大容量电池储能系统能够提高可再生能源发电的穿透率，提高电网稳定性，是未来智能电网运行中的重要组成部分，然而功率转换技术一直限制着电池储能系统的大容量化发展。本项目使用级联式变换器作为大容量电池储能系统的功率转换系统，从而可以大大提高大容量电池储能系统的效率、可靠性等。 在本项目的研究过程中，先后对高压直挂功率转换系统中的关键技术如二次脉动抑制、接地电流抑制以及可靠的控制策略等进行了深入研究，在20链节的实验系统中全面验证，并在国内外期刊发表了多篇论文。最后，南方电网公司在深圳宝清储能电站建设了2MW/2MVA/10kV高压直挂储能系统，本项目研究的关键技术实际指导了该系统的设计，所研究的控制策略实际应用于该储能系统。 该储能系统的功率转换技术是世界上首次直挂 10kV电网的功率转换技术，目前已经顺利运行一年，在效率、可靠性等方面明显优于传统储能系统，为大容量电池储能系统的广泛应用奠定了坚实基础。

本发明涉及一种利用阳离子染料修饰的活性炭共吸附高铼酸根或高锝酸根的普适性的方法，属于水处理技术领域。在本发明体系中，以阳离子染料修饰的活性炭作为高铼酸根或高锝酸根的吸附剂，阳离子染料/活性炭复合材料通过对污水中的高铼酸根或高锝酸根共吸附，从而实现对污染物的高效去除。本发明展示了以12种活性炭作为多孔载体，在分别吸附了5种不同的阳离子染料后，可有效的对高铼酸根进行吸附。尤其是在吸附了亚甲基蓝染料后，其不仅可在极短的时间内对高铼酸根完成快速吸附，还具有吸附容量大、pH稳定性好、选择性高、抗辐射性能好、成本低等优点，可应用于实际的环境污水中。

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。

（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。

根据《黑龙江省科学技术奖励办法》规定，2021年度黑龙江省科学技术奖提名项目通过专业评审组初评、评委会评审及省科技奖励委员会审定等程序，经报省政府批准，决定授予秦裕琨院士2021年度黑龙江省最高科学技术奖；授予244项提名项目（自然科学类86项，技术发明类19项，科技进步类139项）为2021年度黑龙江省科学技术奖。