本专利系统所要解决的技术问题正是对上述存在的技术不足，提出了一种基于本体的数字岀版物语义标注优化方法。其公开了在语义分析与标注方法中，进行段落分词，其中，段落分词包括字符串匹配分词、最短路径分词和词义分词法等 一、项目分类 关键核心技术突破 二、成果简介 现阶段关于数字出版物内容提炼标注技术大多是根据基本词库及内容上下文进行抽取的，没有结合出版物的领域背景，从而降低了标注在特定领域的准确性，导致信息可达性降低、传播效率降低。 本专利系统所要解决的技术问题正是对上述存在的技术不足，提出了一种基于本体的数字岀版物语义标注优化方法。其公开了在语义分析与标注方法中，进行段落分词，其中，段落分词包括字符串匹配分词、最短路径分词和词义分词法等；然后进行语义标注，即为文本中的词分配词性信息（例如名词、动词等）；最后，进行段落-维度结构化关联，将段落在语义空间上的点坐标表示出来。 因此，本发明相对于上述该文献实际解决的技术问题是：如何提高标注的准确性和检索的准确性。本专利系统对数字出版内容进行知识化加工，优化了现有的语义标注方法。

成果简介本项目面向钢包精炼炉（LF 炉） 电极系统， 开发出一种神经网络建模、 解耦及控制的智能控制系统。 包括开发出一种含有智能控制算法、 SIEMENS WinAC软件、 工业以太网、 现场总线等多种软硬件技术的系统集成平台， 从而实现 LF炉三相电极电流的实时在线解耦与控制。成熟程度和所需建设条件本项目先后成功应用于马钢和湖北新冶钢， 结果表明节能减排效果显著， 经济和社会效益明显。 本系统可以和原系统兼容， 只需要添加一台工控机。技术指

本发明公开了一种面向片式多核处理器的流编译优化方法，包 括：生成软件流水调度表的软件流水调度步骤；根据软件流水调度表 将计算任务所需的数据在片式多核处理器片上的 SPM 和主存上进行 缓存分配的存储访问优化步骤；根据片式多核处理器的片上网络拓扑 结构确定通信量最小的映射方式，以将软件流水调度表中各个虚拟处 理核根据映射方式调度映射到实际物理核上的通信优化步骤。本发明 的方法结合了流程序与系统结构相关的优化技术，充分发

Ø 靛蓝是染色牛仔布的主要染料，每年全世界的靛蓝需求量达10万吨之多。靛蓝生产工艺主要以间歇法为主，已经有一百多年历史了。其中的碱熔反应工艺堪称间歇反应的经典，在一百多年历史中，即使到上世纪90年代国际上最大、技术最先进的化学品公司最后放弃该产品生产的时候，也没有能够用一种连续的生产工艺来代替它。目前全世界大概80％的靛蓝由中国生产，其中60~70％出自江苏泰丰公司。在2006年以前，几乎所有国内的靛蓝生产线都完全由人工操作完成，包括当时技术最先进的北京染料厂。2006年，理工大学210教

以惯性导航挠性接头高质量加工为目标，开展磨削机理、工艺优化和加工过程监测方法研究，突破目前挠性接头微细特征磨削加工工序中对复杂微观结构认知的障碍，在磨削力、热载荷作用下充分认知磨削过程中影响表面完整性的重要因素。明确磨削表面完整性关键工艺优化目标，探究各个工艺参数间耦合关系，形成面向表面粗糙度、残余应力和磨削烧伤等表面完整性目标要求的工艺优化准则。研究面向惯性导航关键件磨削加工物理信号与表面完整性关联的磨削特征辨识方法，获取磨削加工质量监测和控制的深层知识，探索基于最优磨削特征融合的质量监测和多目标控制途径，实现惯性导航关键件磨削加工表面完整性的动态、准确和有效的监测。 相关技术指标： （1）加工后挠性接头表面粗糙度达到Ra 0.8 （2）加工后挠性接头近无表面残余应力 （3）挠性接头加工过程中实现砂轮磨损及表面完整性监控 技术创新点： （1）提出了基于磨削过程中物理信号与表面质量高关联度的磨削特征辨识方法 （2）揭示了挠性接头磨削加工工艺参数与力热载荷对于磨削表面质量的影响规律，并提出了高表面完整性加工的工艺准则 （3）提出了基于高关联度磨削特征融合的砂轮磨损及表面质量监控方法

同济大学电子与信息工程学院康琦教授团队面向复杂工业过程智能运维，深度融合物联网、大数据、人工智能等技术，设计开发了高集成度与模块化的边缘计算平台。该技术采用云-边-端一体化的系统架构设计，结合迁移学习、演化计算等智能技术，构建了可持续学习的通用网络进化框架，针对不同应用场景，通过模型与算法的模块化管理与轻量化学习，可实现边缘侧模型定制与部署，全面感知系统动态，自适应环境与工况变化，实现无人值守的工业过程在线学习、智能控制与持续优化，显著降低运行成本，提升企业经济效益。 边缘计算平台架构 目前该技术已经获得相关授权发明专利6项，面向钢铁冶炼、汽车制造、污水处理、轨道交通等领域，在多个省市的节能控制与运营优化相关智能化工程项目中得到了推广应用，平均节能达30%，经济效益明显。基于该平台技术对城市污水处理厂生物曝气过程进行自适应软测量建模与学习优化控制，实现了多目标联合优化的在线智能监控系统，年平均节电超过27%。对大型制造企业的多车间冷源系统实现了全自动在线优化与智能控制，系统能效提升一倍，年平均节电36.9%。

本发明公开了一种考虑逆变型分布式电源接入的配电网故障区域定位算法，包括如下步骤：(1)建立恒功率控制方式下逆变型分布式电源故障特性分析模型；(2)根据配电网中联络开关、断路器等开关器件的分布特点对配电网进行分区处理，使用图论的理论分析方法，建立配电网的图模型，并设定配电网的电流参考方向；(3)利用设定的配电网电流参考方向以及断路器处保护装置上传的故障信息，通过矩阵运算求取故障判断矩阵，实现故障区域的定位。本发明能够满足分布式电源接入，无需动作值整定，具备一定拓扑结构自适应的能力。

本发明公开了一种应用于智能配电网的双有源桥直流变换器软启动控制方法，先解锁原边全桥，闭锁副边全桥和外移相角的闭环控制，原边全桥采用斩波控制，开关管Q3和开关管Q4以50％的占空比互补导通，开关管Q1和开关管Q2采用变占空比控制，并且每个开关周期以一定的步长增加；当副边电压上升到足以驱动开关管，且开关管Q1和开关管Q2的占空比都增至0.99时，解锁副边全桥及外移相角的闭环控制；当输出电压达到额定值时，切入负载，输出电压稳定完成启动过程。本发明有效抑制双有源桥直流变换器在启动过程中的电流过冲，保证电流的正负对称，降低对开关管的耐流要求，降低成本，避免变压器偏磁现象，降低变压器的容量、体积和成本。

本发明公开了一种应用于智能配电网的 EPON 通信系统的动态 带宽分配方法，包括步骤(1)基于不同需求将智能配电网各业务分为 EF 业务、AF 业务和 BE 业务；步骤(2)通过层次分析法计算 AF 业务和 BE 业务的权值，并计算一个轮询周期内 EF 业务和加权业务的缓存量和缓 存速率；步骤(3)根据电网故障情况，对各 ONU 业务缓存速率和业务 缓存量进行修正，计算一个轮询周期内各 EF 业务和加权业务的带宽需 求量；步骤(4)根据 EPON 带宽值对 EF 业务进行分配，然后对加权业 务进行分

（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。