基于荧光原位杂交技术的全自动病理染色系统结构设计

荧光原位杂交(FISH)技术是检测恶性肿瘤细胞核酸序列的常用方法,在癌症的诊疗领域有广泛应用。为实现FISH实验的全自动化,设计了一种全自动病理染色系统。该系统设置有多轴操纵臂、试剂加样器、载玻片、盖玻片夹具、辅助模块等。多轴操纵臂定位误差不大于±0.1 mm,提取及丢弃移液枪头准确率大于99.5%,抽取盖玻片成功率大于99%,微量试剂加样误差不大于0.6μL,大量试剂加样误差不大于0.5 mL,载玻片夹具控温误差不大于±1℃且无试剂泄漏。生物实验结果表明,该系统荧光染色效果良好,信号点清晰可见,荧光图像可判读率超过90%,具有较好的人工替代性。     

基于物联网的地下车库智能LED节能照明系统

正车库照明是城市建筑里不可或缺而又经常被人们所忽视的照明场所。地下车库空间封闭,基本没有自然光,主要依靠灯光来实现照明。地下车库照明具有以下特点:(1)不是人们的主要活动场所。人们在车库的活动一般是停车,然后离开车库去办事;办完事回到车库取车,然后离开。(2)对照度要求不是很高,国家标准规定主干道的地面照度不低于75lx。(3)现有的车库照明基本采用传统日光灯,一般都是长明灯,即24小时亮灯。事实上,地下车库照明的耗电问题,本质上来说是用电管理的问题。一个较为普遍的管理方式是采用分时段控制的方式,即白天和前半夜全亮,后半夜半亮(关闭一般的照明灯)。这种方式管理粗放,节能效果也有限。     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

辽宁省2012年台风灾害及防御对策

受台风"达维"和"布拉万"影响,2012年汛期,辽宁省部分地区遭受严重洪涝灾害。面对台风灾害,辽宁省始终把保障人民群众生命安全作为首要目标,科学决策,全面部署,主动防御,有效应对,确保了全省所有水库、主要江河堤防安全,实现了无群死群伤、将灾害损失降到最低的防御目标。     

辽宁省防御202106号台风“烟花”的工作实践

受第6号台风“烟花”影响,辽宁省大部分地区发生了局地强降雨过程。辽宁省防指认真贯彻落实党中央、国务院、国家防总和省委、省政府的安排部署,强化“四预”措施的落实,坚持人民至上、生命至上,科学指挥,成功防御,最大限度减轻灾害损失。文中对辽宁成功防御台风“烟花”的具体做法进行分析研究,为今后开展防汛防台风工作提供借鉴。     

水轮机控制系统试验数据处理

水轮机控制系统试验数据的真实性和可靠性是运行人员对水轮发电机组安全运行做出正确评估的重要依据。研究利用自适应的 N点加权后置平滑滤波和自适应N点加权中间平滑滤波法对试验数据进行处理,并用处理前后的数据对公伯峡4号机电液随动系统进行参数辨识,取得了比较理想的效果,表明该方法能有效处理水轮机控制系统试验数据。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。