成果的背景及主要用途： 天津大学结合三门峡水利枢纽管理局委托“三门峡枢纽多模目标优化调度研究”项目和教育部骨干教师基金“粘性泥沙的力学模型和人工智能模拟复合模拟研究”项目开展了多沙河流水库水沙电的多目标优化调度的研究工作。采用科学的理论方法和先进的技术手段，创新地研究调度管理系统中涉及的水文预测、泥沙冲淤的智能快速模拟、高含沙洪水的“揭河底”现象的特征机理、多目标优化调度、实时短期调度、调水调沙等问题，以便使水库优化调度管理系统更科学化、智能化、系统化。本研究项目的进行与研究结果，有利于协调解决目前防洪、供水、泥沙淤积与蓄水发电等多目标的优化调度的问题，确保在改善多沙河流水库库区、下游水库及其河道的泥沙淤积情况的同时增加发电量，提高社会效益和经济效益，在全国用电紧张、更加注重社会效益和生态效益保护的今天，本项目的研究有重大的现实意义和实用价值。 技术原理与工艺流程简介： 本项目主要利用混沌神经网络模型对黄河中下游中长期径流和含沙量进行了预测，并利用模式识别的方法随机模拟了洪水过程中的流量过程线和含沙量过程线；对影响潼关高程和水库泥沙淤积量的相关因子进行优选，并利用其训练神经网络；将 BP 人工神经网络模型运用到径流量的预测，水库泥沙淤积、潼关高程中去，进行计算和预测；建立随机微分方程模型，确定水库断面水库进行多目标优化调度。在完成上述专业模型系统的设计开发基础上，将利用多目标系统决策分析理论，通过从下到上逐级控制，并协调各子系统的运行关系，使各子系统既能实现各自目标，又能满足彼此的制约关系，从而实现整个枢纽的综合最优调度。 技术水平及专利与获奖情况： 该项成果达到国际先进水平。应用前景分析及效益预测：水库多目标优化调度的效益极为明显，往往是在不增加水利枢纽运行和管理成本基础上实现的效益，在水资源日益短期的形势下，其重要性也日益突出。本项目所研究的多沙河流以水、沙、电多目标优化调度系统，可为解决防洪、供水、发电与减淤的矛盾提供新的技术手段和理论方法，可以应用到黄河等多沙河流的各个水利枢纽的优化调度运行中，能实现水库枢纽经济效益、社会效益和生态效益的综合优化及和谐统一。还可以应用到含沙量较小（但又必须涉及泥沙问题）的河流上的各个水库枢纽上，如三峡水库等，应用范围极为广泛，具有广阔的应用前景。 应用领域：水利水电工程运行管理。 合作方式及条件：技术服务。

本发明公开了一种基于多尺度空洞融合迭代优化的增强图像隐写，适用于图像隐写领域，包括以下步骤：使用封面图像C获取其对应的增强图像E后，分别对其进行特征提取，后引入多尺度空洞融合的注意力机制；再将两个图像的特征融合得到图像X；之后与秘密连接形成载密张量M；编码器接收三个输入：图像M的特征、当前的扰动，以及这个扰动的损失函数的梯度进行拼接形成GRU单元的输入；通过反复应用编码器，最终生成的隐写图像；解码器接收编码器生成的隐写图像，经过一系列卷积，从隐写图像中恢复原始的隐藏信息；批评者网络来评估生成的隐写图像的自然性，并提供反馈；重复步骤2到5。最终生成的图像即为包含隐藏信息的隐写图像。本方法将学习和迭代优化方法结合起来，在双通道输入图像增强下结合多尺度融合注意力机制，从而找到图像中更适合隐藏信息的部分，使生成的隐写图像更加隐蔽。

本发明公开了一种考虑停电损失系数的PMU优化配置方法。输入电力系统的初始信息；利用遗传算法进行初始化种群，设置染色体个数和最大遗传代数；判断多个网络拓扑是否均满足数值可观性，若满足则计算多个网络拓扑下的停电损失，并得到最小的停损系数，否则将目标函数值设为上限值；将最小停损系数与系统要求的停损系数作比较，若小于则计算目标函数值；否则将目标函数值设为上限值； 计算个体适应度并进行排序，选出最优个体及其目标函数值，用赌轮盘算法产生下一代个体；根据最大遗传代数选择进行下一轮迭代或输出最优解。本发明不但能够保证电力系统在正常情况下的完全可观性，而且能够在线路N?1故障下满足相应的停损系数要求。

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。

 采用直流技术对海上风能进行汇聚和传输可以同时提高系统可靠性和灵活性，DC/DC变换器用于匹配不同电压等级以及接入直流发电和储能设备，为实现中高压直流电网中高效可靠的直流-直流变换，本项目首先研究中高压模块化多电平DC/DC变换器的可行电路拓扑结构，研究模块化多电平DC/DC变换器的运行和控制机制，解决均压控制问题，实现其电压和功率控制功能。依据理论研究成果，本研究组开发了60kW模块化多电平DC/DC变换器样机，对样机的测试结果验证理论分析以及所提出控制算法的有效性。 通过本项目的实施，解决了模块化多电平DC/DC变换器的调制、均压、控制等关键问题，验证其应用于直流电网的可行性。为未来直流电网的建设提供率了重要的理论参考和工程借鉴依据。 在本项目实施过程中，以国家千人计划，项目和中英自然科学基金项目为依托，本研究组与国家电网电力科学研究院、英国Strathclyde大学、英国Aberdeen大学合作开发了“带有DC/DC直流电压变换的大型新能源多端直流接入系统”的实证平台，研究和验证了直流电网的运行机制。针对模块化多电平DC/DC变换器，本研究组已申请专利一篇，发表多篇论文。

自微乳化技术显著增加赤芍总苷有效成分的溶出度和口服生物利用度，进而提高药物的疗效，克服了赤芍总苷生物利用度低、服用剂量大等方面的问题。

成果描述：本实用新型公开了一种微热计算机显卡,涉及电子设备领域,包括背板、PCB板、锥形台热传体、散热鳍板、散热风扇以及固定框架。所述PCB板、锥形台热传体、散热鳍板依次固定在所述背板与固定框架组合成的层状固定架中。所述锥形台热传体采用热管的技术原理,铜制中空设计,能够快速的将GPU工作时产生的热量传递至散热鳍板上,由散热风扇对散热鳍板进行散热从而实现对GPU进行散热的目的。本实用新型结构简单,实用性强,通过采用锥形台热传体进行热传递、散热鳍板与散热风扇组合进行散热的设计能够高效的对GPU进行散热,使显卡在常规工作中保持在相对正常的工作温度,延长了显卡的使用寿命。市场前景分析：本实用新型结构简单,实用性强,通过采用锥形台热传体进行热传递、散热鳍板与散热风扇组合进行散热的设计能够高效的对GPU进行散热,使显卡在常规工作中保持在相对正常的工作温度,延长了显卡的使用寿命。与同类成果相比的优势分析：国内领先

几年，随着消费电子（手机、智能手表等）、生物医疗需求的快速发展，尤其是代表下一代柔性移动显示屏OLED的巨大应用市场驱动下，超快激光精密微加工产业在世界范围内迅速增长。与传统的纳秒长脉冲相比，脉宽小于15皮秒的超快激光器用于材料加工时，由于脉冲的持续时间短于材料的热弛豫时间，在加工过程中避免热效应，基本不带来附加损伤和毛刺，适合于微米乃至纳米精度的超精细冷加工。超快激光的瞬间功率极大，几乎可以和任何材料相互作用，因此适用于超快激光加工的材料范围几乎不受限制，尤其有优势的加工对象包括玻璃、蓝宝石、陶瓷、太阳能薄膜、半导体晶圆、特种合金、精密医疗器件等。