本发明提出一种智能物流系统预测性调度优化方法及系统，具体包括：实时采集智能物流系统内设备的运行状态数据，对运行状态数据进行预处理，并划分训练集和测试集；对预处理后的运行状态数据进行时域分析，从中提取关键故障特征，对设备进行健康状态评估；建立预测性调度模型，基于得到的健康状态评估结果进行调度策略切换，并对生产物流调度方案进行多目标优化；采用三维建模技术进行可视化管理，并结合虚拟仿真进行调度优化验证。本发明所提出的方法，能够有效应对动态物流环境中的设备故障等问题，优化物流调度性能，减少配送延误，并提高物流系统的整体效率与资源利用率，实现高智能化、高效生产物流调度。

远程在线高精度温度控制系统利用测控软件LabVIEW编写控制算法和远程监控程序，可对多达30段的温度设定曲线进行操作，并可根据用户要求固化若干条固定曲线。系统采用神经网络PID调节方式，具有自整定、自学习功能、超调小、稳定度好等优点，控温精度在0.1%以内。系统采用LabVIEW编写远程控制程序，基于TCP/IP协议建立服务器端和客户端，通过与PLC通讯，实现远程在线监控功能。用户可以通过客户端对远端的服务器进行在线控制，可对现场电流电压、实时温度进行检控，历史记录调用处理，并且可以对现场设备进行在线远程启动、停止、复位、紧急停车等操作。系统通过LabVIEW建立良好界面，被测温度和设定温度等参数均为数字加曲线实时动态显示，界面简洁直观，操作简单方便，安全可靠。本团队研究开发的远程在线控制系统和成套装置目前处于产业化前期阶段。

锂离子电池对现代电子设备、电动汽车和储能系统至关重要，然而目前商用锂离子电池不能苛刻温度环境下使用，尤其在低温环境下能量密度严重衰减，限制了其在电动汽车、户外储能、国防军工以及深空探测等领域的应用。随着锂离子电池应用领域的不断拓展，要求锂离子电池在高温/低温兼顾条件下能提供能量输出，以保障装备正常工作，目前锂离子电池还难以达到这一要求。同时，锂离子电池作为苛刻温度环境服役的电源设备仍需克服较多的问题，如无法跨温区使用、低温无法充电、安全性能低等。 本成果攻克了复合碳负极材料、快离子输运特性正极材料和宽温域高电导率电解液体系等关键材料，解决了锂离子电池低温容量衰减严重、低温无法充电和高温/低温不能兼顾使用三大技术难题，突破了锂离子电池在-60~70℃宽温域使用技术壁垒，开发的锂离子电池产品可在高原高寒、沙漠、极寒极地、深空等全疆域使用要求。 本团队拥有教授、副教授和研究生100余人，依托中南大学“粉末冶金国家重点实验室”、“轻质高强结构材料国家级重点实验室”及“粉末冶金国家工程研究中心”等3个国家级研究和产业化平台，完成了三项技术转化。

本发明公开了电阻率监测冻结壁温度场的方法：首先在立井井筒或隧道周圈冻结壁钻环形排列成一圈或两圈的检测孔4～8个，检测孔的深度为150～700m，检测孔直径为133～159mm；接着，在每个检测孔内放置带有若干电极的多芯电缆，所述电极的电极距为 1.8～2.2m，将所述多芯电缆外端连接在放置在地面上的电阻率仪上，可进行冻结地层的电阻率数据采集，根据各土样的 t-ρ s 方程冻结地层钻孔柱状图，绘制冻结壁等温线图，从而得出冻结壁的发育情况。本发明数据采集量大、费用低，大大提高了冻结壁温度场信息化监测的水平，可有效地探测冻结过程中的断管、不交圈等异常现象，为冻结法安全施工提供保障。

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：