成果简介本项目在国家973计划、863计划等研究成果基础上，跟踪国际趋势，形成9**nm 大功率单发光条半导体激光器，输出功率大于12W，寿命1万小时。主要优势：（1 ）填补国内空白。（2 ）易于光纤耦合。（3 ）多种波长可选。应用简介所处研发阶段：中试阶段适合应用领域：直接光加工、

本发明公开了一种高功率大带宽锗硅光电探测器。该探测器是 模拟光子通信系统和微波光子系统中的硅基关键集成光电子器件，其 特征在于包括多个并联锗层结构和电感。多个并联的锗层结构的多个 锗层尺寸是可以不同的，以实现对寄生电阻的调控，在提高器件饱和 功率的同时保持了寄生参数不至显著增加。同时，通过引入片上和片 外电感，实现对器件寄生电感的调控，抬升器件高频处频率响应，提 升器件工作带宽。本发明提出的光电探测器采用集总电极结构

本发明公开了一种高功率光纤激光器包层光滤除装置，该装置 包括一段或多段双包层光纤，其中此双包层光纤沿激光输出方向按剥 除面积由小到大而间隔地对保护层和外包层进行部分剥除，使内包层 裸露出来，将滤光材料涂在裸露内包层上，并且将上述滤光装置固定 在散热金属材料及水冷板上。本发明对光纤结构破坏较小，滤光均匀， 避免了非均匀滤除时，某些滤除点温度过高的现象，提高了系统的稳 定性。

项目简介车用电机驱动系统是新能源汽车、农业大棚作业车的关键技术之一。受车辆空间限 制和使用环境限制，车用电机驱动系统比普通电机驱动系统要求更高。车用电机驱动系 统要求满足高功率密度(1.2kW/kg)、高效(全速范围的高效率)、高可靠性(环境温度 105 度)的要求。课题组使用母线支撑膜电容、叠层母排和 IGBT 设计研发了电动汽车用高功 率密度集成电机控制器。 车用高功率密度集成电机控制器采用全数字控制，主要由直流母线支撑电容、直流 叠层母排、IGBT、IGBT 驱动电路和控制电路组

（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。

大功率的低纹波、高精度稳定电源和脉冲电源是一种非常重要的特种电源，在现代科学研究和医疗、工业生产、环境保护中获得越来越广泛的应用。本项目针对大功率稳定电源和脉冲电源对电流纹波和动态响应的严格要求，提出并实现了采用有源滤波器和负载并联，检测直流侧纹波电压、利用PWM控制技术的并联直流有源滤波器来抑制电流纹波和提高动态响应的方案。其显著优点：在对传感器和电路元

本发明涉及一种基于 MEMS 系统的高灵敏度高分辨率的微型温度传感器及监测方法，包括两组 V 型弯曲梁组件，其中每组 V 型弯曲梁组件包括若干上下叠放的 V 型梁，所述每组 V 型弯曲梁组件的所 有 V 型梁同中心，且同时固定在一个固定块上；两组 V 型弯曲梁组件通过连接杆与固定在一个杠杆的 一端，所述杠杆另一端设有压电陶瓷，压电陶瓷的上下断面分别是接电的上电极和下电极。本发明可以 感应极其微小的温度变化并且将之转换为较大的电信号输出，能够显著

网络投诉数据综合管理系统是针对网优投诉数据简历的管理机制，通过建立和完善地址库信息，利用多种识别机适配算法，对投诉数据进行整理和分析。提取投诉数据的地点信息、用户信息、工单号、流水号、投诉内容、投诉分类等，实现投诉信息的标准化和规范化。

高校科技成果尽在科转云

1、成果简介：该型号是结合本课题为用户研发的第一种样机，最大传递功率5200kW，额定转差率≤3%，调速型液力偶合器最高效率≥97%，总机最高效率≥95%。用于离心式工作机械时其调速范围1～1/5，用于恒扭矩工作机械时其调速范围1～1/3。结构形式为前增速高转速型，主要由箱体、输入端增速齿轮轴、液力偶合器、调速勺管、电动执行器、输出轴等组成。前置一对增速齿轮，以提高偶合器的输入转速，提高传递功率的能力，并降低液力偶合器有效直径的规格，适应在高转速机械上应用。主要用于发电厂大功率风机和水泵的调速运行以