本发明公开了一种基于纳米压电纤维的柔性能量捕获器件及其制备方法。所述器件自下而上依次包括：柔性基材、电极层、压电纤维层、保护层；所述柔性基材为柔性绝缘塑料薄膜；所述压电纤维层为 PVDF 纤维。通过采用柔性基材，采用照相制版工艺制备梳状电极，并选择合适的静电纺丝参数沉积 PVDF 压电纤维，无需再对压电纤维进行极化，使纤维整齐排列、减小纤维缺陷，能够简化纳米压电纤维能量捕获器件制备工艺，提高能量转换效率，尤其是对弯曲运动机械能的捕获效果。

忆阻器具有运行功耗低、读写速度快、集成密度高等优势，在信息存储、逻辑运算、类脑计算等领域有重要应用，被视为推进信息技术发展的一种变革性技术。

本发明公开了一种可调控的空间电磁感应透明超材料器件。该 器件包括基板和位于基板上的能产生电磁感应透明现象的金属单元阵 列；所述金属单元阵列包括多个阵列分布的金属单元，所述金属单元 包括第一金属微结构和第二金属微结构，所述第一金属微结构包括第 一金属图形，所述第二金属微结构包括第二金属图形，所述第一金属 微结构和/或所述第二金属微结构还包括半导体元件。本发明能有效解 决现有技术中不能简单快速地对电磁感应透明超材料的工作

该成果创新性地基于二维半导体的硅基同质器件，首次提出了类脑功能的“传感-计算-存储一体化”神经形态芯片架构，实现了光电传感、放大运算、信息存储功能的一体化集成，为突破冯·诺依曼瓶颈和实现类脑智能提供了一种全新思路。 缪向水教授团队，长期从事相变存储器芯片、存算一体忆阻器芯片技术研究。2018年出版了国内第一本忆阻器专著《忆阻器导论》，2019年团队93项三维相变存储器芯片专利许可给芯片公司并合作开发产品，并与行业龙头企业合作建立了联合实验室，推动存储器芯片技术的成果转化以及未来引领技术的探索。曾荣获国家科技进步奖2项、湖北省技术发明一等奖1项。 同质晶体管-存储器架构的原理及器件结构 缪向水团队长期从事相变存储器芯片、存算一体忆阻器芯片技术研究。2018年出版了国内第一本忆阻器专著《忆阻器导论》，2019年团队93项三维相变存储器芯片专利许可给芯片公司并合作开发产品，并与行业龙头企业合作建立了联合实验室，推动存储器芯片技术的成果转化以及未来引领技术的探索。曾荣获国家科技进步奖2项、湖北省技术发明一等奖1项。

本发明公开一种水平极化翻转的铁电忆阻器件及其制备方法。该水平极化翻转的铁电忆阻器件包括柔性衬底；二维铁电功能层，形成在所述柔性衬底上；第一平面电极和第二平面电极，形成在所述二维铁电功能层两侧；将所述第二平面电极接地，当未在所述第一平面电极施加电压时，二维铁电功能层中极化方向无序，器件处于常态；当在所述第一平面电极施加正电压时，所述二维铁电功能层中的电畴发生水平极化翻转，极化方向由第一平面电极端朝向第二平面电极端，器件转变为低阻态；当在所述第一平面电极施加负电压时，铁电层中的电畴发生水平极化翻转，极化方向由第二平面电极端朝向第一平面电极端，器件转变为高阻态。

本发明属于半导体存储器技术领域，具体为一种基于二维材料的超短沟道非易失闪存器件及其制备方法。本发明通过原子级薄层沟道和栅叠层设计降低特征长度，从而促进器件尺寸微缩；该器件通过能带设计和范德华堆叠高质量界面降低隧穿势垒，实现十纳秒级编程/擦除速度和非易失特性；器件的短沟道通过垂直沉积和倾斜沉积两步法工艺实现，且沟道长度能够通过改变电极厚度和沉积角度来调控。本发明能在不使用先进光刻技术前提下，实现亚10nm沟道长度，突破硅基闪存器件的沟道长度微缩瓶颈，为新型高速非易失存储器的高密度集成提供新解决方案。

本发明公开了一种宽谱段光电转换器件量子效率测试系统及方法，包括：量子效率测试箱、电源箱、激光功率计、吉时利源表、控制驱动电路单片机、计算机等。本测试系统可同时测量待测器件的外量子效率(External Quantum Efficiency，EQE)、内量子效率(Internal Quantum Efficiency，IQE)及表面反射率(Reflectance，R)，不需要在测试前使用标准器件进行校准，可测试的光谱波段范围较宽，为300nm～2250nm，满足各类不同禁带光伏电池或光电转换器件的量子效率测量需求。

本发明公开了一种硅光子晶体波导器件的飞秒激光制备系统及方法，系统包括飞秒激光器、多级半波片、偏振分光棱镜、第一反射镜、空间光调制器、第一透镜、第二反射镜、第三反射镜、第二透镜、电动翻转镜、第四反射镜、高倍物镜、三维加工平台、第三透镜、CCD相机、计算机；由飞秒激光器输出的激光通过多级半波片和偏振分光棱镜，经过反射镜射入空间光调制器；用计算机将加工方案生成全息图，加载到空间光调制器；光束经调制后通过第一透镜、第二反射镜、第三反射镜、第二透镜、第四反射镜，再经过高倍物镜聚焦到硅基片上，通过输入到计算机内的程序控制三维加工平台移动，完成加工任务。本发明加工步骤简易，加工精度高，加工速度快，加工成本低。

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。

（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。