剂，通过电子束光刻技术在电子抗蚀剂上曝 光所需的锗硅纳米低维结构图形；(d)采用干法刻蚀将锗硅纳米低维结 构图形转移到外延衬底上得到样品；(e)去除样品上的电子抗蚀剂；(f) 高温环境下进行氧化和退火，使得氧气优先与硅反应形成氧化硅而锗 被析出；(g)在氮氢混合气氛下

本实用新型公开了一种分体式二维力传感器，属于传感器技术领域。包括连接头，矩形截面梁，中空筒形构件。所述矩形截面梁的顶部具有第一螺孔，底部具有第二螺孔，相对的第一侧面和第二侧面上黏贴至少一对第一应变片；所述连接头底部设置有与矩形截面梁的第一螺孔相配合的连接螺杆；所述中空筒形构件的顶部具有向外伸出的上螺杆，底部具有向外伸出的下螺杆，侧面开有导线孔，底部内表面黏贴至少一对第二应变片，第二应变片的导线从导线孔中引出；所述上螺杆与矩形截面梁的第二螺孔相配合，从而固定中空筒形构件和矩形截面梁；下螺杆固定被测结构物。该分体式二维力传感器结构简单、体积轻巧，可用于离心模型试验条件下结构物的多维受力测试。

产品详细介绍MPT-1JN/RL20X系列小体积大行程工作台通过特殊的放大机构设计,可实现小体积大行程的运动，最大可以实现X方向160微米的运动。采用柔性铰链机构作为导向机构，这种无摩擦柔性铰链导向系统提供了超高的精度以及很高的快速响应时间。快速定位响应时间仅需要几毫秒，适合动态与静态的应用。

深圳市四维科瑞科技有限公司是以生产KVMSWITCH（多电脑切换器）和工控设备为主的高新技术企业。公司成立于2000年，生产经营多种工控及KVM产品，包括工业平板电脑及液晶产品、单板电脑、嵌入式主板、服务器、一体化工作站、工业机箱、工业电源、四合一KVM、切换器、数据采集卡/模块、便携式计算机等，其产品应用涵盖了众多领域，包括：电力、金融、教育、交通、通讯、能源、精密加工、工厂自动化、安防、网络应用、医疗等各个行业。

深圳市维海德技术股份有限公司（简称：维海德，股票代码：871053）是集研发、生产、销售及技术服务为一体的国家级高新技术企业，成立于2008年5月，并于2017年2月在新三板挂牌。公司主要从事高清及超高清视频会议摄像机、视频会议终端、会议麦克风等音视频通讯设备的研发、生产、销售和相关技术服务，主要为品牌厂商、系统集成商、经销商及最终用户提供音视频通讯设备，是我国音视频通讯设备及解决方案的主要供应商之一，产品广泛应用于商务视频会议、教育录播、政企业务、远程教育、远程医疗、网络直播、红外测温等多个应用领域。目前，维海德的业务遍及中国、美国、德国、荷兰、法国、挪威、意大利、新加坡、韩国、印度、南非等全球约50个国家和地区。 维海德注重研发技术积累和持续投入，在音视频各领域均获得技术突破。在摄像机领域，拥有自主专利的自动聚焦、自动曝光、自动白平衡（视频3A）核心算法，以及多种ISP自适应算法等核心技术，获得了众多品牌商和渠道伙伴的广泛应用；另外公司还推出了4K超高清系列摄像机，赢得了高端客户的认可；USB系列摄像机兼容诸多主流软视频会议平台，如腾讯会议、Teams、Zoom、好视通等。在视频会议方案上，维海德倡导端到端的标准化协议，其会议终端同业界主流硬件平台保持很好的互通性。在音频领域，也拥有自动降噪、自动增益、自动回声消除（音频3A）的核心算法，先后推出多款高保真音频产品，适用于视频会议及多媒体场景。

本发明公开了一种直流电机的驱动?调速一体式约束预测控制方法，本发明将这种驱动?调速一体式的控制技术应用于直流电机，首先利用广义比例积分观测器技术在串级电路和转速的光电编码器采集的转速信息的基础上对系统的集总干扰进行估计，得到重构后的集总干扰信息，结合模型预测控制相关技术设计出针对直流电机的带输入约束的输出反馈控制器，在保证系统动态响应性能的基础上，因为不需要使用电流、电压以及转矩传感器，降低了系统的成本，提高了系统容错能力，同时可以明显地抑制参数摄动和负载转矩突变等因素引起的干扰，从而大大提高直流电机系统的输出转速的控制精度和干扰抑制能力。

利用合成gRNA-靶序列的高通量文库允许直接在细胞环境中便捷和高通量地收集gRNA活性数据，由此建立的计算模型来预测gRNA的活性比较可靠。

（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。