一.软件简介《浙科国际贸易进出口模拟教学软件》（实训平台）主要包括综合业务操作、国际商务单证、在线考试系统、知识网站、交流中心等。综合业务操作主要从进口商，出口商，生产商，进口地银行，出口地银行和辅助员的相互配合，互相交易来达到实践教学的目的。二.软件优势1.网络版，节点数无限制系统采用B/S架构和NET技术，只需安装在服务器上，无需对各客户端进行安装，客户端通过IE浏览器访问服务器，无需另行安装组件。系统维护方便，只要在服务器上操作即可。2.功能全面充分融合用户需求，集实验操作、练习、学习于一体，满足学生学习和实训的要求。软件拥有良好的人机操作界面，实用的操作方法，适合教学、学习。3.实验效率高通过模拟仿真的实验方式，可以更加高效的展示外贸流程与其中的关键知识，使得相关知识能够直观的呈现在学生眼前，大大提高了教学效率。4.日志功能软件还提供对学生实验的实时督导的功能。教师能够通过对学生操作日志的查看，了解到学生实验的进展情况，对学生的错误操作及时地提出意见，防止学生出现错误。三.软件功能1.进口商学生扮演进口商角色，在模拟环境中查看出口商发布的供应信息，完成询盘、合同签订、申请信用证、订舱、投保、提货、销售等步骤。2.出口商学生扮演出口商角色，与其他角色合作完成进行还盘、发布供应信息、起草外销合同、起草内销合同、备案、报关、报检、结汇、退税等步骤。3.进口地银行学生扮演进口地银行在实验过程中负责贷款管理、信用证审核、单证管理等操作。4.出口地银行学生扮演出口地银行在实验过程中负责贷款管理、信用证收证、审核单据、寄单等操作。5.生产商生产商角色在实验过程中负责与出口商签订合同、组织生产、放货等工作。6.辅助员辅助员在实验中扮演大部分的外部机构，例如保险公司、质检总局、海关、船公司、国税局等，帮助实验高效有效进行。四.软件特点1.交互性较高交互系统注重外贸交易的流程性，根据成交方式与付款方式，将业务流程分为CIF + L/C、 CIF + D/A 、CIF + D/P 、CIF + T/T Before Shipment、CIF + T/T After Shipment 、FOB + L/C、FOB + D/A、FOB + D/P、FOB + T/T Before Shipment 、FOB + T/T After Shipment 、CFR + L/C 、CFR + D/A 、CFR + D/P 等十五种流程。2.多角色体验按照外贸交易流程各步骤涉及的角色，系统将学生分为：进口商、出口商、生产商、进口地银行、出口地银行以及辅助员六大角色。其中辅助员将担任船公司、保险公司、商检局、外汇管理、海关、国税局的相关操作，来协助进出口商顺利完成业务流程。各角色有对立的操作平台，业务关系相互联系，以逼真的现实环境为模版，相互协作完成交易流程。3.强大的国际贸易交易环境各角色都可以进入共同的平台—“浙科模拟贸易平台”，学生建立自己的企业并在此发布采购/求购信息、寻找贸易伙伴、加入诚信企业、发布或查看商品广告等，且广告费用、产品展示费用系统都将根据教师的系统设置，从该企业的账户中扣除。集成“浙科电子邮件系统”，各企业通过邮件取得联系。4.提供模板范例系统中的单证采用外贸实际业务中规范的单证模板，使学生在缮制单证的同时有真实的处理业务的感受。同时，教师还可以设置单证填写的校验功能，学生将严格按照要求正确的填写单据，保证实验质量也提高实验难度，也能使学生的单证和业务水平得到锻炼。详细的操作帮助和填写说明，将在学生业务操作中起到辅导性作用。5.在线测试反馈作为教学软件，教学测试是必不可少的项目。《浙科国际贸易进出口模拟教学软件》提供系统操作评分、教师主观评分、在线考试、实验报告、教师查看实验等功能，使教  师可以全方位了解学生的学习状况和教学效果。6.在线互动交流此外，商友会论坛、FAQ为师生提供了网络交流环境。电子公告是教师发布理论知识的窗口。此外，软件中的“知识库”收录了大量专业文档，供学生学习参考。

智能制造（铣削）综合实训平台既可独立实训，也可以接通实物机电设备实现动作控制。本设备集成了智能制造执行系统（MES）、工业机器人控制系统、数控铣削控制系统、可编程控制器（PLC）、触摸屏（HMI）、场景系统、MES系统。通过机器人示教器、数控系统、PLC及电路控制虚拟场景中的设备。利用该设备可综合实训MES系统、工业机器人编程与操作、数控铣床编程与操作、触摸屏编程与控制、工业PLC的交互控制编程与调试。本设备还配备自定义I/O接线仿真功能模块，用户可自定义删除和连接I/O端口的接线设置，从而可以按自定义的I/O接线进行PLC程序编辑，拥有自主搭建场景功能。 该平台面向智能制造专业群可开展《工业机器人技术与应用》、《数控铣削加工实训》、《数控铣床系统参数调试》、《PLC基础应用》、《触摸屏组态控制》、《智能制造单元综合实训》等课程的教学、考核及相应的技能竞赛训练。

成果描述：本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。市场前景分析：暖通工程领域。与同类成果相比的优势分析：技术先进，性价比较高。

本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。

（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。