内容介绍： 金属氧化物半导体气敏材料由于具有灵敏度高、响应一恢复快、制备 简单、价格低廉、选择性可方便通过材料表面修饰等进行改善的优点， 在传感器领域具有很好的应用前景和实用价值。 本项目利用环境友好、低成本的低温方法合成了纳米材料，通过材料 成分的设计和工艺参数的调控来获得具有形貌可控的纳米材料，将其应 用到气敏元件。通过其对可燃和有毒气

本发明公开了一种托卡马克等离子体破裂电磁能量导出的破裂 缓解方法及装置。该方法利用一组与等离子体耦合的能量转移线圈在 破裂瞬间耦合等离子体部分电磁能量，并导出真空室由能量吸收部件 吸收，可以减小破裂瞬间耗散在真空室内部能量的总和，缓解破裂瞬 间等离子体巨大能量耗散在真空室内部造成的危害。现有的大量气体注入(Massive-Gas-Injection，MGI)等破裂缓解方法，不能减小破裂过程 耗散在真空室内部能量的总和，该方法可以有效弥补这一缺陷，可以 与现有的 MGI 等方法协同工作，共同缓解破裂等

本项目从电器极间电弧放电特性、电接触表面动力学特性的界定及分析、电接触材料的转移、电弧对电接触材料的侵蚀机理和电接触数学模型五个方面进行实验、分析和理论研究。揭示了金属蒸汽电弧比气体电弧对触头材料侵蚀严重的本质；首次建立了反映电弧状态转换规律的蝴蝶型突变模型：首次建立了反映电弧状态转换规律的蝴蝶型突变模型：首次提出并界定了受电弧能量作用的电接触表面动力学特

XM-162椎骨功能变化示教模型（人体椎骨总汇模型）   XM-162人体椎骨总汇模型（椎骨功能变化示教模型）由26部件组成，显示游离的脊柱骨的形态和外观，包含颈椎7块、胸椎12块、腰椎5块、骶骨1块、尾骨1块。 尺寸：自然大 材质：PVC材料

XM-111人体骨骼附关节韧带和肌肉起止点着色模型 （带数字标识）   XM-111人体骨骼附关节韧带和肌肉起止点着色模型（带数字标识）显示男性全身骨骼的组成和形态外观、神经分支、脊椎动脉和腰椎间盘等，由男性全身散骨串制而成一整体骨架，成直立姿势，四肢大的关节部分均可活动，一侧骨骼依据解剖图谱用不同颜色油漆标识出肌肉起止点位置（带数字标识），另一侧为上下肢附关节韧带，头颅含可活动的下巴、可移动的头颅盖、骨缝线和三颗可取下的下牙，其中四肢骨和头颅骨可以灵活拆卸组装，整体固定在支架上，带底座，可灵活移动，共有164个部位数字指示标志及对应文字说明。 尺寸：自然大，高170cm 材质：PVC材料

XM-162椎骨功能变化示教模型（人体椎骨总汇模型）   XM-162人体椎骨总汇模型（椎骨功能变化示教模型）由26部件组成，显示游离的脊柱骨的形态和外观，包含颈椎7块、胸椎12块、腰椎5块、骶骨1块、尾骨1块。 尺寸：自然大 材质：PVC材料

（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。