2015年~2021年我国东部地区猪流行性腹泻病毒S1蛋白关键表位的变异分析

为了解2015年~2021年我国东部地区猪流行性腹泻病毒(PEDV)的流行特征和遗传变异规律,本研究利用RT-PCR扩增2015年~2017年11株分离自浙江地区PEDV流行株的S1基因序列,并与GenBank中我国东部地区(上海、江苏、山东、河南和安徽)的86株PEDV流行株的S1基因序列通过MEGA 7.0软件比较分析S1基因的遗传进化关系,采用CLC Sequence Viewer 8软件分析比对S1蛋白氨基酸序列的变异。PEDV S1基因遗传进化分析结果显示,97株PEDV中有92%的流行株属于G2型,与疫苗株CV777同源性较低(90.4%~96.1%),山东地区2017年~2018年间的部分流行株与疫苗株CV777等属于G1型;G2型中,33%的流行株属于G2a型,67%的流行株属于G2b亚型,其中2019年~2021年的流行株有15%流行株属于G2a亚型,85%的流行株属于G2b亚型。S1蛋白关键表位的变异分析结果显示,与经典株CV777相比,中和表位COE(CO-26K equivalent epitope)发生8个氨基酸位点(A^(517)S、S^(523)G、V^(527)I、T^(549)S、G^(594)S、A^(605)E/D、L^(612)F/Y、I^(635)V)的突变,SS2区域无氨基酸变异,SS6发生1个氨基酸位点(Y^(766)S)的突变,2018年后出现新的突变位点(T^(636)I和S^(749)G)。不同地区S1蛋白关键表位的变异分析结果显示,aa501变异在河南地区(L^(501)P)和江苏地区(L^(501)W)存在明显的差异;aa536突变(F^(536)L)多集中于河南、山东地区的流行株,aa542突变(D^(542)E)集中于江苏、上海地区。本研究首次系统分析了我国东部地区PEDV流行株S1基因及其氨基酸的遗传变异规律,为我国该地区PEDV变异株疫苗选择、生物安全防控方案制定提供了参考依据。

基于机器学习的住宅能耗预测

针对机器学习模型在住宅能耗预测领域的应用进行研究。首先在能耗数据集中对住宅能耗的影响因素进行分析,NSM(当前时刻距离当天零时的秒数)与家电能耗的相关性最强,相关系数为0.22,其次是照明能耗,相关系数为0.21。其次提出并讨论4种家电能耗的数据驱动预测模型:支持向量机、BP神经网络、随机森林和梯度提升机。其中,基于集成学习方法的2个模型--随机森林和梯度提升机是表现性能最好的模型,梯度提升机能耗预测模型在训练集中有最小的均方根误差RMSE(9.99),随机森林能耗预测模型在测试集中有最小的均方根误差RMSE(77.07),集成学习方法在住宅能耗预测方面具有优势。

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。

基于Boosting的多联机制冷剂充注量故障诊断集成模型

多联机空调系统被广泛用于各种公共建筑物,一旦发生故障会导致舒适性降低,能耗增加。制冷剂充注水平是影响空调系统高效运行的重要参数。本文提出一种基于Boosting集成算法的故障诊断模型,以制冷剂充注量故障为研究对象,将逻辑回归、决策树、随机森林、支持向量机和BP神经网络等5个基分类器集成,使用卡方检验进行特征选择,并使用制冷、制热模式的实验数据建立诊断模型。结果表明:基于Boosting的集成模型能高效检测多联机制冷剂充注量的故障,准确率高达96.8%,相比于传统故障检测方法,大幅提高了诊断模型的响应速度、准确度和实用性。

基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略

本文提出了一种基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略。首先,基于专家先验知识筛选18个多联机运行特征,经数据预处理步骤后,采用递归特征消除(RFE)算法进行特征选择,筛选出最优特征子集;然后基于加权k近邻(wkNN)算法对训练集建立诊断模型,并采用网格搜索算法得到最优参数组合,对制冷剂充注量故障进行诊断。结果表明:该诊断策略弥补了现有方法中“只适用于单一工况、充注量等级分类少”等不足,选择重要性排列前7的特征集作为最优特征子集,在全工况和9个充注量等级的情况下,整体准确率为98.30%,受试者工作特征曲线下的面积(AUC)为0.9883,为设备维护人员提供了详细、关键的信息。