大发彩票官网平台-大发彩票客户端

【网络强国这十年】志翔科技蒋天仪：“跨向”新赛道，有偶然也有必然******

　　【网络强国这十年——行业回顾篇】

　　传统模式下，电力公司主要依照“首次强制检定、限期使用和到期轮换”的计量法律法规和检定规程措施规定来进行智能电表的运行管理。

　　这种方式需要耗费大量的人力物力，且在高效解决智能电表运行期内状态监测和评估问题方面，还有较大提升空间。为此，志翔科技发挥自身大数据分析技术优势，推出了智能电能表状态评价与更换产品，帮助电力企业解决电表状态评估和失准分析等难题，让智能电能表的检定和轮换由传统人工拆回或现场检定、“8年到期轮换”，转变为在线实时诊断和有针对性的“失准更换”。

　　近日，志翔科技总裁蒋天仪做客光明网“网络强国这十年”专栏，畅谈大数据技术如何助力电力行业进行数字化转型。

　　在2014年志翔科技初创时，团队定位于通过大数据技术切入安全领域。此后，经过两年时间的不断打磨，产品初见成效，并开始向更多行业进行市场拓展。

　　谈及为什么从数据安全赛道“跨”到工业互联网领域、深耕电力行业，蒋天仪表示,存在“偶然中的必然”。

　　他介绍，最初接触电力行业的需求后，团队发现相比数据安全，这个行业在通过数据采集和挖掘分析，来应用于业务风险管控和精细管理、提质增效等方面，如计量器具误差分析、窃电防范、线损治理等问题上有着迫切和现实的需求。因此，出于对电力市场和其未来可延伸的工业大数据分析领域增长空间的看好，志翔科技作出了在电力大数据方向上延展和加大投入的决策。志翔科技的安全产品平台，原本就基于大数据架构和底层技术平台自主研发设计，经过几年在安全领域应用的不断打磨迭代，底层大数据分析平台已具备精细化分析海量电力大数据的潜力和能力。在此基础上志翔开始大力投入于电力业务的学习和理解。从2016年起开始了数据模型结合实际业务验证的不断迭代和优化，最终以智能电能表的失准分析作为切入点，打开了电力行业的大门。并以此为起点，利用失准分析同源技术，开始逐步在电力、泛电力和能源等其他领域的大数据分析领域取得拓展成果。

　　电表的准确计量既关乎电费结算，又影响着各项电力技术经济指标的正确计算以及电力工业的健康发展。据了解，过去为保证电力计量的准确和安全、实现用电结算公平公正，国家计量主管部门规定，民用智能电能表以8年固定周期进行检定和更换。蒋天仪告诉记者，全国现有约6亿只在运行智能电表，按照8年到期更换要求，平均一年需换表近8000万只，所需资金投入则超过百亿元。而拆卸下来的电表，据之前某地区部分抽检的数据显示，只有不到千分之五的概率是故障的。“一刀切”式的到期更换工作，给电力企业带来在资金、人力、物力等方面的巨大投入和消耗。

　　2018年，志翔科技推出智能电能表状态评价与更换第一代产品。“通过分析这些用电数据，可以远程发现什么地方的电表有问题，有问题再去有针对性的检测更换，避免造成浪费。”蒋天仪说，目前，该产品已服务于全国30多个网省超过5亿只电表，极大改善了原有的智能电能表状态评估模式，在不停电的情况下在线对智能电能表进行检定，发现运行误差，每年为电力企业节省数十亿换表和运营成本，同时减少数千吨电子垃圾。

　　“行业发展已从过去的‘粗放型’转变成‘精细化’。精细化发展的前提是对业务数据以及业务状态有更加精确的了解，才可以做到更好的数字化管理。”在蒋天仪看来，电力行业是大数据应用的优质沃土，电力市场蕴藏着丰富数据价值待挖掘。

　　监制：张宁 李政葳

　　采访/撰文：李飞 孔繁鑫

　　后期：刘昊

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

　　（文图：赵筱尘 巫邓炎）