研发阶段/n由于信息基础设施建设环境复杂，以卫星移动通信为代表的空天地一体化网络 建设成为首选。中科院计算所无线中心在已有成果的基础上，重点提升卫星终端芯 片的产品化量产能力，实现终端芯片量产，并设计多类型卫星移动通信终端设备及 行业应用解决方案，填补我国卫星移动通信“产业空洞”。截止2017年底，项目成 功实现卫星移动通信终端基带芯片Full Mask量产并推广应用，占领产业链高端核 心器件供给；推出面向行业应用的手持、便携、车载等多型终端解决方案，项目相 关成果目前依托产业化主体中科晶上实现产业

本发明公开了一种基于双路电压信号驱控的面阵电控液晶光发散微柱镜芯片，包括：液晶散光微柱镜阵列、第一驱控信号输入端口、以及第二驱控信号输入端口，液晶散光微柱镜阵列为 m×n 元，其中 m、n 均为大于的整数，液晶散光微柱镜阵列采用液晶夹层结构，且上下层之间顺次设置有第一基片、顶层面电极板、电极间绝缘层、顶层图案化电极板、第一液晶定向层、液晶层、第二液晶定向层、网孔状共地电极板、第二基片，顶层面电极板和网孔状共地电极板分

本项目提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。 一、项目分类 重大科学前沿创新 二、成果简介 提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。技术上已经实现了全国产设备工艺线上，芯片电路单元核心器件-约瑟夫森结和共面波导超导谐振器的自行设计制造，在极低温环境下完成了单元器件性能的标定和检验。

本发明公开了一种基于微流控芯片粒子捕获式单粒子散射测量 方法，包括微流控芯片的设计制作、测量环境配置、对准、单粒子的 捕获和单粒子环境的构建以及单粒子大角度的散射分布的测定等相关 方法。与现有技术相比，由于结合了微流控芯片粒子捕获技术，克服 了单粒子的大角度散射、大动态范围内的光散射特性测量方法的不足， 实现了单粒子大角度散射分布的测量

本发明公开了一种D2D通信中频谱效率最大化的功率分配方法，通过分布式优化蜂窝用户的发射功率、D2D用户对的发射功率，在保证宏用户最低服务质量要求和D2D用户与蜂窝用户的功率限制的情况下最大化D2D用户的频谱效率。在给定蜂窝频带资源的情况下，最大化D2D通信的频谱效率等价于最大化D2D通信的和速率。本方法给出了在任何D2D用户都可以使用所有信道，并且任意信道可以同时被所有D2D用户占用的情况下，最优的蜂窝用户发射功率和D2D链路发射功率。主要用凸近似的方法将非凸问题近似为可求解的凸优化问题，并利用给出的闭式解快速收敛到凸问题的优化解。本发明具有收敛速度快，计算量小，易于实现，结果精度高等优点。

2021 年 1 月 27 日，由西南交大与中车大同联合研制的我国首台氢燃料电池混合动力机车，在中车大同电力机车有限公司成功下线，标志着我国氢能轨道交通技术取得关键突破。该车采用西南交通大学陈维荣教授团队研发的轨道交通大功率燃料电池发电系统，突破了燃料电池混合动力系统集成、系统优化控制以及能量管理等核心技术，电堆采用国际领先、可低温启动的日本丰田金属电堆，这也是燃料电池金属电堆在轨道交通领域的首次应用。该车设计时速每小时 80 公里，满载氢气可单机连续运行 24.5 小时，平直道最大牵引载重超过 5000 吨，在不用改变任何铁路基础线路条件下，可在各类机务段、车辆段、编组站以及大型工厂、矿山、港口等场所执行运转、调车、救援等多用途任务。 陈维荣教授团队自 2008 年起，在我国率先开展氢燃料电池在轨道交通中的应用研究，开拓了氢能轨道交通研究方向。历时十余年的技术攻关，团队突破了大功率燃料电池优化控制、混合动力系统能量管理、故障诊断与寿命预测等关键技术，于 2013 年成功研制我国首辆燃料电池电动机车，并于 2016 年与中车唐山公司联合研制成功世界首列燃料电池混合动力有轨电车，引领了我国氢能轨道交通技术发展。 

本发明公开了一种基于模糊概率的光伏电池的最大功率点的跟 踪方法。所述跟踪方法包括：以ε为采样间隔，获得 N 个采样点 [ui,P(ui)]，i 为小于等于 N 的正整数；其中，ε为 0.05UOC/Ns～ 0.5UOC/Ns，UOC 为光伏电池的开路电压，Ns 为光伏电池的串联数； 通过构造扩散函数 fD 和隶属度函数 fM，求取概率函数 Pro(i)，对概率 函数 Pro(i)的结果从大到小排序，并依次选取排序靠前的概率对应的 Xi 的并集作为最大功率点的搜索范围，使得所述排序靠前的概率函数 Pr

（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。

最近以来，LED照明以其节能环保等优点，获得了大规模的应用。 传统的黄色荧光粉YAG：Ce3+在蓝光LED芯片激发下发出黄色的光，通过蓝光和黄光复合产生白光，但这种粉体不能应用于高能量的紫外LED芯片产生白光，因为YAG：Ce3+的光谱中缺乏蓝光波段。本项目通过特有的表面包覆和处理技术，使得YAG：Ce3+的外观和普通YAG：Ce3+没有区别，但在紫外光365nm激发下，不仅呈现出黄光发射，而且具有蓝光发射，通过调控膜层的组成和厚度，匹配与紫外LED芯片时，器件发射出CIE坐标（0.32,0.33）的白光。 利用此方法，可使得YAG:Ce3+粉发出蓝光和黄光两种波段，进而复合产生白光，工艺简单，技术领先。

成果简介： 最近以来，LED照明以其节能环保等优点，获得了大规模的应用。 传统的黄色荧光粉YAG：Ce3+在蓝光LED芯片激发下发出黄色的光，通过蓝光和黄光复合产生白光，但这种粉体不能应用于高能量的紫外LED芯片产生白光，因为YAG：Ce3+的光谱中缺乏蓝光波段。本项目通过特有的表面包覆和处理技术，使得YAG：Ce3+的外观和普通YAG：Ce3+没有区别，但在紫外光365nm激发下，不仅呈现出黄光发射，而且具有蓝光发射，通过调控膜层的组成和厚度，匹配与紫外LED芯片时，器件发射出CIE坐标（0.32,0.33）的白光。 利用此方法，可使得YAG:Ce3+粉发出蓝光和黄光两种波段，进而复合产生白光，工艺简单，技术领先。