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。

重庆智能工程职业学院是重庆市人民政府批准、教育部备案的全日制普通高校，面向全国计划招生。学院位于西部职教名城、重庆职教基地——永川。学院依托华为技术优势，面向科技前沿办学，定位云、大、物、智、移等新技术高技能人才培养，是华为ICT人才培养基地、华为ICT师资培训基地、华为ICT技能大赛赛场、华为“1+X”证书培训认证中心、华为人工智能联合技术创新中心。学院立足打造“大学校园+科研机构+产业园区”融合发展共同体，华为（永川）联合创新中心建在校内。华为指派专家协同推进学院师资建设、专业建设、实习实训、创新创业、专业认证、就业服务、产业发展，学生在校期间即可获得产、学、研全方位能力培养和个人发展。学院是华为5G新型智慧校园示范项目，广泛应用华为最先进设备和技术，搭建了“一平台（华为数字平台）、二中心（创新中心、数据中心）、三云（公有云、华为云、私有云）、四网（5G/4G、物联网、无线网、有线网）”智慧生态，并通过IPV6 over 5G+WIFI6+光纤进行全联接，通过大数据、云计算、物联网实现全智能。学院建筑充分借鉴华为深圳总部风格，采用园林式书院布局，格调高雅、环境优美，各种设备设施高端智能，已是热门旅游目的地和网红打卡地。在重庆智能工程职业学院读书，将是您一生最美好的学习时光！ 三、学校地址：重庆市永川区华为大道666号四、招生电话：023-49669696/49669797五、网址：www.cqai.vip

电子科技大学机械与电气工程学院彭倍教授和骆德渊教授带领该校机器人与无人系统团队根据疫情需要，迭代研发了“小护士”智能机器人。目前有两台“小护士”智能机器人已在武汉汉阳方舱医院“上岗”。据了解，“小护士”智能机器人可以根据设定的程序，自主导航，进行喷洒消毒，派发药品，还可以对病人进行生命体征测试，包括体温、血压、心率、血氧检测分析。此外“小护士”智能机器人还可以通过人脸或指纹对病人进行身份确认，搭配热成像人体测温系统，测量精度高。同时还可以实现24小时智能监测预警，无人值守，远程遥控，能极大降低医护人员工作强度和暴露风险。“小护士”智能机器人的原型是机器人与无人系统团队牵头的四川省重大科技专项课题——用于警方的看守监视智能机器人。疫情发生后，团队老师发现，大量医护人员疲于配药送药分发，人与人的接触也会增加感染风险，如果用机器人来进行测温、配送药品，一方面可以把医护人员从繁复的工作中解放出来，另一方面可以隔离输入性传染源，降低交叉感染的风险，于是紧急迭代开发出了“小护士”智能机器人。

上海大学机械自动化工程系主任田应仲老师临时组建了由教师李龙、袁光杰和08级研究生校友高雨、陈孝光组成的“高污染危险环境下智能消毒机器人”攻关小组，将智能机器人科研工作与抗疫前线需求结合，一方面与瑞金医院、龙华医院、杨浦中心医院感染科的医生与医护人员通过视频会议、微信会议等方式，了解消毒要求与作业规范；一方面积极联系消毒器材与药品厂家落实消毒方案与原材料供应，开展消毒机器人研制工作。 得益于上大“智能制造及机器人中心”充分的技术储备、校内外团队通力合作、校友的倾力支持，攻关小组克服重重困难，在不到20天时间内研制出了可替代人工进行消毒作业的智能机器人。