本实用新型涉及一种带有温差发电装置的太阳能热水器保温水箱，主要包括保温水箱、集热管、蓄电池、控制器和温差发电模块，集热管平行排列且一端插入保温水箱的下部，保温水箱内部的中心留有一贯通的圆柱形通道，温差发电模块是圆柱形的，它设置在保温水箱预留的通道内，温差发电模块中心也留有一圆柱形的通道，冷水管穿过该通道，温差发电模块的冷端面与冷水管接触，热端面与保温水箱中的热水接触，温差发电模块通过温差而生产的电能储存在蓄电池中，蓄电池和控制器设置在保温水箱右侧面的下部，蓄电池和控制器通过导线与温差发电模块相连。该

本实用新型公开了一种带摩擦式过载保护的水平轴海流能发电机用联轴器，包括输入法兰、刹车盘、传动法兰、传动轴、绝缘法兰及输出法兰，所述输出法兰与绝缘法兰之间设有过载保护装置。本实用新型的带摩擦式过载保护的水平轴海流能发电机用联轴器，绝缘法兰端传递传递过来的扭矩通过摩擦片的摩擦传递至输出法兰，进一步传递至发电机，当绝缘法兰端传递过来的扭矩过大时，摩擦片与绝缘法兰的法兰盘、过载保护压板的表面会产生打滑现象，使得扭矩传输中断，从而保护发电机组避免因大扭矩而受损坏。

本实用新型公开了一种带钢球式过载保护的水平轴海流能发电机用联轴器，包括输入法兰、刹车盘、传动法兰、传动轴、绝缘法兰、过载法兰、轴承法兰及输出法兰。本实用新型的带钢球式过载保护的水平轴海流能发电机用联轴器，绝缘法兰将扭矩传递至过载法兰，过载法兰将扭矩通过扭矩保护钢球传递至轴承法兰，进而由轴承法兰传递至输出法兰，如果系统产生的扭矩过大，则扭矩保护钢球会从V型槽滑出并挤压弹性片，此时扭矩传递中断，防止发电机组因扭矩过大而损坏，扭矩恢复正常后，扭矩保护钢球在弹性片的回弹力作用下重新进入V型槽。

（专利号：ZL 201410182396.6） 简介：本发明公开了一种太阳能高利用率光伏光热温差发电锅炉，属于太阳能利用技术领域。本发明包括炉体、顶部光伏发电组件、防水板、底部光伏发电集热器、传热板、温差发电片、传热合金块、上电磁阀、温控与水控装置、下电磁阀、上水位传感器、下水位传感器兼温度传感器、进水管和出水管，顶部光伏发电组件和底部光伏发电集热器分别位于炉体的顶端和底端，底部光伏发电集热器与炉体之间还设置有温差发电片，均用于太阳能光伏

OAM（轨道角动量）模分复用技术是一种新兴的通信复用方式，它通过在光信号中引入轨道角动量这一新的维度，实现了光信号的多模式传输，从而显著提高了光纤通信系统的传输容量。然而，OAM模分复用系统在实际应用中面临着模式间串扰和非线性效应导致的信号失真问题，这些问题限制了系统的性能和传输距离。 针对这一挑战，提出了一种高效的非线性均衡器，该均衡器采用先进的算法和电路设计，能够有效地抑制OAM模分复用系统中的非线性失真和模式间串扰，从而提高系统的传输性能和稳定性。该均衡器不仅具有高度的灵活性和适应性，能够根据不同的传输需求和系统配置进行优化调整，而且其设计紧凑、功耗低，非常适合应用于现代光纤通信系统。 本成果创新点主要体现在以下几个方面：首先，通过引入先进的非线性均衡算法，实现了对OAM模分复用系统中非线性失真的有效抑制；其次，利用优化的电路设计和信号处理技术，提高了均衡器的性能和稳定性；最后，该技术能够广泛应用于多种光纤通信系统，具有广阔的市场前景和应用价值。 图1. 均衡器计算过程

本成果围绕光伏并网系统电能质量展开。基于深度学习算法，研究谐波等电能质量指标变化规律，运用特征提取技术处理时序数据，实现电能质量预测。研发基于态势感知的电能质量调控装置，总谐波补偿率不小于 90%，补偿次数 2 - 50 次。成果形式包括研究报告、调控装置示范应用，申请发明专利 3 项，发表论文 3 篇。应用场景涵盖光伏电站、配电网等，可提升电网可靠性与经济性，减少设备损耗、优化调控策略、降低弃光率，为新能源消纳提供支撑。

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。

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。

本发明公开了一种基于电压信号复合前馈的构网型VSG输出功率解耦方法，涉及电力电子控制技术领域，对构网型VSG功率同步控制的变流器输出电压信号复合前馈实现构网型变流器并网系统及实现变流器输出功率解耦的方法。包括构网型VSG功率控制模块、电网参数检测单元、线路阻抗观测器、虚拟阻抗压降前馈环路以及电压信号二次前馈环路。本发明的复合前馈控制策略结合虚拟阻抗和电压幅值与功角补偿，显著减弱了有功与无功功率的耦合作用，实现了高效解耦，适用于复杂电网环境。