一、教学内容平台： 老师备授课课件，授课板书，师生互动笔记，微课视频，录课视频，课后练习等都可保存在教学内容平台中，方便随时回看。 二、自主学习资源： 通过ClassIn云盘，学生可随时阅读老师发放的教学材料，布置的练习作业及课堂笔记，观看视频资源，大大提高学习自主性。 三、公共资源平台： 共享多版本多系列高校教材，试卷试题资源库，慕课，校本资源共建等资源内容。

启明AI防作弊在线考试平台 点滴投入，轻松考试     核心功能   在线考试 360°智能监考：精准识别环境异常、照片/真人替考、虚拟摄像头等； 本地环境监控，屏键锁定、热键屏蔽、远程协助工具屏蔽； 人脸识别，身份认证，活体检测，考中抓拍； 视频监控，手机监控，双机位或三机位监考； 随机抽题，小题乱序，选项乱序，一人一卷。 高中低三挡监考策略； 考中可通话、可求助； 云端巡考，监控大屏鸟瞰实时考场； AI监考，智能预警；作弊排查，违规记录存底可追溯。 功能稳定：集中统考、随到随考，随机组卷，支撑安全稳定的10万+并发考试。 故障防备：考中异常中断，作答实时保存，实现断点续考。 统计分析：统计考试的总人数、参考/缺考/及格人数、考试排名等多维度信息。   制题组卷 题库管理：强大题库管理，支持全试题模型（文字、图片、表格、公式、音频等），单题/批量录入，在线/离线录入，录入、编辑、审核、组卷、检索操作简单，试题与成绩关联，记录试题版本和使用次数等。 智能组卷：手动组卷/自动组卷，单套/批量组卷，可按题量、分数、题型结构、知识结构、难度系数等多重模式组卷，简单组卷、精确组卷、蓝图组卷。 高效输出：试题试卷可预览、可修改、可导出，可一体化输出线下印刷，也可联通线上网考。   网上阅卷 在线管理：阅卷进度、阅卷质量全监管，监管与阅卷线上协同，科学化管理。 高效阅卷：客观题自动判分，主观题在线评阅；键盘给分、鼠标给分、轨迹给分；智能回评、问题卷提交；可看标答；评卷轨迹可追溯，复核可定义题位；自动加分、登分、统计。 统计分析：题目得分、题类得分；平均分、最高最低分、得分率、标准差；其他统计指标。 信息查询：查询考生答卷信息（答题、得分、评分等）；查询阅卷进度、分科目阅卷进度、老师阅卷情况等。   产品优势   制题组卷 系统化：对题以资料库的概念进行整合，能精准识别各类试题。 全题型：文件、图片、表格、音频等试题模型都可以得到支持。 多维度：可对试题进行多种属性定义，如难易度、章节等；且能按需生成多套试卷。 高效率：支持批量导入、批量组卷，自动组卷，在线预览，快速导出。 超专业：多种组卷模式，可按试卷结构/题量/章节/知识点/难度进行蓝图组卷，按试卷结构/大小题/分数/题量进行精确组卷，按照试卷总分/题型题数/抽取规则进行简易成卷。   在线考试 最新的线上监考技术：四级监考策略灵活选择。自研监考系统，AI智能监考，主动识别预防作弊。利用人脸识别、行为识别等最新技术，自动捕捉记录考中的违纪情况。 监管更加精准：窗口防作弊控制，多屏实现360°无死角视频监控，一个主机摄像头针对一个人，同时支持手机机位视频监控。 防泄题防作弊：支持考生端远程环境检测，考生端屏键双锁，随机抽卷/小题乱序/选项乱序/逐题作答。 安全验证全程护航：网考环境复杂多变，为保证数据安全，采用基于人工智能，融合人机区分技术，层层过滤风险，全程护航。   网上阅卷 快速高效：客观题自动判分，帮助管理者快速完成大规模考试，主观题智能整理，降低对人工操作的依赖，提高阅卷工作效率。 超强容错：考试过程中发现试题或答案问题，可以及时纠正，不影响后续考生作答。 稳定安全：系统分权限进行用户操作和系统管理；确保阅卷信息不外泄，在互联网环境下采用高等级的安全防护措施。  

广凌安全文明校园管理平台全面推进高校建设安全文明校园，有效统计高校监控、应急报警、车辆人员管理等校园安全信息化建设情况，辅导完成对“平安校园”考评的咨询工作，实现更高水平的“平安校园”100%全覆盖。

制造企业生产过程执行系统，是一套面向制造企业车间执行层的生产信息化管理系统。包含系统初始化的工厂建模、应用技术的物料、生产、质检、设备等子功能模块。

以“线下项目实施 + 线上工程仿真 + 远程系统部署”的模式，引入业内成熟、前沿的开源解决方案，在线实现AIoT项目从0到1实施落地的全过程。

面向人工智能专业方向理论和实验的云教学平台，融合了Jupyter Notebook实验平台和教学资源中心两大模块。提供开箱即用人工智能编码实验环境，使教学过程高效、便捷。

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。

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。

 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。