近日，东南大学脑科学与智能技术研究院在神经元自动追踪算法基准测试与性能预测方面取得重要研究进展。

中国科学技术大学化学与材料科学学院罗毅、江俊教授团队与自动化系尚伟伟等合作，通过开发和集成移动机器人、化学工作站、智能操作系统、科学数据库，研制出数据智能驱动的全流程机器化学家。

本项目具有自主知识产权，是一套适合于处理城市污水及回用（从城市污水到杂用 水、景观用水、绿化、洗车等直到实验室分析配制标准溶液的纯水）的集装式膜生物反 应器成套技术装备。同时本装置还适用于在本装置的一个阶段内实现受污染水源地的饮 用水的供应的系列产品。 技术创新点： 1）针对不同城市污水水质可以选择不同的膜材质。 2）针对不同废水规模可以加工大型或中型的集装式膜生物反应器。 3）不同处理程度的集装式膜生物反应器可以适用于同种废水而不同用户需求的回 用水质。 4）开发的自控技术，可以达到无人监管、在线检测的水平，使人工费降低及自动 控制达到较高的水平。 应用领域：城市污水深度处理及回用

（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。

高博会数字会展服务

JC-YBS-DT型精密数字压力计是一种多功能的数字压力计，集电压、电流、温度、压力等参数的检测与输出为一体，如图所示。采用外接智能压力传感器模块，即插即用，传感器兼容进口产品以实现互换。采用图形液晶显示。能同时检测两种以上的参数。企业委托项目。

本实用新型公开了一种基于数字广播的低空目标多点定位系统，包括一个发射站，至少三个接收站 和一个信号处理的主站。接收站由天线、射频前端组成。天线采用细直天线。信号经过该射频前端的放 大滤波后，利用光纤链路送入信号处理的主站。所述信号处理的主站包括采样器和信号处理机，采样器 将信号送入 AD 进行带通采样得到数字信号，信号处理机利用计算机进行数字信号处理，在计算机中显 示目标定位跟踪结果。本实用新型采用先进的多站时差定位技术，利用三个或者多个接收站，测量出同 一信号到达各接收站的时间差，确定多个定位曲面相交，得到目标的位置。利用不同平台定位曲面之间 差异较大的特点来定位和提高定位精度，具有速度快、精度高的优点。

成果简介：本成果面向具体企业，根据其特定需求定制Pro/E，为用户提供具有自定义功能的数字化设计工具和方法，解决了Pro/E作为通用软件的低效率问题。该系统以基于网络的设计思想为指导，以服务器端的Oracle等数据库系统为统一数据源，实现了包括“特征建模”、“标准件设计”、“典型结构件设计”、“装配建模”、“属性管理”、“修改标记”、“模型重构”等分模块。开发了可扩展的开放性常用特征库、典型零件库、标准件库以及相应的设计和库管理界面。用户可以结合具体情况，利用友好的界面建立、填充和修改这些数据库。

成果简介：星载SAR数字仿真和地面验证系统包括总体参数与分析、回波模拟、数据压缩与成像算法、图像评估、非理想因素等模块。该系统能够实现多种工作模式、多种极化方式的下的总体参数设计、多工作模式设计与优化、参数复核复算与成像仿真验证等功能，并能够定量分析轨道摄动、地球自转、大气传输路径、卫星平台误差、姿态误差、极化耦合、天线形变和天线展开误差等非理想因素对SAR成像及应用的影响。此外，该软件可支持大运算量，并具有良好的可扩展性。 项目来源：横向项目 技术领域：地球观测与导航

移动X射线机主要对危重、不便移动的病人进行X射线摄影，亦可以把它当作常规的X射线检查的必备设备，用于头部、四肢、胸腹各部分的摄影。有了移动X射线机，等于把放射科移到病房去。