三分快三平台|三分快三下载app

居然，藏着这么多“电费刺客”！******

　　文/汪俐辰

　　近日，上海市一女子晒出12月用电账单，上了热搜！这张账单也让很多人大为震惊：11月只交了197元电费，12月却发现自己欠费3481元。排查后发现“电费刺客”，竟是忘关踢脚线取暖器。

　　电费蹭蹭上涨，却不知原因为何？家中电器，如何使用更省电？国是君为大家揪出以下“电费刺客”，省电小妙招get！

　　“刺客”一：电暖器

　　一到冬季，特别是没有暖气的南方，各种电暖器齐上线，功率一般都不小，费电程度也可想而知。这时该如何省电？

　　首先，最好不要频繁开关电暖器，一般电暖器在启动时候是最费电的。

　　其次，使用电暖器时，温度无需开太高，调到人体舒适的程度即可。同时也尽量不要频繁调节电暖器的温度，以免在不停切换高、低功率的过程中损失电能。

　　当然，最重要的是如果有较长时间不在家，特别是春节回家过年之前，使用电暖气的一定记得关暖气！关暖气！关暖气！

　　“刺客”二：电热水器

　　电热水器无疑是冬季的耗电大户，建议在使用时根据季节调整电热水器的温度。在冬季，可将温度调至55℃左右。

　　如果家里人多，热水器使用频繁，那最好不要经常插拔电源插头，频繁开关反而更耗电。倘若不是经常使用或家里人少，建议使用完后拔掉电源，用时再提前打开。

　　此外，随着使用年限的增加，电热水器镁棒水垢会越来越厚，从而导致加热效率越来越低，也更加费电。建议定期检查、更换镁棒、清理水垢。

　　“刺客”三：空调

　　当空调制热时，温度每调低2℃，可节电10%以上。

　　在冬季，可将空调温度设定在20℃左右，并将吹风口调至向下吹，这样吹出之后热空气自然上升，制热效率高，节能又减耗。

　　此外，避免频繁开关空调。如果短时间外出，可将家中的空调调至睡眠模式。

　　空调在制热时，很容易积灰，如果长期不清洗，将会越来越耗电。建议一个月左右清洗一下空调滤网和散热翅片。

　　“刺客”四：冰箱

　　年关将至，冰箱也要被年货塞满了。但要注意的是，冰箱内食物不管是太满还是太空，都会比较耗电，一般放置三分之二的食物最为省电。

　　其次，尽量减少冰箱门开关的次数。从冰箱取出食物后要迅速关门，这个习惯长期保持能省不少电。同时可以根据季节进行档位调节，冬天可以将冰箱室内温度调至4-5档，比较省电。

　　此外，冰箱摆放位置也与电费挂钩。尽量放置在阴凉通风处，避免阳光直射，远离热源。冰箱的顶部及左右两侧和背部距离墙壁应该留10~20cm空间位置，以利于冰箱散热，从而减少电耗。

　　超龄、蒙灰都更费电

　　超龄电器

　　超过安全使用年限的家电存在漏水、漏电、引发线路短路等隐患，耗电量也高于原耗电量约20%—40%。如果出现噪音过大、效果变差等老化特征，建议及时保养或更换，避免电器安全事故。

　　蒙灰家电

　　布满灰尘的电脑主板和电源大约会增加30%的耗电量；

　　布满油渍的油烟机运行负担加重，耗电量也随之增加15%—30%；

　　冰箱冷冻室的冰霜厚度达到4—6毫米时耗电量会增加30%左右；

　　水垢、灰尘、油渍像是套上“脏马甲”，不仅容易滋生细菌、影响电器工作效率，还会不知不觉“偷电”，建议及时给家电去污除尘。

　　综合自国网浙江电力、封面新闻等

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）