本成果来自国家级、省部级科技计划项目和有重大应用前景的横向项目，已登记软件著作权1项，公开发明专利4项，知识产权属于西南交通大学。该系统通过利用各类传感器采集供电系统中关键设备的状态数据及服役环境信息，借助信号处理、信息融合及智能推理算法对系统进行故障预测与健康状态管理，在短时间尺度上进行故障预测与快速诊断、在中时间尺度上进行健康评估与剩余寿命预测、在长时间尺度上进行系统可靠性评估与风险评估，并根据健康状态制定系统的状态维修策略，保障轨道交通系统的安全可靠、经济高效运行。

产品详细介绍洁净室：是指将一定空间范围内空气中的微粒子、有害空气、细菌等污染物排除，并将室内之温度、洁净度、室内压力、气流速度与气流分布、噪音振动及照明、静电控制在某一需求范围内，而所给予特别设计之房间。亦即是不论外在之空气条件如何变化，其室内均能具有维持原先所设定要求之洁净度、温湿度及压力等性能之特点。洁净室最主要之作用在于控制产品（如硅芯片等）所接触之大气的洁净度及温湿度，使产品能在一个良好的环境空间中生产、制造，此空间我们称之为洁净室。按照国际惯例，无尘净化级别主要是根据每立方米空气中粒子直径大于划分标准的粒子数量来规定。也就是说所谓无尘并非100%没有一点灰尘，而是控制在一个非常微量的单位上。当然这个标准中符合灰尘标准的颗粒相对于我们常见的灰尘已经是小的微乎其微，但是对于光学构造而言，哪怕是一点点的灰尘都会产生非常大的负面影响，所以在光学构造产品的生产上，无尘是必然的要求。 电话：020-61078161地址：广州市天河区沙太南路北苑一街1号F-212室厂址：广州市白云区竹料镇竹料体育中心工业园网址：http://www.epoch-lab.com.cn

本发明公开一种基于5G信号的DOA指纹库定位方法，包括以下步骤：将初始区域划分成多个微型小区，并对划分的微型小区中的参考点的角度信息进行估计；然后将各个微型小区参考点的角度信息和相应小区的位置信息保存在指纹库中，每隔固定的时间对指纹库中的角度信息进行更新；使得当有目标在该区域时，通过估计目标的角度信息；与指纹库中的角度信息进行匹配，确定该目标所在的小区，即可得到目标的位置信息，从而实现目标的定位。

本发明公开了一种气动热辐射指纹库的建立方法，包括：（1）获取红外成像系统的多幅气动热辐射退化图像，形成气动热辐射退化图像序列；（2）求取气动热辐射退化图像序列中的每一幅图像与基准图像之差值即差值图像；（3）对每一幅图像的差值图像进行二维曲面拟合，获得其在对应热流密度下的二维曲面多项式；（4）对多个二维曲面多项式中相同项的系数进行处理，通过拟合建立各相同项的系数关于热流密度的关系式，即确定为气动热辐射指纹库。本发明还公

（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。

聚力成立于1998年，是一家拥有自主品牌的研发、生产和销售各种高端胶粘剂企业，主营电子胶、高温胶、金属胶，塑料胶，uv胶。产品广泛应用于电子、医疗、汽车、航天、包装、新能源等诸多领域。 20多年来深耕胶粘剂行业，拥有专业的研发能力和检测体系，为客户提供一站式胶粘剂应用解决方案。 至今服务企业超35000家，与华为、大疆、格力、亿纬锂能、荣事达、本田等知名企业达成合作。 2根据客户的需求，为客户研发、调配、定制胶粘剂，解决客户在用胶方面上的各种难题。提供免费来样测试，专业一对一技术服务。 胶水通过VOC、SGS、RoHS、 REACH、MSDS等欧盟认证，部分产品通过了FDA 加州65 认证，并且通过ISO9001管理体系认证。聚力全系产品均通过中国人保承保，真正实现让客户买得放心，用得省心。