本发明公开了一种于磁调制的直流漏电流传感器，用于对直流 绝缘状况进行监测具有良好的性能，所述直流漏电流传感器包括振荡 电路、二极管、双磁芯差动单元、第一滤波器、仪用放大器、相敏检 波器和第二滤波器；本发明的直流漏电流传感器采用半波激励，与传 统的传感器相比，省略了用于产生相敏检波器参考信号的倍频电路， 简化了电路结构，减少了干扰，降低了成本，并具有灵敏度高的特点。

本发明公开了一种对真双极系统的站级控制策略，换流站正、负两极换流器独立控制、运行，提高直流输电系统灵活性和可靠性，彻底解决原有系统中换流站与无源网络或孤岛新能源交流网络相连时失去有功功率调节能力、换流站与有源交流网络相连时正、负极电网间潮流不可调等问题。换流站与无源网络相连时，具有调节正、负极直流线路功率的能力；换流站与孤岛新能源交流网络相连时，具有调节正、负极直流线路功率的能力；换流站与有源交流网络相连时，通过换流站调节正、负极电网间潮流。

产品详细介绍  乐清市巨峰计器配件有限公司制造的高精度精密分流器,经"深圳市计量质量检测研究院"检测,我公司生产的高精度精密分流器经检测达到"0.2级"。  郑重承诺：我公司出厂的0.2级分流器，可以送到相关的检测部门进行检测，如果检测分流器精度达不到0.2级，本公司将退还产品货款和检测相关的费用。  以下为500A/75MV核准证书： http://china.makepolo.com/product-detail/100219309809.html 厂家网址；www.cn-jf.cn 厂家名称；乐清巨峰计器配件有限公司厂家电话；0577-62683790 / 62759491厂家销售；0577-62759491 / 13858532750厂家手机；13806600791 / 13757788626 / 13868532750厂家传真；0577-62689791 / 62759491厂家邮箱；www0577@qq.com厂家地址；浙江乐清市白石凤凰工业区厂家信息；乐清巨峰计器配件有限公司是浙江一家生产经营分流器，肖持基模块，逆变分流器，环保分流器，直流分流器 电焊机分流器，高频电源分流器 环保型分流器，精密分流器，电流表分流器 的高新技术企业。

本发明公开了一种考虑逆变型分布式电源接入的配电网故障区域定位算法，包括如下步骤：(1)建立恒功率控制方式下逆变型分布式电源故障特性分析模型；(2)根据配电网中联络开关、断路器等开关器件的分布特点对配电网进行分区处理，使用图论的理论分析方法，建立配电网的图模型，并设定配电网的电流参考方向；(3)利用设定的配电网电流参考方向以及断路器处保护装置上传的故障信息，通过矩阵运算求取故障判断矩阵，实现故障区域的定位。本发明能够满足分布式电源接入，无需动作值整定，具备一定拓扑结构自适应的能力。

本发明公开一种类奔德斯分解的孤岛微电网潮流计算方法，将孤岛微电网潮流计算分解成通过传统潮流计算子问题和下垂节点更新子问题，对下垂节点进行等效后进行初始化；基于系统角频率，更新负荷和线路阻抗参数；通过传统潮流计算子问题，求解作为平衡节点的下垂节点和作为PV节点的下垂节点的相关变量参数；然后通过系统前后两次迭代状态变量之差来判断算法是否收敛：若收敛，停止迭代获得最终潮流解；若不收敛，通过下垂节点更新子问题，修正或求解作为平衡节点的下垂节点和作为PV节点的下垂节点相关变更参数；以此方式交替迭代，获得最终的

本发明公开了一种交流电机电流环并行数字控制实现方法，属于交流电机控制领域。本发明包括：将电机电流环系统任务划分为实时控制任务和非实时任务，将实时控制任务划分为硬件实现部分和软件实现部分；在控制周期开始阶段，执行非实时任务；在控制周期中间阶段，同时执行非实时任务和实时控制任务硬件部分；在控制周期最后阶段，执行实时控制任务软件部分；各任务之间调度切换由软硬件结合实现，使系统电流环具有最小控制延迟。本发明基于微控制器

本发明提供一种交流电热流微混合方法，具体为：在交流电热 流微混合腔的外壁施加温度差，使得交流电热流微混合腔内产生温度 梯度，从而促进混合腔内的溶液混合。本发明还提供一种交流电热流 微混合器，包括至少两条液体入口微通道、一条液体出口微通道和电 极对，液体入口微通道和液体出口微通道汇聚于同一处形成交流电热 流微混合腔，电极对设置在交流电热流微混合腔内，两条液体通道或 加热器设置在交流电热流微混合腔外壁。本发明通过额外施加的外部 温度差使得交流电热流微混合腔内部产生温度梯度，促进混合腔内的 液体混合，提高

西安交大前沿院何刚教授团队采用共轭扩展和水溶性修饰等手段，成功制备了一系列大共轭结构的二酰亚胺衍生物（NDI、PDI和TPDI），并将其作为有机负极电解液制备了高稳定性、双电子存储的中性水系有机液流电池。

本发明公开了一种应用于智能配电网的 EPON 通信系统的动态 带宽分配方法，包括步骤(1)基于不同需求将智能配电网各业务分为 EF 业务、AF 业务和 BE 业务；步骤(2)通过层次分析法计算 AF 业务和 BE 业务的权值，并计算一个轮询周期内 EF 业务和加权业务的缓存量和缓 存速率；步骤(3)根据电网故障情况，对各 ONU 业务缓存速率和业务 缓存量进行修正，计算一个轮询周期内各 EF 业务和加权业务的带宽需 求量；步骤(4)根据 EPON 带宽值对 EF 业务进行分配，然后对加权业 务进行分

（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。