骨肉瘤是一种青少年常见的恶性骨肿瘤，目前治疗手段主要是外科切除加化疗，这种治疗方式存在很多不足。该课题拟通过放射与基因手段联合应用进行治疗骨肉瘤研究，依据可信，立项充分。自杀基因CD/5-FC 和HSV-TK/GVC 系统基因治疗临床试验方案已经得到了一定程度地开展，并且取得了不错的结果，而本课题通过辐射诱导基因Egr-1 启动子调控双自杀基因CD/TK，治疗骨肉瘤，从一个新的角度开展治疗骨肉瘤的研究，立体新颖，如果该方法被验证可行，将会为骨肉瘤的治疗提供一种新的治疗手段。该课题组已经构建出GFP 做标志的Egr-1 调控CD/TK 双自杀融合基因的腺病毒载体pAdEgr-1-CD/TK，而且已经证明其序列正确以及Egr-1 的活性，因此在此基础上进一步研究其对骨肉瘤的治疗效果，实验方法可行，预计能够按时完成课题项目。

一、成果简介 开菲尔（kefir）起源于俄罗斯北高加索地区，当地的山岳民族将牛乳或山羊乳注入羊皮口袋经自然发酵生 产酸乳酒，其残留物再补加牛乳或山羊乳继续发酵，经长期发酵后在皮口袋中形成不规则颗粒状物体，即为开菲尔粒。开菲尔被认为是高加索地区人们长寿的重要原因之一，因此它作为一种新型的发酵保健饮料逐渐在美 国、日本、奥地利、巴西、以色列以及东欧各国普及。本研究室从开菲尔粒中筛选出一株

水利水电工程施工领域，提出了高心墙堆石坝施工质量实时监控技术、高混凝土坝施工进度实时控制分析技术和网络环境下数字大坝系统集成技术，实现了工程施工质量的全天候、精细化、在线自动监控，以及施工进度的实时预测、适时预警、动态调整与优化。成果总体上达到国际领先水平，是大坝施工质量和施工进度控制手段的重大创新；已应用于糯扎渡、拉西瓦、锦屏一级、南水北调等10余项重大工程，获经济效益3.46亿元，并在我国水利水电工程界产生了重大影响，应用前景十分广阔。

本团队采用新型结构导向技术来实现亚微米和纳米二氧化硅中空微球的溶胶凝胶法和沉淀法高浓度制备，能够满足大规模工业生产的需要，并能对其纳米壳层结构进行精准调控，为相关功能材料的性能设计提供合成技术基础。现有二氧化硅中空微球制备技术的投资成本高、设备生产率低、控制难度大，无法在工业规模上对其特有的纳米结构进行精准调控，严重限制了中空微球在高端产业中的应用。本团队基于全新的中空结构导向技术，在间歇反应釜中通过溶胶凝胶法和沉淀法实现中空微球的高密度、大批量生产，具有设备生产率高、微球结构规整、壁厚可控、容易复合改性等优点，突破了中空微球规模化生产的技术瓶颈。通过改变导向剂分子结构和生产工艺微调，可在 50-400 纳米范围内对中空微球的壁厚进行精准调控，使其对不同波长的光信号产生各种响应，并能通过控制中空和多孔结构调节比表面积、导热系数、阻尼特征、机械强度等性能，满足不同功能材料领域的要求。该技术还可以实现脂溶性物质或纳米颗粒与二氧化硅的复合，制备出具有功能多样性的复合中空微球， 如将氧化锡锑（ATO）与二氧化硅中空微球复合，可制备兼具紫外光、可见光、近红外反射和隔热功能的复合中空微球保温填料。 

在规范采样及针对性测试条件下，释光测年技术应用在埋藏陶器、烧土类考古受热材料的年代学研究中具有高准确度的优势，并有望确定最后一次考古受热事件（如祭祀、焚烧、烹煮等）的高精度年代。

在接受治疗的8例患者中，研究人员观察到PD1-19bbz具有出色的临床安全性和有效性。有87.5%（7/8）的患者获得疾病完全缓解的效果，其中5例无癌生存已超过1年。“我们治疗的都是传统放化疗无效或治疗后反复复发的病人，这个临床结果证明这五年半的付出都是值得的。”

针对含战略资源固废处理现有方法存在难以回收、难以实现高纯化和低成本无害化等技术瓶颈，以固废减量化和战略金属高值化回收为目标，从浸出的可控性、分离的匹配性和纯化的选择性三个方面开展系统研究和技术创新，突破了5项技术瓶颈，研制了3套新装备，形成适宜钨渣、稀土尾渣和废弃电池中金属资源化的3套技术体系，解决了我国复杂固废中战略金属的选择性和高值化回收技术难题。2016 年 8 月通过了中国有色金属工业协会组织的科技成果评价，以柴立元教授任组长的专家组认为：“项目成功开发了废弃锂

首先，对干旱沙漠地区电气化铁路牵引供电系统防雷失效风险进行评估。其次，通过评估确定干旱沙漠地区电气化铁路接触网雷电防护方案和电气化铁路牵引变电所雷电防护方案。牵引变电所雷电防护主要从一次系统和二次系统展开防雷保护。一次系统直击雷的防护方案就是采用避雷针；电压等级相对较低的牵引变电所二次设备雷电防护方案主要采用接地、设置电涌保护器、屏蔽和隔离。最后，对避雷器设备在线检测方案进行了研究。通过对氧化避雷器MOA泄漏电流检测的原理和方法进行了研究，设计了无线多点MOA在线检测系统。

本发明公开了一种耦合太阳能与化学链空分技术的低能耗富氧燃烧系统，该系统包括干蒸汽制取装置、化学链空分装置以及富氧燃烧装置，其中，干蒸汽制取装置包括太阳能集热器、蒸汽发生器和分流器，干蒸汽制取装置生成的干蒸汽经分流器分为两股：一股干蒸汽进入化学链空分装置用于吸氧反应器的流化气，另一股干蒸汽进入富氧燃烧装置，化学链空分装置生成的高纯度氧气进入富氧燃烧装置与干蒸汽和燃料进行混合燃烧，产物经简单冷凝分离后获得高纯度的二

（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。