火电机组深度调峰改造是消纳可再生能源的有效途径，深度调峰就是在自动控制的情况下将机组的负荷调节下限从原来的50%Pe下调至30%Pe，甚至更低。控制难点在于：当机组处在低负荷工况时，机组被控过程的动态特性具有快速变化的特征，常规控制策略难于有效控制。 本项成果采用多模型智能预测控制技术，分别提出了适合于亚临界和超（超）临界机组深度调峰的多模型智能预测控制系统，实现了在低负荷或超低负荷工况下的平稳控制。 本项成果已成功应用于华能丹东、华能大连、华能营口、华能井冈山、华能大坝、国投钦州、大唐当途、中铝银星、国信射阳港、国华筹光等电厂近30台300MW亚临界、600MW和1000MW超（超）临界机组的深度调峰中。特别是，已成功将华能营口电厂#4 600MW超超临界机组的负荷深调到15%Pe，并实现了机组”干态/湿态”的一键转换控制，达到了国内外最先进的深调水平。目前，在国内已完成的机组深度调峰改造中，大部分均采用了本深调优化控制技术，得到了广大用户的一致好评。

火电机组深度调峰改造是消纳可再生能源的有效途径，深度调峰就是在自动控制的情况下将机组的负荷调节下限从原来的50%Pe下调至30%Pe，甚至更低。控制难点在于：当机组处在低负荷工况时，机组被控过程的动态特性具有快速变化的特征，常规控制策略难于有效控制。 本项成果采用多模型智能预测控制技术，分别提出了适合于亚临界和超（超）临界机组深度调峰的多模型智能预测控制系统，实现了在低负荷或超低负荷工况下的平稳控制。 本项成果已成功应用于华能丹东、华能大连、华能营口、华能井冈山、华能大坝、国投钦州、大唐当途、中铝银星、国信射阳港、国华筹光等电厂近30台300MW亚临界、600MW和1000MW超（超）临界机组的深度调峰中。特别是，已成功将华能营口电厂#4 600MW超超临界机组的负荷深调到15%Pe，并实现了机组”干态/湿态”的一键转换控制，达到了国内外最先进的深调水平。目前，在国内已完成的机组深度调峰改造中，大部分均采用了本深调优化控制技术，得到了广大用户的一致好评。

该技术通过自适应模型参数校准的方法，克服此项技术应用的瓶颈。用户的投资可以通过节省能源费用的方式迅速得到回收。节省 20-30%的供气能源；总氮去除率增加 30%，减少剩余污泥排放 10%，出水水质更加稳定，减少温室气体排放 10%，减少操作员工工作负荷 40%。

针对大规模分布式计算系统例如云计算系统、数据中心等的运维需求，研发了针对大规模计算系统的预测性监控技术。并开发了一个可扩展的监控系统。该系统的特点为：1）基于语义事件表达监控信息，开发了复杂事件处理器，可以支持用户定义针对复杂模式的事件探测组件，从而使系统能够对自动探测复杂的状态变化；2）基于发布订阅模式的事件传输网络，使得监控系统可以规模扩展，因而适应了大规模计算系统的监控需求；3）开发了多种性能预测算法和异常探测算法，实现了对计算机和应用性能的长期预测。 本项目的成果已经应用到多个企业的系统监控上。项目的成果也发表在INFOCOM、IFIP Networking，IEEE Transaction on Parallel and Distributed Systems, Journal of Systems and Software, Software: Practice and Experience等著名会议和期刊上。项目成果已经申请了10项专利。

本发明公开了一种考虑负荷影响的电网短路电流获取方法，包 括 步 骤 (1) 建 立 负 荷 模 型 Ua、 Ub、Uc 分别为电网节点的三相电压，za、zb、zc 分别为负荷的三相阻 抗，Ia、Ib、Ic 分别为流入负荷的三相电流；(2)根据负荷模型并采用 补偿法获得电压变化量指标和电流变化量指标；(3)当电压变化量指标 大于设定的第一阈值或者当电流变化量指标大于设定的第二阈值时， 考 虑 负 荷 对 电 网 的 影 响 并 获 得 电 网 短 路 电 流。本发 明提出的电压、电流变化量指

团体身心放松训练系统     团体心理放松训练系统是一款基于生物反馈原理的高科技心理训练及测评系统。通过脑波头戴设备作为前端脑电测量设备，可实时获取被检测者的脑电数据以及反映测试者心理状态的多项参数。脑波头戴设备具有佩戴简单、使用方便、安全舒适、稳定可靠等诸多等优势，可适应于各类人群和各种日常环境。    系统通过穿戴式生物反馈传感器，采集人体前额部位的脑电信号（EEG），通过无线传输将受测者的每一瞬间的压力值变化传输到身心反馈训练系统软件里面。采用视音脑多维度音乐诱导技术，通过不同频段的音乐诱发产生定向的脑电波形，达到合理干预、疏导压力，平衡情绪的目的。可以消除焦虑、紧张、冲动、抑郁等负面情绪，减轻学习、生活压力，达到使用者身心健康的目的。

本发明公开了一种混合新能源电力系统机组组合优化调度方法，包括：步骤(1)：建立新能源电力系统机组组合调度数学模型，包括：建立新能源机组优化调度目标函数：以机组开关状态和各机组功率为输 入 量 ， 机 组 运 行 费 用 为 输 出 量 ， 目 标 函 数 为 ： <imgfile=""DDA0000867560810000011.GIF"" wi=""1014"" he=""159"" /> 其中：minF 为系统运行费用最小的目标函数，T 为调度时期的时段数，N 为机组台数，Ii,t

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。

2020年2月12日，湖南大学联合苏州系统医学研究所、中国国家流感中心和中山大学等单位，成功开发基于分子标记物的流感病毒表型预测平台FluPhenotype，并在国际生物信息学专业权威期刊《Bioinformatics》发表题为“FluPhenotype-a one-stop platform for early warnings of the influenza A virus"的文章进行相关介绍。该文章的第一作者为湖南大学生物学院硕士研究生卢聪毓和博士研究生蔡泽娜，通讯作者为湖南大学生物学院副教授彭友松与苏州系统医学研究所蒋太交教授。 研究人员通过整合流感病毒核苷酸和氨基酸水平的分子标记物，以及基于分子标记物的抗原和宿主等预测模型，开发了快速预测流感病毒的抗原、宿主、致病性、耐药性等多个表型的预测平台FluPhenotype。

厄尔尼诺现象，是赤道中、东太平洋海表温度持续异常升温的周期性气候现象，平均每2-5年发生一次，对全球气候具有重大影响。厄尔尼诺现象会造成全球不同地区的异常温度变化，以及干旱或强降雨等现象。及早并准确地预测厄尔尼诺的发生以及强度，对预防或降低其带来的全球范围内的经济、农业、社会等方面的损失意义重大。 2019年12月24日，由北京师范大学系统科学学院陈晓松教授参与指导的一篇关于厄尔尼诺预测的文章已在线发表在美国科学院院刊PNAS上，首次克服了长久以来困扰厄尔尼诺预测的“春季预测障碍” （即无法在厄尔尼诺发生的那一年的春季或更早给出准确预测），将对厄尔尼诺现象的发生，特别是强度的预测提前一年。 该文作者提出了一套基于信息熵理论的全新的方法——System Sample Entropy——用来计算厄尔尼诺区域（Nino 3.4）近海平面空气或海表温度的复杂度（包括温度随时间变化的无序性以及不同地点温度变化的同步性或相干性）。利用这一方法，作者们发现了Nino 3.4区域温度变化的复杂度与厄尔尼诺现象强度存在着非常强和稳定的线性关系，即一年内（1月1日-12月31日）Nino 3.4区域的温度变化复杂度越大，那么下一年发生的厄尔尼诺事件的强度就越大。基于这一发现，作者们提出了一套基于每年Nino 3.4 区域温度变化复杂度的大小（由该区域 System Sample Entropy 量化）来预测来年厄尔尼诺发生及其强度的方法。该方法目前成功的预测了1984至2019年期间10个厄尔尼诺事件中的9个事件的发生年份，以及24个没有厄尔尼诺现象发生的年份当中的21个，特别是对厄尔尼诺强度预测的平均误差仅为0.23摄氏度。 对于刚刚到来的2020年，基于文中提出的System Sample Entropy的方法，作者们预测厄尔尼诺将有很大概率会在本年下半年再次发生，并发展为一个中等强度甚至高强度的厄尔尼诺事件，其预测强度为1.48+-0.25摄氏度。 目前传统的厄尔尼诺预测方法只能在提前6个月范围内给出比较准确的预测，而这对于提前预防厄尔尼诺带来的一系列严重影响是非常局限的。这一新的预测方法，将对厄尔尼诺的预测时间提前到了每年一月。这对于提前采取行动，控制和降低这一现象所带来的一系列全球范围内的消极影响，将意义重大！ 此工作由德国波茨坦气候影响研究所 （PIK）樊京芳博士作为通讯作者，PIK 的Jürgen Kurths教授，Hans Joachim Schellnhuber教授以及北京师范大学陈晓松教授等参与共同完成。陈晓松教授领导的研究小组多年来一直从事统计物理和复杂系统及相关课题的研究，特别是近年来专注于地球复杂系统的动力学演化及预测。