"智能电网已经成为21世纪全球能源的新战略。在其需求侧，深入至电器的用户用电行为精细化分析对推动全社会节能减排和电力系统源/网/荷协调优化意义重大。与在每个电器上分别安装量测传感器的方法不同，非侵入式电力负荷监测技术仅通过分析用户供电入口的负荷总量数据，便能获取各电器的用电信息，具有成本低、实施容易和用户易接受等特点。 针对非侵入式电力负荷监测技术实用化所面临的各种挑战，过去十多年里，中国工程院院士、天津大学余贻鑫教授领导的研发团队从技术基础理论和工程实施方案两方面开展了深入系统的研究，取得了一系列开创性成果：（1）创立了一系列非侵入式电力负荷监测新原理和方法，形成了多种方法融合互补的非侵入式电力负荷监测方法体系，突破了对小功率和功率连续变化型电器可靠检测的瓶颈，准确度明显优于国际同类产品；（2）首创了一整套用于非侵入式电力负荷监测的完全无监督电器自适应建模方法，解决了陌生场景中电器准确建模的技术难题，实现了无需人工干预的电器负荷印记库全自动建立和维护；（3）首创了云—端协同非侵入式电力负荷监测系统解决方案，研发了可推广应用的硬件装置（智能用电分析仪产品）和软件系统

提供了一种智能交流电网电压控制系统，包括至少两个电压控制 站。系统中的一个所述电压控制站作为主电压控制站，其余电压控制 站作为从电压控制站。所述电压控制站包括通信模块、电压控制模块 和主从切换模块。通信模块，用于发送心跳包，与系统中的其它电压 控制站进行运行状态的同步；电压控制模块，用于控制交流电网的电 压；主从切换模块，根据通信模块接收到的心跳包信息，确定所述电 压控制站是否切换为主电压控制站。本实用新型通过系统中多个电压 控制站之间的主备切换，

本发明公开了一种配电网节点导纳矩阵的辨识方法，基于总线注入模型，对于不存在隐藏节点的电网系统，从对应于不同稳态的复电压和电流测量的序列中唯一地辨识导纳矩阵；对于存在隐藏节点的星状电网系统，则采用基于图分解的图理论方法以及最大集合的搜索和组合辨识出退化的导纳矩阵；对于存在隐藏节点的网格电网系统，则采用基于低秩和稀疏矩阵分解的方法辨识出退化的导纳矩阵；所辨·724·识出的导纳矩阵可应用于电网故障诊断。

微电网优化规划与运行控制关键技术及其应用主要创新性成果如下： （1）系统地发展了含多种分布式能源、多种储能系统、可满足用户综合能源需求的复杂微电网优化规划方法，可实现微电网全生命周期的优化规划。 （2）系统地发展了适于复杂微电网多时间尺度性能研究的仿真分析方法，建成了我国第一个微电网综合物理仿真平台，为微电网运行分析、保护及控制装备研制等提供了强有力的技术支撑。 （3）系统地发展了微电网能量优化管理方法，针对不同结构与组成形式的微电网，可实现分布式电源出力

本发明公开了一种基于联络线相角差的电网等值方法，具体包 括：首先将电网分成多个子电网，利用直流潮流法得到电网的近似潮 流解，进而在该近似潮流解的基础上计算各子电网间联络线上的线路 功率，最后将线路功率以注入功率的形式等值到要保留网络的边界节 点上。本发明采用的直流潮流法能够保证在绝大部分情况下得到电网 的近似潮流解；所提出的等值方案不依赖于电网的准确潮流结果，因 此可以在电网潮流计算不收敛的情况下实现近似的静态等值；所建立 的等值模型有较好的等值精度。 

本发明公开了一种基于动态电价的微电网运行优化方法，其特点是将配电网对微电网下达的参考计划交换功率曲线与微电网的计划交换功率曲线进行模糊化，计算二者的欧几里得贴近度来实现电价的动态化，建立考虑动态电价、运行维护成本和排污处理成本目标函数，采用粒子群算法求取微电网经济优化运行方案。使得微电网在运行优化过程中能够协调配电网运行，减轻微电网接入对配电网带来的影响。

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

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：

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：

本发明的目的在于克服现有技术的不足，提供一种基于门限的低复杂度MPA算法， 该算法通过设置置信度门限来及时对可靠的码字进行译码，或对发送概率极低的码字进行 舍弃，从而有效地降低了原始MPA算法的复杂度。