我国首个全息数字电网建成******

　　1月5日，我国首个全息数字电网在江苏建成。通过采集输变电设施的物理数据，技术人员在网络云端构建了一个数字孪生电网，全面提升了电网的智慧运检水平。这也是世界上首次对亿千瓦级负荷大电网进行全息数字化呈现。

　　据悉，这张虚拟电网覆盖了10万公里架空输电线路、28万座输电杆塔以及地形地貌地物等数据，将真实电网在数字空间以数字孪生的方式，一比一三维立体还原和数字化全景呈现。国网江苏省电力有限公司运用三维激光点云采集、数字高程模型、高精度测绘等技术，为每一条线路、每一座杆塔、每一个部件都赋予了专属的三维坐标，定位精度达到厘米级。

　　实现无人巡检与智能管控

　　“每一座杆塔都设有20个以上无人机巡检点位，通过航迹自动规划、一键自主飞行、全程实时监控、遇险自动规避等功能，无人机可实现全自动巡检作业，全程无须人工操作。”江苏方天电力技术有限公司副总经理姜海波介绍，全息数字电网相当于给整个江苏电网装上了“千里眼”，能够引导巡检作业人员足不出户，即可实时掌握无人机的适航区域、飞行轨迹、被检设备、巡检影像等现场实际工况，完成一座铁塔的全面巡检仅6分钟，比人工操作无人机巡检耗时减少一半，效率比传统人工巡检提升4到6倍。

　　在国网江苏电力无人机巡检管控中心的大屏上，可见当前正在作业的无人机，其飞行轨迹、飞机状态、拍摄画面都可以在数字电网中实时展现、动态跟踪。巡检无人机还嵌入了电力北斗地图导航和前端识别模块，巡检作业结束后，图片会自动上传至管控平台，并通过人工智能算法对图像进行精准识别，可以及时发现指甲盖大小的螺帽裂纹等细小缺陷。

　　“依托全息数字电网，江苏电网已经实现大规模无人机巡检协同应用与智能管控，可以支持上千架无人机同时作业，全年自动巡检作业量超过52万架次，提前发现消除输电铁塔缺陷及通道隐患4.2万处，严重缺陷发现率提升3倍，每年可以节约电网运维成本约2亿元。”国网江苏省电力公司设备部副主任吴强介绍。

　　通过加载气象、空域等信息，数字电网还可以高度仿真和预测台风、覆冰等极端情况下的电网运行环境。在数字电网的工况模拟模块中，只要同步风速、风向、温度、导线直径等基础数据，系统就会结合历史数据，通过模型算法以三维图像形式直观展示线路状态，各类风险隐患会用不同颜色的警示图标标出，为电网细化防灾减灾、灾后恢复的预案措施提供准确依据。

　　数据+算力+算法打造智慧电网

　　当前正处于迎峰度冬的关键时期，江苏电网的最大用电负荷已超过1亿千瓦，今冬用电负荷最高或将达到1.12亿千瓦。全息数字电网的全面建成，可将电网故障的处理时间再缩短约10%。

　　“如果说数字电网是数字能源的现代化底座和数据‘骨架’，那么人工智能技术就是它的‘眼睛’，AI算法分析技术则是‘大脑’。”吴强说，在“数字中国”战略引导下，数字科技加速了电网信息化建设进程，“数字新基建”项目不断在电网运营管理中落地。通过“数据+算力+算法”，全息数字电网实现了虚拟电网与现实电网的深度感知交互与双向智慧控制，真正做到足不出户而现场可观、可测、可控，极大提升电网智慧运营水平。

　　同时，全息数字电网是我国新型电力系统建设的重要试点，将推动电力系统的加速转型升级，为我国乃至全世界通过数字技术提升系统安全运行水平贡献了新的技术方案。

　　据悉，目前国网江苏电力正在积极扩展全息数字电网在规划设计、基建管理等更多领域的应用，并将带动装备制造、人工智能、地图导航、5G通信、数据服务、自动驾驶、储能充电等跨越式发展。（科技日报记者 张晔）

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟