成果简介焦炉炼焦过程中所产生的荒煤气经集气管、 初冷器和鼓风机等环节处理后传输给化产及煤气用户。 传输过程中， 集气管压力系统和鼓风机调速系统的稳定优化控制对于炼焦生产有着十分重要的作用。 当集气管压力过高时， 一方面造成跑烟冒火，污染环境； 另一方面降低了荒煤气的回收率， 造成能源的浪费。 当集气管压力出现负压时， 空气就会从炉门、 炉盖等处进人炉体， 导致焦炭质量下降、 缩短炉体使用寿命及煤气中氧含量增加。 为此我们针对非对称分布多焦炉多集气管共用一套鼓冷装置的系统设

本发明公开了一种陶瓷刀具沟槽磨损预测的新方法，属于金属 高速切削领域。该模型预测方法步骤包括：检测难加工材料被加工表 面硬化层深度；进行难加工材料陶瓷刀具高速加工实验，获得并定量 测量对应刀具沟槽磨损边界；通过测量分析，获得沟槽磨损宽度和深 度数据；通过多元线性回归方法获取沟槽磨损宽度和硬化深度的关系； 建立沟槽磨损宽度和深度之间的微分关系；最后建立沟槽磨损深度和 硬化层厚度之间的对应关系。由于本发明中在预测陶瓷刀具沟槽磨损 时考虑了被加工表面的硬化层深度，从而更加接近真实的加工状况， 提高了沟槽磨

本发明公开了一种水电站负荷区间预测方法，充分利用历史负荷数据，通过计算待预测日已知时刻负荷序列与各历史日实际负荷序列的线形差异度获得待预测日的相似日集合，根据待预测日的相似日进行待预测日点预测，再通过对大量历史负荷预测误差样本进行分析，得出未来负荷可能取值的概率性区间结果。根据区间预测结果，水电站决策人员在进行生产计划、实时调度等工作时能够更好地认识到未来负荷可能存在的不确定性和面临的风险因素，从而及时作出更为合理的决策，并为水电站实时负荷分配提供依据。

1、吸附氯乙酸生产过程中副产氯化氢的乙酸、酸酐等杂质，提高氯化氢纯度；降低氯乙酸生产中杂质的含量，水分含量≤0.2%（wt），硫酸根＜0.5%（wt），铁含量≤5mg/kg，铅含量≤1mg/kg。2、寻求成熟的双氧水法环氧氯丙烷生产工艺；减少环氧氯丙烷生产工艺副产物，保证环氧氯丙烷成品含量≥99.9%。

1.电子、电器线路的图纸设计、技术指导 2.操作程序自动化的设计 研究

金属材料热处理、机械自动化、汽车悬挂系统设计研发

项目开展的背景及意义 当前，我国经济发展进入新常态，能源转型面临需求放缓、传统产能过剩、环境问题突出、整体效率较低等问题，传统能源系统又存在着各能源子系统规划协调不足、弃风弃光现象突出、对化石能源依赖严重等现象，推进国家能源转型、构建新型能源系统势在必行。 综合能源系统是能源互联网建设的物理载体，是支撑国网战略目标落地的重要形式。综合能源系统能够拓宽国网公司发展业务，培育业务增长点和盈利模式增长点，是实现国网公司业务可持续发展的重要手段。 综合能源系统规划建设是项目成立的开端，规划优化效果最优是项目最好的投资、更是最好的节约。综合能源系统规划问题涉及源、网、荷、储协同，需要多维能源数据信息支撑，包括不同设备动态运行特征信息、多元用户负荷特性等数据。而大数据技术能够为综合能源系统规划建设提供基础的数据服务。  有助于可再生能源开发规模进一步提升，促进社会能源可持续发展； 有利于能源的投入产出效率进一步提升，减少能源消耗总量； 有利于社会资源配置进一步优化，降低能源系统建设成本；  有利于推动能源互联网的进一步实施和落地，助力国网实现具有中国特色国际领先的能源互联网企业的战略目标； 有助于电网公司新型业务进一步推进，扩展业务和收入增长点；  综合能源系统中的大数据——应用 在能源革命和数字革命的推动下，大数据技术在综合能源系统的中的应用越来越广泛，助力解决综合能源系统规划优化或运行优化多因素设备建模、设备运行状态诊断、用户用能画像、用能场景生成、优化策略生成的问题。  项目研究内容 项目研究成果 主要成果 本项目的应用示范能够指导综合能源系统工程实际落地，服务基础设施建设；能够指导综合能源系统规划效果评估，提供规划决策工具；能够指导不同区域典型综合能源系统场景示范推广，打造可推广的样板工程；能够深化综合能源系统一体化服务，助力综合能源系统广泛推广。项目发表学术论文5篇、申请发明专利10项、软件著作权5项。 示范应用 本项目预计在山东省内落地应用，打造不同行业的综合能源应用示范项目，目前在前期项目应用实施阶段，预计2021年底完成项目应用实施。  

围绕未来能源需求特性辨识、场站/设备智能监测、能效优化管理3项核心内容，开展研究并提出以下3个核心创新点，创新点一为基于数据驱动的需求侧用能行为特性辨识及容量价值评估方法，有效解决了需求侧用能行为特性分析难度大、精确度差、有效性低的问题，为能源电力系统容量规划和优化投资提供了科学依据；创新点二为基于数据挖掘计算的多元设备状态监测与需求侧能效优化技术，解决了需求侧用能设备运行状态监测能力差、管控水平低的问题，实现提质增效；创新点三为基于数据高效融合计算的场站环境监测及虚拟现实交互技术，有效解决了各种环境参数大量冗余导致的监测结果误差大的问题。 平台可应用于包括智能设备制造与销售、能源设备在线监测、能源设备全寿命周期管理、能源站点智慧运行维护、用能负荷预测、能质能效分析与应用等。

（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。

缓控释技术和生物酶技术研发人员，理论与实践二者兼而有之