（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。

天津大学医学工程与转化医学研究院与中国电子信息产业集团中电云脑（天津）科技有限公司合作，充分发挥国家健康医疗大数据试点工程天津“云脑”中心自身的大数据平台及计算技术优势，连日来针对疫情发现、分析和预警技术，以及远程诊疗方案取得多项重要成果。据悉，作为健康医疗大数据国家研究院、智能医学工程教育部工程研究中心的依托建设单位，天津大学与中国电子信息产业集团于2017年联手组建国家健康医疗大数据试点工程天津“云脑”中心，中心现已搭建起医疗大数据服务云脑平台，开展医疗数据的远程收集、处理工作，并研发了面向医疗大数据的优化处理和利用技术。在疫情预测预警方面，基于国家相关部门发布的经济行为、人口分布及迁徙等统计数据，集合当前的疫情病例数据，应用人工智能和科学计算技术，“云脑”重点实现了：城市人口流动输入性疫情预警：以日为周期监测城市流入人口的数量、来源分布以及来源城市疫情状况，对各市的输入性疫情进行预测和预警；城市疫情预警：融合经济数据、疫情状况、人口流动分布以及病毒感染特点对未来一周的疫情进行预警；疫情状况与经济行为指数相关度追踪：基于政府部门发布的经济相关数据，分析经济行为与疫情的相关程度，为政府相关部门开展疫情防控工作提供科学参考数据。天津“云脑”在面向新冠肺炎的远程诊疗方面已准备就绪，即将进入临床测试阶段。“云上诊室”基于物联网、远程通信、大数据等技术手段，实时将来自医疗科室、影像科的新冠肺炎患者的诊疗数据经由高速网络同步传输到会诊中心，并可向医疗系统共享疫情医疗数据，集合呼吸科、感染科、内科、重症医学科、反射科等专家进行网络会诊，进而实现专家与病患、专家与医务人员之间异地“面对面”的互动，减少院内聚集性感染，缓解疫情下紧张的医疗资源，为疑似病患提供就诊空间，为确诊患者争取救治时间。“云上诊室”相关成果将用于：远程影像诊断：构建实用高效、稳定可靠的远程医疗影像服务平台，存储区域内的影像资料索引信息，并能够直接调用新冠肺炎的患者信息与CT等影像诊断报告；远程重症监护：实时在线监护新冠肺炎病患信息、影像、视频资料，并通过线上会诊室，对病患出具诊断治疗指导意见；新冠肺炎智能辅助诊断：实时采集病患的生理数据，构建针对新冠肺炎的数据病例库，利用机器学习等技术，辅助临床诊断；提供第三方对接标准接口：为多媒体设备、应用、网络平台等提供第三方的对接标准接口，实现可扩展、模块化。

3月18日，高博会百度卡片及智能小程序正式上线。手机打开百度，输入“高博会、云上高博会、中国高等教育博览会、中国高等教育学会、第57届中国高等教育博览会、2022中国高等教育博览会、高教会”等即可快速体验。

基于深度学习的图像识别云端服务平台，能够 通过云计算框架训练深度学习算法模型，对图像进行目标检测 和识别。平台拟采用云端 API 的形式，为其他客户端的提供简 单易用的图像识别服务，将目标识别应用到互联网及移动应用 场景中，推动移动互联网的进步。 该平台实现如下功能：1.模型训练：平台能够基于用户给 定的不同行业的数据，训练相应的精细化分类模型。2. 图像识 别：平台能够根据预先训练好的识别模型，对用户

考虑三维点云缺少颜色信息和光学影像缺少空间信息的互补特性，三维点云与光学影像多光融合装备可以提升数据的信息量，基于三维点云和二维图像融合的可视化结果，能够增强三维场景真实感，相较于可见光图像，融合后的三维点云可以实现多角度观测，能够更好的表达的空间特征。 相较于原始和伪彩色点云数据，融合后的三维点云有了色彩纹理信息，目标的形态和边缘都更加明显，整个三维场景更加的真实，也为后续识别、定位、重建等过程提供更多细节信息；同时克服了单一传感器的局限性，充分发挥两者的互补优势，大幅提升了探测设备的环境适应性，适用于全天时复杂场景的下目标探测，具有很强的实用价值。在无人驾驶领域，譬如智能导航、环境感知、高精度地图的构建等，都依赖于可见光图像和点云的融合处理。大家所熟知的百度 Apollo、谷歌 Waymo 自动驾驶系统均应用视觉相机和激光雷达作为主传感器进行定位和环境感知，目前已经实现 L4 级别的高度自动化驾驶。此外，在医学影像、高精度工程测量、工业生产、虚拟现实等领域，三维点云和可见光图像融合技术也有着广泛应用。 图1.三维点云与光学影像融合效果

一种云备份系统及其数据备份方法，属于计算机数据备份系统， 解决现有备份系统及数据备份方法所存在的存储层次单一，扩展性、 容错性、效率不高的问题。本发明云备份系统，包括中心存储器、M 个超级节点和 M 个 P2P 覆盖网络，中心存储器包括跟踪器和多组存储 节点，每个跟踪器分别连接各存储节点；跟踪器和各存储节点分别与 各超级节点通过网络连接，M 个超级节点分别连接自身的 P2P 覆盖网 络，各 P2P 覆盖网络包括多个对

“栖云”高校融媒体实践教学解决方案立足于融媒体传播形态，以业界标杆媒体所用的融媒体系统为原型打造的含汇聚、生产、管理、发布、运营、能效等媒体全流程云化的实践教学平台。

江苏汉丹云教育科技有限公司是一家致力于数字化教育云平台建设和大数据中心构建的高新技术企业，主要从事传统文化与信息技术的创新融合研究，总部位于南京软件谷科创城。为响应《国家中长期教育改革和发展规划纲要（2010-2020年）》、《教育信息化十年发展规划（2011—2020年）》、《教育信息化“十三五”规划》等文件要求，推进中小学书法教育，传承中华民族优秀文化。汉丹云研发团队基于《教育部关于中小学开展书法教育的意见》、《中小学书法教育指导纲要》进行数字化书法教学系统研发，深入贯彻落实党的十九大精神，积极推进“互联网+教育”发展，秉承着自主创新、精研进取的研发理念，打造出行业领先的智慧书法教学产品——汉丹云智慧书法教室。 汉丹云智慧书法教室自研发以来，历经国内数十位书法名家、书法教育专家、书法教育特级教师、多省市书法教研员以及书法研究室的悉心指导，凭借卓越的产品研发能力，获得十几项软件著作权及数项发明专利。为落实国家教育信息化“十三五”规划，完善数字教育 资源公共服务体系，促进教育资源均衡，汉丹云智慧书法教室依托云服务平台，构建以大数据+云计算为中心的智慧书法教学体系，实现优质教学资源广覆盖，全面加速国家教育信息化2.0进程。 为弘扬中华民族优秀传统文化，汉丹云始终以普及传统文化教育为企业使命，立志为传统文化的传承事业不懈奋斗！