（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。

电子科技大学电磁环境仿真及智能处理平台采购项目竞争性磋商

海洋平台、海底管道等海洋装备长期在恶劣的海洋环境中服役，较易出现腐蚀、疲劳以及开裂等结构缺陷，直接影响水下结构可靠性。针对以上问题，本项目（海洋装备交流电磁场智能安全检测及可视化评价技术与应用）围绕海洋装备在役安全检测及评估的技术难题展开系统攻关，基于交流电磁场检测原理，引入海洋电磁学，探究海洋环境中多类型激励下电磁场畸变特征，揭示水下结构缺陷三维形貌-畸变电磁场-可视化成像的正反演化规律，提出水下提离扰动条件下干扰信号识别及补偿方法，建立海洋装备智能检测与可视化评价算法，改变传统操作人员主观评估为智能可视化评价，显著提高海洋结构缺陷检测的智能化和可视化水平，最终构建新一代海洋装备交流电磁场智能安全检测和可视化评价技术体系及其工业应用系统，有效添补水下结构缺陷交流电磁场检测及可视化技术空白，突破国外技术壁垒，率先研发的具有自主知识产权的水下交流电磁场智能可视化检测仪器，可实现500米水深结构物缺陷检测。 团队（赛弗智检）依托于中国石油大学（华东）智能传感与无损检测实验室，目前有教授一名，副教授两名、博士后一名、博士三名，硕士生二十余名，具有良好的科研攻关和产品研发、升级能力。 团队研发的海洋装备交流电磁场智能可视化检测仪器能够实现水下结构萌生级裂纹（3.0 mm 长、0.5 mm 深）的智能识别和可视化评价，突破水下涂层和附着物扰动影响技术瓶颈，减少表面清理作业工序60%以上，可视化反演精度超过90%，达到国际领先水平。 本项目成果改变传统无损检测主观经验判断为智能检测与可视化评价，显著提高海洋装备结构缺陷检测效率和准确率，可广泛用于海洋油气开发、港工码头、跨海大桥以及船舶等多领域海洋装备的在役安全检测，提供高精度缺陷三维形貌信息，为合理决定维修或改装方案提供数据支撑，有效延长海洋装备的使用寿命，保障海洋装备安全运行，具有良好的社会及经济效益。 目前研发的智能可视化检测仪器已在中海油检测技术公司、广东运通仪器科技有限公司等企业销售和推广应用，用于水下导管架焊缝、深水隔水管、海洋平台等关键海洋装备安全检测和评价，有效代替传统磁粉等表面无损检测方法，产品销售及检测服务已为企业新增效益9000余万元。 获奖： （1）第六届中国国际“互联网+”大学生创新创业大赛   银奖 （2）中国博士后创新创业成果大赛   团队组金奖 （3）首届“能源 智慧 未来”全国大学生创新创业大赛   一等奖 （4）第五届山东省“互联网+”大学生创新创业大赛   金奖 （5）第十二届“挑战杯”山东省大学生创业计划竞赛   银奖 （6）东营市首届油地校创新创业大赛   二等奖 （7）第七届中国研究生能源装备创新设计大赛   一等奖 （8）第六届山东省大学生科技创新大赛   二等奖

"本发明公开了一种基于附加交变电压的无气隙传感器电磁吸力悬浮控制方法，采用在悬浮电磁铁线圈闭环控制电压中掺杂具有一定特征的交变电压，施加在悬浮电磁铁线圈，在线圈中得到含有相同特征的分量的电流，根据输入掺杂的特征交变电压和线圈电流中具有相同特征的电流分量辨识出悬浮电磁铁线圈电感，通过电感得到悬浮电磁铁气隙，使用此气隙值进行闭环控制。由于不采用气隙传感器，可以大大简化系统，通过附加线圈得到的电感可以反映真实的悬浮气隙，本发明可以降低磁浮列车系统轨道精度要求，也不会由于气隙传感器的测量不准确导致系统控制不稳定，可以比较好的解决磁浮列车过轨缝、齿槽效应等问题，具有可靠性高、成本低，安全可靠等优点。 "

  在该研究的训练组和验证组人群中，CRC诊断模型和预后预测模型均表现出了令人满意的效果。在训练组和验证组的人群中，该诊断模型准确率均达到96%，并且在验证组中该模型诊断敏感性达87.9%，特异性达89.6%，相对于目前临床常用的结直肠癌血清标志物癌胚抗原CEA的准确率为67%，诊断准确度大幅度提高。在对患者预后预测的准确性方面，根据ctDNA甲基化标志物预后预测模型计算得到联合预后评分指数（cp-score）对患者的预后预测的准确性要明显高于临床常用的预后指标，如肿瘤原发部位、TMN分期、CEA等。而将cp-score与这些常规预后指标结合以后，对患者预后预测的准确性还能够得到进一步的提高，在训练组患者中对预后预测的准确性达到82%，在验证组患者中对预后预测的准确性达到87%。对预后的准确预测，可很好的指导医生对不同的患者进行更为个体化的精准治疗，例如对预后不佳者避免给予过度的治疗，而对复发高危患者则给予更为积极的辅助治疗等。 研究团队还在前瞻性队列中验证了单个ctDNA甲基化标志物在结直肠癌筛查中的价值。通过对1493例结直肠癌高危人群同时进行的肠镜筛查和血浆ctDNA甲基化检测结果进行比较，显示ctDNA甲基化标志物可检测出26例早期肠癌患者，26例进展期腺瘤（癌前病变），对肿瘤的检出敏感性达89.7%，特异性达86.8%，对进展期腺瘤的检出率敏感性达33.3%，敏感性和特异性均较现有的无创筛查方法有所提高。这一研究结果对于优化结直肠癌筛查，具有重要的意义，有非常广阔的应用前景。       徐瑞华教授团队的这项成果是我国科学家在肿瘤液体活检领域又一项具有国际领先水平的重大突破，不仅为CRC的筛查提供了新的方法，也为CRC的精准诊治提供了重要的参考。目前该团队仍在积极开展ctDNA分子标志物在其他肿瘤筛查、诊断、预后预测、靶向药物筛选等方面的基础和转化研究，为发现更多的早期肿瘤患者，进一步改善患者的疗效和预后，提供更多、更有力的工具和手段。

本发明公开了一种 H.264/AVC 中 4x4 子宏块的并行帧内预测方 法，包括以下步骤：统一帧内预测公式、参考值数组、参考位置表和 并行帧内预测的具体执行步骤，统一帧内预测公式是根据 CUDA 和帧 内预测计算公式的特性改进而成的，通过将 9 种预测模式对应的预测 公式变换成一个计算公式，满足了 CUDA 多线程单指令多数据流的需 求，实现了帧内预测子宏块中细粒度并行，参考值数组及参考位置表 是为了配合统一帧内预

一种无监督的跨受试者适应方法，用以预测未被标记信号的目标受试者的运动意图，将受试者和研究人员从标记大量数据中解放出来。 准确预测人体运动意图有助于控制可穿戴机器人在不同地形上的运动，从而辅助人类平稳行走。传统的预测人类运动意图的方法需要收集和标记人体信号，并训练每个新受试者使用特定的分类器，这给受试者和研究人员都带来了繁重负担。

本发明提供了一种能够无损预测猕猴桃货架期硬度的结构化高光谱检测系统及方法。通过计算机编程产生空间频率为60cycles/m的正弦条纹光，投影至被测物，利用高光谱相机拍摄‑2/3π、0和2/3π三个相位图片，再将相位图片解模为完整图片，并获取结构光光谱信息。选取在室温下贮藏不同时间的猕猴桃样品，采集结构化高光谱数据，并通过破坏性检验获取样本硬度的真实值。对结构光数据解模并预处理，提取样品结构光光谱信息，构建硬度预测模型。结果表明，结构化高光谱系统对猕猴桃硬度的最佳预测模型的R<subgt;c</subgt;<supgt;2</supgt;为0.8697，R<subgt;p</subgt;<supgt;2</supgt;为0.8204，显著高于普通高光谱技术。本发明用于预测果实硬度有较高的准确率，尤其针对储存过程中成熟迹象不明显的猕猴桃果实硬度的检测。

本实用新型公开了一种用于模块化串联的电磁轴承用的开关功率放大器。包括数字控制器、电流传感器、信号调理电路和至少一个功率模块，功率模块以模块化方式串联后的两端作为电压输入端，电流传感器和负载串联后作为输出端连接在功率模块中，电流传感器的输出端经信号调理电路与数字控制器连接，数字控制器连接各个功率模块，并控制各个功率模块之间的连接和每个功率模块的内部导通状态。本实用新型能灵活选择投入使用实现开关功率放大器的最优性能，功率模块统一设计，更换方便，排除故障简单，在低电压工作场合用本实用新型比用高电压器件的功放器件的工作效率更高，损耗更小。