（一）成果背景 分布式光伏可在用户侧就近安装与消纳，减少因长距离输送带来的线路损耗问题，在新型电力系统建设中发挥着重要作用。2021年6月，国家能源局综合司发布了《关于报送整县（市、区）屋顶分布式光伏开发试点方案的通知》，用以推动分布式光伏高质量发展、支撑新型电力系统建设。在该政策的推进下，分布式光伏容量迅猛增长。截至2021年底，国内分布式光伏装机容量已达到107.5GW，约占光伏总装机容量的三分之一，且其增长速度已经超过了集中式光伏。 （二）痛点问题 对于配电网来说，光伏出力易受天气因素影响，具有极强的随机波动特性，大规模分布式光伏接入，一方面加剧了配电网负荷短时波动，影响电力实时平衡，制约负荷预测精度提升；另一方面，分布式光伏出力特性与负荷特性的不匹配造成其难以消纳，为有源配电网运行管理带来严峻挑战。 对于电力市场交易来说，随着新一轮电力体制改革的持续深入，分布式光伏所有者作为售电商参与市场竞争成为必然趋势。分布式光伏出力的不确定性与短时剧烈波动性，使得分布式光伏电站/售电商难以制定合理的市场交易策略与电力交易合同，面临严重的市场风险。 因此，亟需精准的分布式光伏功率预测，为有源配电网调度运行、分布式光伏消纳，分布式光伏参与电力市场等提供有力数据支撑。 （三）技术方案 1、基于变分模态分解与动态图卷积网络的分布式光伏功率预测 首先利用变分模态分解各分布式光伏复杂出力序列分解为相对简单、波动较小的不同频率子序列，以减小场站间关联关系的挖掘难度。然后，基于分布式光伏场站间时空关联性处于动态变化中的考虑，利用全连接神经网络将各节点特征映射到多维空间，而后利用时域卷积挖掘跨节点关联关系，由此以数据驱动方式挖掘各频率下各场站子序列关联性，有效实现子序列动态图结构的构建。最终，基于可用于非欧式空间结构数据建模的卷积神经网络，将其与动态图结构结合，建立考虑动态时空关联性的图卷积预测模型，针对不同频率下出力子序列分别预测，而后重构得到各场站功率进而获取配电网分布式光伏总功率。 2、基于深度联邦学习的分布式光伏发电功率预测 首先，基于长短期记忆神经网络构建时域自编码器模型，该模型编码器用于提取每个时间步输入的时域特征，而后利用解码器将该特征向量转换为输出序列进行未来时间步的预测，自编码能显著增强长短期记忆神经网络的时域建模能力。而后，利用注意力机制解决其在处理长输入时间序列时会导致解码器面临特征冗余问题，且使模型聚焦于对输出更关键的时域特征。由此，利用注意力自编码预测模型通过对时域特征的有效挖掘实现功率预测精度的进一步提升。 在此基础上，开发了用于分布式光伏功率预测的联邦学习框架，在该框架中，本地用户仅需将本地模型进行共享，无需数据的传输，而后由中央服务器进行模型的聚合以实现用户间信息共享。在各本地场站进行注意力自编码预测模型的训练；在中央服务器，基于联邦平均算法实现各本地预测模型的汇聚、全局模型的生成与下发。在保证数据隐私性的前提下取得与传统集中式机器学习训练近似的预测效果。 （四）竞争优势 1、有效表征广域分布式光伏集群间时空关联特征，实现分布式光伏功率预测精度提升。 当缺乏气象实测或预报数据时，考虑分布式光伏时空相关性可有效提升分布式光伏功率预测精度。现有研究多利用各光伏场站地理距离或者整体出力表征时空相关性。这种静态建模方式在分布式光伏出力模式长期稳定的情况下，可以取得较好的预测效果。然而，易受天气因素的影响，分布式光伏出力极易发生短时波动，因而各场站关联性处于动态变化过程。以恒定的场站间关联关系去考虑这种复杂的集群出力序列，显然无法反映天气影响下分布式光伏出力短时变化，难以实现功率预测精度的有效提升。 所提的基于变分模态分解与动态图卷积网络的分布式光伏功率预测方法，利用数据驱动方式实现挖掘各场站间关联特性的动态实时挖掘。在基础上，考虑到不同模态分量下各场站间关联关系的差异性，将各场站原始功率分解为了相对简单、波动较小的不同频率模态分量，减小关联关系的挖掘难度。 2、有效保证各分布式光伏数据隐私性，且能取得与传统集中式机器学习训练方式近似的预测效果 现有的数据驱动预测方法性能在很大程度上依赖于训练数据的数量，因此大多以一种集中的训练方式实现，即中央服务器汇聚来自各场站的运行数据而后进行模型的训练。然而，这种集中训练的方式会期限数据隐私，使用户信息暴露在公共环境而导致被外部攻击者进行数据分析、行为探测等。此外，在竞争激烈的电力市场中，分布式光伏场站所有者可能不愿共享数据。这些因素使传统模型训练方式难以实现。 所提的基于深度联邦学习的分布式光伏发电功率预测方法，利用注意力自编码模型在本地场站进行建模预测，实现对本地功率时域特征的有效挖掘；利用分散式训练的联邦学习框架，实现各场站预测模型信息共享，有效保证本地用户的数据隐私的同时取得不错的预测效果。 创新点 1、考虑了场站间关联关系的动态性。对于分布式光伏，虽然场站数量众多、分布广泛，但是其位置临近，由于云团运动等气象因素导致的相关性较强。所提方法以数据驱动方式根据网络当前的各场站输入功率进行关联关系的动态表征，实现功率预测精度的有效提升。 2、在保障各分布式光伏站点数据隐私应的前提现实现信息共享。利用自编码结构进一步提升LSTM的时间序列建模能力；利用注意力机制模型聚焦于对预测更关键的输入特征，以此实现时域特征的有效挖掘。在此基础上，利用联邦学习框架聚合各本地模型，实现各站点信息聚合，实现精度有效提升。 市场前景 随着新型电力系统建设目标的推进，分布式光伏装机容量呈爆发式增长。所研成果可应用于配电网负荷预测、用户可调度容量评估、激励型需求响应基线负荷估计等场景中，为高比例分布式光伏有源配电网的安全、经济、高效运行，维持电力平衡等工作提供重要参考。同时，随着分布式光伏逐步参与到电力市场，所研成果可为分布式光伏售电商制定最优的交易策略，签订合理的价格合同提供有力数据支撑。综上所述，所研成果市场前景广阔。

本发明公开了一种低漏电流并网逆变器，包括六个开关管 T1～ T6，一个滤波电感 L，其中 T1、T4 构成一个双向开关，使电网两端通 过开关管 T1、T4 与直流电源的阳极相连，T3、T5、T2 的反并联二极 管和 L 构成一个电流输出型 Buck 变换器，提供正半波的并网电流， T2、T6、T5 的反并联二极管和 L 构成另一个电流输出型 Buck 变换器， 提供负半波的并网电流，直流电源的阴极和开关管 T3、T6 的发射极相 连，开关管的开关动作由相应的控制电路控制，其中第三、六开关管 由高频信

最大输出功率: 55kW；额定交流输出功率: 50kW；额定电网电压: 三相三线，270/315Vac（±10%）；最大输出交流电流: 118A；电网频率范围: 47-52Hz；电网电流谐波畸变率: <3%。

本发明公开了一种五相逆变器脉宽调制方法，主要根据给定的参考电压结合优化的偏移量，控制逆变器五相桥臂上开关器件的开关状态。本发明通过对偏移量的优化，扩大了调制范围，有效的提高了直流母线电压的利用率。并且此调制方法是从能量传递的思想出发，没有考虑负载是否对称，易于推广到驱动容错运行电机的逆变器。

1)将分布式光伏发电装置利用网络通讯加以互联并集中监 控，每个光伏发电单元具有可控性，提高了系统的稳定性； 2)该系统将区域内多个分布式光伏发电集中管控，实现了发电的调度管理，避免了光伏发电电源的孤岛运行，提高了电网的安全性； 3)实现了多用户分散系统系统集中实施与集中管理，便于 电站的技术维护和清洁，保证了光伏发电的高效性；增强了系统的稳定性和可靠性，并降低了维护成本。 4)具有智能报警功能，管控系统有先进的算法，实现历史数据纵向和现场照度横向比对功能，根据所设定报警数值，该系统发电报警维护人员及时维护，确保电站高效率运行。 5）光伏云系统还具有电费算法，根据当地的回收光伏电量及电费，及时计算即时及累计当天、累计当月、累计当年的系统电费。及时对发电系统的经济性进行评估。 为用户大幅节省电站运行维护成本并提升发电量，每年预计可提升光伏电站收益 5-10% 

成果简介新能源通常需要通过逆变器进行 DC/AC 变换后， 才能对交流负载供电。 还有汽车、 火车、 船舶、 飞机以及一些电网无法供电的边远地区都需要应用脱离电网的储备电源和自发电电源。 这些电源均需要使用逆变器， 因此逆变器应用十分广泛。 目前国内外的逆变技术以及应用市场都发展很快也较为成熟， 但现有的逆变技术， 要么电路太复杂， 性价比不高； 要么一些技术指标不能同时兼有。 本项目克服了这些缺点， 将自主发明的专有核心技术与单片机技术融合应用， 使逆变器硬件线路简单， 具有较高的性

近期，我院肖瑞春副教授与中国科学院合肥物质科学研究院张昌锦研究员课题组及其合作者在二维滑移铁电材料中发现了与铁电序不完全同步的体光伏效应，这一结果丰富了人们对铁电序和体光伏效应之间关系的理解，相关研究成果近期发表在《npjComputationalMaterials》上。