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

本发明实施例提供一种判断电力系统静态电压稳定性的方法及装置。所述方法包括：获取电力系统中各节点电压在不同电压区间的分布概率；利用所述不同电压区间的权值对所述分布概率进行加权，获得加权电压熵，进而判断所述电力系统静态电压的稳定性。本发明实施例考虑各区间电压水平不相同的情况，利用所述不同电压区间的权值对所述分布概率进行加权获得加权电压熵，进而利用加权电压熵来判断电力系统静态电压的稳定性；无需知道电力系统的具体参数，计算量小，简单高效，而且不会随着电力系统规模的增大而增加计算量。

本发明公开了一种基于双路电压信号驱控的面阵电控液晶光发散微柱镜芯片，包括：液晶散光微柱镜阵列、第一驱控信号输入端口、以及第二驱控信号输入端口，液晶散光微柱镜阵列为 m×n 元，其中 m、n 均为大于的整数，液晶散光微柱镜阵列采用液晶夹层结构，且上下层之间顺次设置有第一基片、顶层面电极板、电极间绝缘层、顶层图案化电极板、第一液晶定向层、液晶层、第二液晶定向层、网孔状共地电极板、第二基片，顶层面电极板和网孔状共地电极板分

本实用新型公开了一种单电感双输出开关变换器双环电压型PFM控制装置，由第一电压检测电路VS1、第二电压检测电路VS2、第一电压控制器VCM1、第二电压控制器VCM2、第一比较器CMP1、第二比较器CMP2、减法器SUB、触发器RS、定时器CT、反相器NOR、第一驱动电路DR1、第二驱动电路DR2和第三驱动电路DR3组成。本实用新型可用于控制单电感双输出拓扑结构的多种变换器，诸如：Buck变换器、Boost变换器、Buck-boost变换器、Bipolar变换器等，相对于传统电压型PWM控制单电感双输出变换器，其优点是：具有输出电压纹波小，稳态性能好，输入瞬态响应和负载瞬态响应速度快，变换器输出支路间的交叉影响小等优点。

本发明公开了一种具备零直流电压故障穿越能力的 MMC 及其 设计方法。综合半桥子模块成本低、运行效率高及全桥子模块可输出 负电平的优势，采用本发明所提出的零直流电压故障穿越方案，根据 半桥子模块与全桥子模块额定电压，并结合 MMC 直流侧额定电压及 交流侧相电压峰值，计算出半桥和全桥子模块配置个数；得到的 MMC 可在保证其能实现零直流电压故障穿越的前提下，有效降低变换器成 本及提高变换器的运行效率。本发明提出的技术方案并不局限于半桥子模块和全桥子模块的组合，还可以是半桥子模块和其它能在非闭锁 状态

本成果来自国家科技计划项目，现已结题，并获得国家发明专利授权（ZL201310022469.0），知识产权属于西南交通大学。该成果公开了一种输出电容低ESR开关变换器双缘PFM调制电压型控制方法及其装置，检测流过输出电容的电流ic以及输出电压Vo，将两者相加得到信号Vos，电压控制信号Vc与Vos经过时间运算器生成可变时间，结合预设的恒定时间，再经过控制时序生成器产生由恒定时间和可变时间组成的控制时序，控制开关变换器开关管的导通与关断。本成果具有输出电压低纹波且无低频振荡、稳定范围广、瞬态响应速度快、稳压精度高的优点。

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。