本发明公开了一种直流电机的驱动?调速一体式约束预测控制方法，本发明将这种驱动?调速一体式的控制技术应用于直流电机，首先利用广义比例积分观测器技术在串级电路和转速的光电编码器采集的转速信息的基础上对系统的集总干扰进行估计，得到重构后的集总干扰信息，结合模型预测控制相关技术设计出针对直流电机的带输入约束的输出反馈控制器，在保证系统动态响应性能的基础上，因为不需要使用电流、电压以及转矩传感器，降低了系统的成本，提高了系统容错能力，同时可以明显地抑制参数摄动和负载转矩突变等因素引起的干扰，从而大大提高直流电机系统的输出转速的控制精度和干扰抑制能力。

利用合成gRNA-靶序列的高通量文库允许直接在细胞环境中便捷和高通量地收集gRNA活性数据，由此建立的计算模型来预测gRNA的活性比较可靠。

（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。

2020年我国热释电红外传感器行业市场规模近 10 亿元，年均复合增长率超 20％，作为核心元件材料的热释电陶瓷材料相关技术获得了业内的普遍关注。热释电红外传感器可用于遥感、制导、 夜视、主动雷达、热成像、气体分析、辐射计、测温等军事和工业领域，随着近年来消费电子的功能多样化，其在消费电子电器产品中的应用正迅猛增长。本团队在高性能热释电陶瓷材料领域进行了多年研究，研发了多种不同体系的高热释电系数陶瓷材料，具有广阔的产业化应用前景。在宽温区范围内（-55 ℃-150 ℃）进行多样品热释电系数（衡量热释电陶瓷材料性能的重要参数）的精准测量是热释电材料研 究领域的难点之一，本团队搭建的热释电系数一体化精密测量装置，可以在-55 ℃-150 ℃宽温区范围内一次同时测量 8 个样品的热释电系数，样品最小测试面积低至0.5mm2，可最大程度保证测 量数据的精准性、可靠性和重复性。 2020年我国热释电红外传感器行业市场规模近 10 亿元，年均复合增长率超 20％，作为核心元件材料的热释电陶瓷材料相关技术获得了业内的普遍关注。热释电红外传感器可用于遥感、制导、 夜视、主动雷达、热成像、气体分析、辐射计、测温等军事和工业领域，随着近年来消费电子的功能多样化，其在消费电子电器产品中的应用正迅猛增长。本团队在高性能热释电陶瓷材料领域进行了多年研究，研发了多种不同体系的高热释电系数陶瓷材料，具有广阔的产业化应用前景。在宽温区范围内（-55 ℃-150 ℃）进行多样品热释电系数（衡量热释电陶瓷材料性能的重要参数）的精准测量是热释电材料研 究领域的难点之一，本团队搭建的热释电系数一体化精密测量装置，可以在-55 ℃-150 ℃宽温区范围内一次同时测量 8 个样品的热释电系数，样品最小测试面积低至0.5mm2，可最大程度保证测 量数据的精准性、可靠性和重复性。 

针对六自由度电动或液压平台，输入六个缸体的空间几何数据，建立电动缸空间运动模型。在六自由度平台合理的运动范围内，输入任意六自由度数据（X,Y,Z坐标，以及绕X,Y,Z轴的旋转角度），可以精确计算出每个缸体运动的长度，并用三维图形进行显示。 每个缸体采用位移传感器实时监测缸体长度，通过给定不同的驱动电压和驱动时长，可以使得六自由度平台做出预定姿态。 若相关企业需要，该专利可低额转让，具体价格面议。

当前光纤通道(Fibre Channel：FC) 以其高速率和高可靠性在航空电子环境得到了广泛的应用，一个典型的战机航电系统如下图所示： 为研究航电系统的性能，经常需要搭建地面仿真平台进行预先的评测。对应上图所示，我们可以搭建如下的地面仿真系统： 该系统包括自研制的： FC-AE仿真接点卡、FC-AE协议分析/监控卡、 FC-AE故障注入卡、 FC-AE网络交换机、FC-AE 数据监控记录分析仪。上述五项设备可以独立使用，也可部分或全部联合构成航电地面仿真测试平台使用。

高密度高性能并行计算平台是将CPU刀片、DSP卡、GPU卡通过高速总线进行互联；采用异构并行计算框架，实现多机、多卡、多核的资源分配和负载均衡；提供适合大规模并行计算的算法平台。用户在该平台上采用传统的串行思路编程即可实现大规模的并行计算。 该计算平台相对于传统的服务器系统具有体积小、重量轻、功耗低、计算能力强的优点。由于CPU适合逻辑业务、DSP适合粗粒度的并行计算、GPU适合规整数据的细粒度计算，所以通过CPU刀片、DSP卡、GPU卡数目的组合配置，可适合多种、不同类型的计算业务。 1. 硬件环境 硬件环境为6U高标准的服务器，最多可支持三类（CPU/DSP/GPU/）、9张板卡。在板卡间提供网络和PCIE的高速数据总线，示意图如图1所示。 平台硬件包括一个主控板和8个扩展插槽。主控板集成1片Intel i7的CPU；8个扩展插槽可插CPU刀片、DSP板卡、GPU板卡及其任意组合。因此即可组成小型的PC集群，也可以组成高性能的GPU服务器、DSP服务器，或它们之间的组合。该硬件平台还可通过InfiniBand高速网络进行扩展，最大可形成20个服务器互联的统一的软硬件系统。 2. 软件环境： 平台中的CPU主要起控制作用，计算任务主要由DSP和GPU承担。针对高密度计算资源，通过软件框架屏蔽硬件差异。软件框架如图2所示。 平台提供动态链接库，封装任务的调度、CPU与DSP之间的通信、CPU与GPU之间的通信等功能。用户在动态链接库基础之上进行二次开发，实现自己的业务逻辑。 3. 参数指标： ？ 单台计算能力：插8张DSP卡，做快速傅里叶变换（FFT），相当于40台8核Intel i7计算机的计算能力；插4张GPU卡，做场强计算，相当于50台Intel i7计算机的计算能力; ？ 尺寸：6U标准高度，（420±0.6）mm×（256±1）mm×（≤500）mm（宽×高×深）；重量：<35公斤；功耗：<1000瓦。 图1高密度高性能并行计算平台硬件示意图 图2高密度高性能并行计算平台软件框架

研制背景：企业数据处理与数据分析需求在扩大，数据投入在持续增加；数据种类多，数据量大，潜在价值高；使用者难以有效地操作使用；业务复杂，调参静态组合参数过程繁琐； 平台技术： 微服务的构建方式，微服务、前后端完全分离。 分布式开发框架——SpringCloud Web开发框架——SpringBoot 、VUE（ELE） 机器学习算法框架——R、Spark集群计算 数据存储工具——Mysql、JPA、Hadoop（集群） 中间件: RabbitMQ

完成团队简介：高岭教授及其领导的科研团队长期以来致力于信息科学领域的研究工作，主要围绕计算机网络基础理论、网络安全与管理、网络流量与性能分析，以及嵌入式Internet服务、网络应用服务、教育信息化、远程教育和教育技术等领域开展相应的研究工作。先后在国内外学术刊物上发表论文100余篇，其中SCI、EI、ISTP检索30余篇；教学科研成果多次获陕西省、西安市等颁发的优秀成果奖；主持国家自然科学基金项目、国家科技支撑计划项目课题、陕西省“13115”重大科技创新工程公共服务平台建设项目等20余项国家、省部级科研项目。   陕西省科技文档数字化管理与资源共享平台资源共享体系 成果内容：文档数字化管理与资源共享平台是承载未来陕西省科技信息资源中心四大平台之一，以资源共享的方式进行全省科技文档统一建设、集中管理、信息共享。其主要核心技术如下：（1）海量异构资源动态管理模型：针对服务类型和服务属性的多样性，提出了动态模型管理方法，结合数据挖掘、策略设计模式等理论，采用数据定义语言（DDL），实现资源动态定义模型。对不同服务类型，根据不同类型调用相匹配的函数，实现43类不同格式服务资源自动化转换为规范格式的服务资源。（2）属性级可控访问：基于规范属性标准与RBAC模型，将资源属性信息独立保存，建立授权用户与资源属性的直接关联，实现对资源的属性级授权控制，在单次授权的基础上实现二次授权及多次授权，进一步提升权限控制的灵活性。（3）多类型径向筛选：通过对筛选条件的优化分析，构造以筛选关键字、公共信息服务类型、规范属性、属性值为筛选路径的径向筛选技术，并通过匹配用户历史筛选，主动对筛选结果进行内容过滤，返回个性化的可控筛选。 成果成熟度：中试产品阶段（已解决关键技术，需要合作进行产业化攻关）。 转化方式：合作推广。 预期成果收益：进一步市场化放大约需投入180万元，若建成覆盖陕西省的科技资源共享平台，以年服务人群数量10万计，每人次节约相关费用15元计，每年能够为社会节约150万元。