本发明公开了一种基于敏感性分析的梯级水电站调度方案评价方法，在梯级水电站制定出日计划发电调度方案的基础上，通过改变径流大小、改变径流方差对水库入库径流的蒙特卡洛模拟，通过改变负荷大小对电网负荷的蒙特卡洛模拟，模拟径流的不确定性和负荷的不确定性，进而通过常规优化调度模型计算电站运行指标参数，统计分析参数指标敏感性的平均值和方差从而实现对调度方案进行评价的优劣。本发明可用于定量评价发电调度方案是否健壮，是否能应对径流和负荷的不确定性。

新能源高占比发展下传统同步机组与风光新能源机组呈现“此消彼长”趋势，电力平衡面临“保供应、促消纳”的两难局面。因此，迫切需要研究面向新型电力系统的电网智能调度与可视化预警关键技术，保障电网安全可靠供电和新能源最大化消纳，助推碳达峰目标顺利实现。 该成果实现了面向新型电力系统的电网智能调度与可视化预警应用的信息融合、智能告警、动态监视、海量数据阅读、超实时仿真和高性能计算、基于人工智能的电网安全稳定分析、虚拟现实、基于图数据库的人-机交互等功能，为新型电力系统电网调度员提供了一个准确及时掌握电网实时运行态势的分析决策工具，实现调度员对调度计划方案的智能互动决策以及电网风险的实时可视化预警。 该技术实现了传统电网调度模式向智能性电网调度模式转换，可广泛应用于电网、电力公司调度及区域控制中心等机构，在实现电力系统安全可靠运行的同时，促进高比例新能源最大化消纳和保障电力可靠供应。同时，该系统不但可应用于实时运行管理，而且还可应用在规划、交易、营销等新型电力系统生产管理的不同领域。该成果已在四川省电力公司、中国南方电网等30余家单位机构投入使用，产生了良好的经济和社会效益。 图1 基于大数据的电网运行行为识别及可视化显示 图2 多源信息融合的电网环境监测可视化

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明提出了一种纤维增强复合材料动态拉伸失效评估方法，针对目前纤维增强复合材料失效评估方法中未考虑应变率效应、依赖于试验数据修正而缺乏理论依据的问题，基于能量密度理论，考虑了纤维增强复合材料在动荷载作用下的应变率效应，推导得到了材料在动态拉伸荷载作用下的应变率相关能畸变能密度方程，该方法能够准确地分析纤维增强复合材料在动荷载作用下的拉伸失效行为，避免了大量的动态试验测试，为各类纤维增强复合材料结构的设计提供一种可靠的评估方法。

项目“动态频谱资源共享宽带无线通信系统验证网络开发”属于国家863重点项目“频谱资源共享无线通信系统”的子课题。该项目目标是开发与现有系统共存的宽带无线通信系统验证网络，并在694～806MHz频段进行演示验证。在不影响现有系统业务的前提下，为固定和移动用户提供语音和其它宽带业务。

本发明公开一种最小二乘拟合动态频率测量方法，依次包括以下步骤：将电网连续信号通过A/D转换采样，形成等时间间隔离散信号；采用FIR数字滤波器提取较为纯净的基波离散信号并形成采样矩阵；应用二元函数泰勒展开式，提取电网信号中的频率偏差量和频率变化率偏差量，离线计算常系数矩阵；应用最小二乘法，求出含有频率偏差量和频率变化率偏差量的未知参数矩阵；求出该数据窗内每个采样点的动态频率。本发明以多元泰勒级数为基础，建立电网信号测量矩阵方程，并且采用最小二乘法解决方程线性拟合问题，在跟踪频率的同时，还能对频率变化率进行监测，具有精确度高，实时性好和抗干扰性强等特点。

本发明提供了一种高速电主轴转子?轴承?外壳系统动态设计方法，其包括以下步骤：步骤1，将高速电主轴转子?轴承?外壳系统简化为双转子耦合动力学模型；步骤2，高速电主轴转子?轴承?外壳系统动态特性分析；步骤3，高速电主轴转子?轴承?外壳系统动态设计，以获得尽可能大的转子临界转速和轴端静刚度。采用本发明提供的高速电主轴转子?轴承?外壳系统动态设计方法，能够大幅提高该类电主轴动态设计精度，并缩短设计周期，为该类高速电主轴设计提供有效的方法。

该项技术针对乘用车或轻型汽车整车底盘，结合ADAMS多体动力学分析软件，建立精确的整车或半车多体动力学模型，通过模拟仿真，以全面完整的获取整车在行驶、转向、刹车以及各种工况条件下的整车性能参数，对整车的操纵稳定性，平顺性给出准确的评价，对底盘悬架系统刚度，阻尼的匹配及发动机悬置刚度等参数进行优化。 项目优势：（1）以理论分析和仿真代替经验设计，结果更具可靠性，适用范围更广。（2）研发周期短，研发经费少。（3）满足车辆操纵稳定性，平顺性要求的前提下，提升可靠性。项目研究阶段：技术成熟  投资规模及设备需求: 20-60万人民币。项目研究阶段：技术成熟  项目效益分析：（1）与南汽合作，对于依维柯4010轻型客车减震器和板簧刚度进行优化匹配，产生效益数十亿元。（2）与南汽合作，对依维柯NJ2046军用越野车的动力系统悬置进行优化。预期效益巨大。

本实用新型公开一种基于大数据的肝脏三维图像动态演示装置，包括：获得特定肝脏的DICOM格式的肝脏CT图像的数据接收模块、生成特定肝脏三维图像的三维图像处理模块、分类存储特定肝脏三维图像的肝脏信息数据库、及动态演示模块。其中，三维图像处理模块包括：图像预处理子模块、肝脏提取子模块及图像绘制子模块。图像预处理子模块对每幅肝脏CT图像进行图像平滑及图像增强处理。肝脏提取子模块分割肝脏数据图像以检测肝脏轮廓边缘并提取肝脏轮廓线。图像绘制子模块将分割后的肝脏CT图像按照对应的实际空间位置在每相邻两幅肝脏CT图像之间构造出若干体数据单元，通过对每个体数据单元进行错切变换和二维图像变形获得特定肝脏三维图像。

在过去30年间全球城市扩张的平均速率为每年9,687 km2，该增速是以往估算结果的4倍，且城市用地的扩张远快于全球人口的增长。该研究还分析了不同空间尺度下的城市扩张趋势规律，发现过去30年间全球约69%的新增城市用地出现在亚洲和北美地区。各大洲的城市化呈现不同趋势：亚洲、南美洲和非洲的发展中国家城市大体呈现加速扩张，而北美洲、欧洲和澳大利亚等发达地区城市则呈减速扩张。该研究还发现，美国、中国和印度等国家的城市存在返绿现象（green recovery），且中国是全球城市返绿面积最大的国家，约为欧美发达国家的2倍左右。这一现象可能归功于近些年的国家大力推行的城市更新项目。城市化进程往往伴随着对自然土地资源的侵占，该研究通过GAUD数据集和欧空局ESA-CCI土地覆盖数据集分析发现，自1992年以来，全球新增城市用地中约有70%来源于对农用地的侵占，其次是草地和林地。从不同地区来看，中国、印度、日本、韩国、美国中部以及大部分欧洲国家的城市化主要以侵占农用地为主；欧洲北部、美国东部和非洲南部地区城市化的侵占来源主要是林地。中国和印度作为全球人口最多的国家，未来如果仍以侵占大量农田为主的方式扩张城市，将可能加剧潜在的粮食危机。