随着电网数据规模越来越大，所蕴含的价值也越来越多。清华大学信研院研发了基于机器学习方法的能源互联网能量管理系统，主要功能为对电网的稳定性进行预测和可视化。系 统分为训练部分和预测部分。训练部分通过历史数据进行机器学习，建立一个电压稳定性的 分类器。分类器训练完成后，再对新增的未知数据进行预测。训练部分主要分为特征提取、 类别标记、特征压缩、分类器类型选择。预测部分主要分为分类器数据启动阶段和预测输出 阶段。本系统提出利用机器学习方法对电网电压稳定性进行预测，进一步综合多个节点给出 电网态势感知的评估结果。在训练每一个节点分类器的时候，本系统将特征选取的时段和预 测时间节点拉开，形成一种延时的预测方法，本发明对复杂系统有着更好的还原效果。2 应用说明本系统实施电压稳定性预测的具体步骤为:步骤 1:通过部署在关键测点的同步相角测量单元 PMU 采集电网实时数据，所述 实时数据包含电网中每个关键测点的电压 U、 有功 P、无功 Q、电流 I;分别计算 U 的衍 生量 dU/dt，Q 的衍生量 dQ/dt，电压的变化 量比上无功的变化量的衍生量 dU/dQ，用这 些衍生量作为特征，来表征量的时间变化速 率;步骤 2:对步骤 1 中提取的特征进行数 据降维与压缩;根据特定时刻电压 U 是否恢 复到标准值的 0.8 倍来区分每组样本组是否 稳定，用 0 标记稳定，用 1 标记不稳定;步骤 3:选择分类器，建立一个电压稳 定性的分类器;步骤 4:训练分类器;当分类器训练完 成后，将训练好的参数储存起来;步骤 5:进入预测部分的数据启动阶段， 填充特征矩阵，没有输出;步骤 6:把多个节点的特征按照顺序排列，形成特征矩阵;特征矩阵填充完成后， 根据分类器给出的预测结果;特征时段向前滑动，最初的特征被抛弃，新特征补充在队尾， 分类器持续给出预测结果;步骤 7:每隔一定时间间隔 ，要把新收集来的数据与以前的数据一起，重新回到步骤 4 训练分类器，更新参数。在具体系统搭建过程中，我们充分利用现有机器学习平台。其中 Hadoop 的文件管理系统 HDFS 负责数据存储;Spark 负责模型训练;Storm 负责在线预测;Kafka 负责在 Storm 和Hadoop 之间传递更新后的模型参数。

本项目在申请了国际国内专利的基础上，大大提高了器件之发光效率、延长其使用寿命。主要技术内容是把无机/有机等多种材料成膜于两个电极之间做成发光器件，即经过步骤： 1. ITO 光刻 2. 基片处理 3. 用物理或化学方法制备无机纳米薄层到基片上 4. 然后将有机材料通过真空镀膜或旋甩涂敷成膜 5. 最后一层是镀金属电极 6. 封装引线等，最后配上驱动电路就制成了一个 OLED 电致发光屏 以上每一步骤，我们都有自己的独到之处，首先从器件的结构上看我们已经避开了美国和日本的专利。这为本项目的开发扫清了障碍。其次，在许多工艺上，我们简化了操作步骤，为其商品化打下了良好的基础。 用这一专利技术可生产出一系列自发光平板显示产品，且不产生电磁幅射，其优越的“性能价格比”使其不仅能打入传统自发光平板显示器市场，而且以其高分辨率的优势，还能进一步挑战目前被彩管（CRT）和液晶（LCD）垄断的显示器市场。产品的价格优势主要有两点：1、使用成熟的常规镀膜技术，步骤少、效率高；2、密封技术低、易操作。 本成果属国内领先水平，尽管日本的先锋公司已有车用显示器件问世；但是，目前国内该领域没有一家公司能生产该产品。 成果适合于手机、仪表显示、HDTV 或“壁挂式彩电”的应用，使全彩色成为可能。 与市面上最多的阴极射线管显示器相比，使用平板显示器基本上不产生电磁幅射，且与纯无机电致发光显示技术相比具色彩鲜艳、驱动电压低、价格低、使用范围宽、尺寸范围大等明显优势，而该技术在成本、性能及尺寸范围等方面又较液晶显示及等到离子体显示具有显著的优势。可采取股份制，在中国注册，在中国和香港上市。

本实用新型属于机械工程密封技术领域，特别适用于旋转轴的磁性液体密封。 本实用新型所要解决的技术问题是，现有的真空应用领域如：各种真空泵、镀膜机等因受空间尺寸限制而未能采用磁性液体密封，为此，提供一种减小径向空间尺寸的磁性液体密封装置。 本实用新型的技术方案：在密封装置两轴承之间的旋转轴的相应位置上镀导磁层，使得空间尺寸变小，从而能够采用磁性液体密封，达到很好的密封效果要求。 减小径向空间尺寸的磁性液体密封装置包括：套、轴承、导磁膜、橡胶密封圈、极 靴、永磁铁、磁性液体、螺钉、调节垫片、法兰盘、轴。在两轴承之间的非磁性轴的相应位置表面上，加工一个深度为 0.1~0.2 mm 的凹槽，在凹槽处镀一层厚度和深度相同的镍或钴材料的导磁膜。安装时先将橡胶密封圈嵌入极靴中，然后依次将轴承、嵌完橡胶密封圈的极靴、永磁铁、另一个嵌完橡胶密封圈的极靴、另一个轴承安装到套的内凸台右侧，然后装上调节垫片和法兰盘，用螺钉固定，将以上零件压紧，将磁性液体注入极靴的极齿之间，最后装上镀有导磁膜的轴。磁性液体在磁场的作用下吸附在极靴的极齿间隙中，形成可靠密封。 本实用新型的有益效果是，采用减小径向空间尺寸的磁性液体密封装置，不仅具有空间尺寸变小，密封效果不变的优点，而且装配方法简单。 该密封装置的径向空间尺寸比采用导磁的轴套结构减小 4 mm，而密封能力不变。上述密封装置同样适用于正压密封。

手感质量的评估是当今纺织工业中非带重要的环节，但是感官评定涉及到人体复杂的生理和心理因素，所以即使是同一块织品，对于不同的人也会得到不同的评价。因而把感官评估客观化、用相对客观的方法和稳定的尺度来评价织物的手感质量是非常必要的。 本系统把智能技术、数据库技术、网络技术和纺织品感官评估技术结合起来，实现了基于Internet的智能化纺织品感官评估。通过Internet这个服务平台，了解到顾客的喜好，以及某时斯市场需求趋势，生产者与消费者之间的互动架起桥梁，对整个纺织行业系统的革新有着积极的作用。本系统的成功实施还能积极的促进感官评估在其它工业领域中的广泛应用。

相关专利提供一种牙体硬组织再矿化的复合材料，包括模拟体液，在模拟体液中增加羧甲基壳聚糖和无定形磷酸钙成分。能对脱矿牙体组织起到再矿化作用。

相关专利提出了一种静脉心脏辅助装置。该装置在上下腔静脉以及右心房内临时植入可充气球囊，随心律膨胀与收缩，改善冠脉灌注。

相关专利提出了一种新型的双腔微导管，用于冠脉介入治疗时辅助导丝到位

本成果在不引起图像质量变化的情况下加载记录信息和提取加载信息，可以用于数字产品的的知识产权保护，涉密产品的授权使用。技术创新点：不破坏数字图像的前提下实现信息的隐藏和提取。  

光学领域顶尖期刊《自然·光子学》报道了浙江大学信息与电子工程学院陈红胜教授课题组的一项最新研究：在国际上率先实现基于深度学习的新一代智能隐身器件。在不依赖任何人为操控的情况下，快速地动态适应变化的背景环境，从而与背景电磁环境特征融为一体，实现自适应隐身。论文审稿专家认为：“这是一项激动人心的、及时而杰出的工作，它连接了变换光学、电磁超材料和人工智能等领域，为智能光子材料和器件这个新兴领域树立了很好的标杆，也将大大促进其他智能电磁器件的发展。”自然界存在两种“隐身”策略。一种是在变色龙和章鱼生物中常见的拟态隐身，使自己融于周边环境；另一种是透明隐身，即光透过物体时不产生任何散射，例如海樽和水母。科学家近年来提出的变换光学隐身方法则区别于上述两种策略，它利用坐标变换的方法来控制电磁波，使其绕过被隐身的区域，按照原来的方向传播，从而使物体完全隐形。与自然界的“隐身衣”相比，人类的“隐身衣”多数只能工作在单一的环境背景和既定的入射波条件。如果稍加改变外界环境或者入射波，隐身效果便会大幅度降低。“理想的隐身衣应该和章鱼和变色龙一样，能够快速自动地适应于变化的外界刺激和背景环境。”陈红胜说。如何才能实现这一点？“章鱼有色素细胞，我们有可重构的新型人工电磁材料单元；章鱼有中枢神经，我们有深度学习方法；章鱼有光敏细胞，我们可以搭建电磁波和环境探测器。”论文第一作者、课题组成员钱超说。当前，深度学习已经开始渗入电磁材料领域，但是主要偏重于理论上设计优化人工电磁材料。如何在实验上实现新型的智能电磁材料、构建新一代智能隐身系统并实现快速有效的自适应隐身，是一个极具挑战的课题，在此之前还未见成功实验的报道。经过三年多的不懈努力，陈红胜研究团队组在充分研究隐身领域关键技术瓶颈的基础上，在微波段成功实现了智能自适应隐身器件。研究团队设计了一项小车智能隐身实验——小车身披一层超薄的可重构的超表面隐身材料，这件“隐身衣”由智能芯片控制，集成了训练好的深度学习模型，能够根据输入的电磁信息快速做出决策，改变“隐身衣”的电磁响应。探测雷达随机改变着入射波的频率、极化和入射角，而小车的任务就是动态适应变化的探测信号，对雷达“隐身”。当环境发生变化，变色龙大约需要6秒时间过度到环境色；而当电磁环境发生变化时，披着智能隐身衣的小车只需要15毫秒就能自动地实时“换装”。陈红胜教授表示，智能隐身成功地融合了新型电磁材料和人工智能等领域，其采用硬件手段实现用于隐身调控的深度学习模型，在应用中只需单次前向计算即可做出合理的决策，大大地缩短了响应时间，这一方法对于实时性要求很高的其他应用也有很好的借鉴意义