【学校概况】西安汽车职业大学是由中华人民共和国教育部批准成立，全国第一所以汽车命名的职业大学。国家级产教融合示范实训基地、国家第三批现代学徒制试点单位、陕西省高技能人才培训基地、汽车工程技术陕西省高校工程研究中心、陕西省普通高校中华优秀传统文化传承基地、民盟西安市委爱国主义教育基地、陕西省汽车工程学会副理事长单位、陕西省民办教育协会副会长单位。学校坐落于历史文化古城--西安。 【办学历史】学校创建于1987年，前身是西影路摩托车修理技校。2004年4月经陕西省人民政府批准、教育部备案，成为全日制高等职业院校，更名为西安汽车科技职业学院。2018年12月经教育部批准，升格为本科层次职业院校。2019年5月经教育部批准，更名为西安汽车职业大学，是全国首批15所本科层次职业教育试点高校之一。 【办学定位】自创办以来，学校一直坚持为党育人、为国育才之初心，勇担职业教育使命，秉承“以人为本，开拓创新，突出应用，强化技能”的办学理念，以“培养一流职业人才，助力民族汽车工业”为使命。以服务地方区域经济和社会发展为己任，立足陕西，辐射西北，面向全国，走强化内涵、凸显特色之路，累计为社会培养输送高层次技术技能型人才12余万名。 【办学条件】学校共有临潼和白鹿原两个校区，总占地面积1500余亩，校舍建筑面积55.38万平方米。临潼校区地处骊山脚下、渭水之滨，白鹿原校区南依秦岭、北临灞河，环境优美、风景宜人。教学仪器设备总值16845万元，图书173万册，校内实验实训室87个，校企合作实习实训基地37个，软硬件设施配套齐全。学校建有全国大学唯一、西北地区唯一的国际标准F3赛道和摩托车越野培训基地等高标准的赛车培训和运动设施，满足了教学、实验、比赛和安全教育等多样化需求。 【办学规模】学校设有智能汽车与工程学院、新能源汽车学院、电子信息工程学院等10个二级学院，22个本科专业，37个高职专业，涵盖装备制造、交通运输、电子信息、财经商贸、文化艺术、新闻传播等6个专业大类，其中省级重点专业5个，省级一流培育专业1个，现代学徒制试点专业1个，形成了以工为主，理、工、管、经、文、艺多学科协调发展的布局。目前在校生人数2万余人。 【师资队伍】学校实施“筑巢引凤”工程，引进一批以高水平学科专业带头人和高学历为主的教师队伍，教学团队配备齐全，师资力量雄厚。现有专任教师900余人，其中具有硕士以上学位500余人，副高及以上专业技术教师300余人，还引进一批国家级能工巧匠、省级技术能手，行业专业技术骨干、省级教学名师，并建成名师工作室4个。 【人才培养】办学37年来，毕业生就业率始终保持在94%左右。近几年，学校持续推进落实“3-2-4-1-8”人才培养模式在教学环节中的着力点，强化职教本科培养模式的有效性；构建以汽车技术为中心的“一核多星”专业布局，形成了独特的特色专业优势。 【科学研究】学校坚持以教学教研工作为中心，从教学思想、教学内容、教学方法等方面开展研究与改革。近几年承担的科研项目122项，获得专利139项，完成咨询报告65个;发表论文692篇，其中SCI、EI、CSCD、核心期刊论文77篇。目前为止，学校获得省级教学改革项目10项，其中省级重点项目2项。 【就业工作】学校建立一站式管理和访企拓岗就业工作机制，成效显著。与保时捷、捷豹路虎、沃尔沃、奥迪、上汽通用、一汽大众、比亚迪、特斯拉、陕汽、中国兵器北方动力、宝鸡机床、达内、京东、顺丰等知名企业开展深度合作办学。在校学生所学专业与企业生产实践紧密结合，深受用人企业欢迎，就业率始终保持在93%以上，成为全国汽车类人才培养的重要基地。 【成绩荣誉】学校先后荣获“陕西省文明校园”、教育部“一校一品”校园文化品牌、“中国汽车科技示范院校”等荣誉称号。2022年学校被中央广播电视总台·央广网评为“2022年度职业院校知名品牌”。2024年，学校荣获中国职业技术大学排行榜第八名，被授予六星级、中国顶尖职业技术大学称号，成为全国唯一一所汽车类职业本科明星大学。

新能源汽车教学设备采用新能源汽车实物为基础，可将新能源汽车的电池、发动机、空调、全车电器等部件单独做成教学装置。新能源汽车教学设备适用于本科，职业技术学院的汽车专业教学。

本发明公开了一种分形网状相变储能装置，由储能单元体和载冷剂通组成，载冷剂通道位于储能单元体内外体外，储能单元体由壳体、传热肋片及相变材料构成，传热肋片为分形网状结构并配置在壳体内，壳体内非传热肋片区域填充相变材料；传热肋片为分形网状结构，其级数为m级，m≥2且m为整数，每级传热肋片发散系数N＝4，即每个第j级的传热肋片生成4个j+1级传热肋片，第j+1级传热肋片的中心位于第j级传热肋片的四个顶角。该发明利用分形网状结构的特征，增加了储能装置的有效换热面积，减少罐体内的换热死区，同时增大了传热肋片与相变材料之间的有效导热系数，实现热量从点(面)到面(点)的快速传递，进而提高储能装置的效率，减少能量损失。

中国科学技术大学李晓光团队联合清华大学沈洋教授课题组在高储能密度柔性电容器领域取得重要进展。研究者成功找到了一种可以大幅度提高聚合物基复合材料击穿电场强度和介电储能密度的方法，该方法可推广至不同的柔性聚合物电介质材料，为今后高储能电容器的设计提供了一种可行的方案。该成果在线发表在《先进材料》杂志上。

化学储热利用化学反应储热，储热密度高，能长时间储热无损耗，是新一代储热技术。还能够提高热能品位，可用于取暖和工业用热。本技术是授权专利技术，创新性和先进性突出，市场前景广阔，可为碳中和目标保驾。 一、项目分类 关键核心技术突破 二、技术分析 太阳能的不连续性造成无法应用，利用储热技术储存太阳能就可以实现连续供热，解决这个问题。熔盐储热已经产业化，但是储热密度低，热能损失高，储热时间小于10小时。化学储热利用化学反应储热，储热密度高，能长时间储热无损耗，是新一代储热技术。还能够提高热能品位，可用于取暖和工业用热。本技术是授权专利技术，创新性和先进性突出，市场前景广阔，可为碳中和目标保驾。 新一代跨季储热材料的性能显著优于同类技术，性能如下： 1）储热密度，每吨360 kWh (水的储热密度约58 kWh)，是水的5.8倍。 2）简单密封，长时间保存无热能损失。 3）储热材料成本每吨< 1000元。 4）设备投资 约50元/kWh。

本发明公开了一种电力综合能源用储能设备，包括储能主体箱，所述储能主体箱底端四个边角位置均固定连接有自锁行走轮，所述储能主体箱顶端转动连接有转动顶盖，所述储能主体箱的一侧顶端固定连接有转动限位组件，所述储能主体箱的另一侧顶端固定连接有锁定组件，所述转动顶盖顶端中部固定安装有引气组件，所述储能主体箱内部对称固定安装有多组安装组件，所述储能主体箱内部中部通过螺栓固定连接有冷却导向组件，所述储能主体箱正面中部固定安装有供电控制组件，所述储能主体箱两侧面均对称安装有进气组件，所述储能主体箱底壁内部固定安装有底部冷却组件，通过设计风冷结构和液冷结构结合对设备内部进行散热，提高散热能力，延长设备使用寿命。

电子班牌工控一体机嵌入式10/12/17/19寸全铝触控电容平板电脑触摸屏

（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。

天津大学地科院全自动热释光/光释光测年仪采购项目竞争性磋商