随着计算智能方法得到更广泛的应用，其从问题本身学习的能力亟待增强。为此，越来越多研究提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。课题组在IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。

基于三维数字化信息管理系统的健康管理和3D打印云平台 卫生行业信息化建设已经走过了二十多个年头，IT 技术的应用越来越成为卫生行业前进必不可少的助推器，IT 技术的应用正在走向如何利用信息化技术提高医疗质量减少医疗差错，如何利用信息化技术进行医疗服务的创新，如何将分散的医疗资源整合，为人民提供更安全更完整的医疗服务。基于远程影像会诊（

本项目以嵌入式控制器为核心，结合现代电子测量技术、智能控制技术、 工程流体力学、呼吸力学等多学科知识，研发一款智能呼吸机，主要用来治疗 睡眠呼吸暂停综合症、慢性阻塞性肺病等疾病，同时开发基于 Android 系统的 智能手机数据采集与通信系统，并构建物联网健康信息管理系统和健康信息云 平台，通过云传输实现患者与医生及其医疗机构的双向远程监控与服务。

产品详细介绍产品名称：单折式移动乒乓球台 产品型号：YHJH-203 产品价格：980元 产品说明： 三维：1525mmX2740mmX760mm 台面：18mm 颜色：蓝 支架：40mm方钢管 高强度钢框20mmX40mm 脚轮：80mm全方位刹车 重量：86公斤（净重） 91公斤（毛重） 保养与储存 1、防止重物和利器撞击，擦伤，压伤台面。 2、台面上禁止坐人或安放，滚动重物。 3、久放重新使用时须用柔软布轻擦台面尘灰，以保持台面清洁。 4、如作他用最好须在台面上铺上台布（软布）或玻璃板。 5、不使用时能将球台折拢，靠墙安放妥当。 6、远离热源

成果描述：本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。市场前景分析：暖通工程领域。与同类成果相比的优势分析：技术先进，性价比较高。

本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。

随着云计算、大数据、分布式AI等数据密集型应用的部署，大规模计算集群（数据中心、分布式AI集群、高性能计算集群）的体系结构、通信模式、流量状态、应用需求发生了极大的改变，上述改变对计算网络的吞吐、时延、带宽提出了极大的挑战，传统电互连网络技术存在拓扑结构复杂、线缆开销巨大、设备数量过多、可集成端口密度有限、网络能耗难以优化等问题，与电互连技术相比，光互连具有高带宽、低能耗、低开销、低时延等特点，具有较大潜力满足数据密集型应用对传输带宽、网络能耗、传输时延、通信逻辑适配等方面的需求，但受到缓存、交换粒度的影响，纯光互连网络难以承载突发性强、数据量小、实时性高的通信任务，因此，充分结合光、电互连技术的优点，研究面向数据密集型应用的扁平化、低时延、可重构光电混合网络，对于突破新型计算网络所面临的功耗、吞吐、时延、扩展性等方面的挑战至关重要。 围绕下一代数据密集型应用对互连网络高带宽、低时延、低能耗、高扩展性的需求，展开高容量、低开销、可重构、扁平化光电混合互连架构的研究。结合光、电交换技术的特点，设计高扩展、低复杂度、大容量、低能耗的光电混合互连拓扑结构；研究低开销、快速响应的光电路/光分组交换控制系统，设计面向快速光交换计算的调度算法；研究低阻塞、多粒度、高连通性的光交换机制及交换芯片；构建高性能光电混合互连网络系统原型，部署典型应用测试基准，验证光电混合网络的潜在优势，为下一代计算网络架构的技术革新提供理论和实践指导。

（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。