舞蹈教学属于艺术教育、情感教育、也是美育的一个重要组成部分。舞蹈教学功能是使青少年在接受舞蹈艺术美的熏陶中逐渐具备较好的人体美的基本素质，获得协调动作的基本能力，领悟舞蹈艺术的基本特点和规律，从而提高完美能力、增强爱国主义精神。陶冶高尚情操对培养良好品行、意志及良好的舞蹈艺术素养有着十分重要的意义，在素质教育中舞蹈艺术对促进学生全面发展具有不可替代的作用，也是发展学校特色教育的不可缺少的重要组成部分。

教学录播专用教室，是学校用来为教师课堂教学过程进行全程自动或半自动录制的专用场所。

铝模板是铝合金制作的建筑模板，又名铝合金模板，是指按模数制作设计，铝模板经专用设备挤压后制作而成，由铝面板、支架和连接件三部分系统所组成的具有完整的配套使用的通用配件，能组合拼装成不同尺寸的外型尺寸复杂的整体模架，装配化、工业化施工的系统模板，解决了以往传统模板存在的缺陷，大大提高了施工效率。

一.便携箱1个，尺寸：48*60*30cm，特制沙箱1个，沙具盒4组。 二．#沙具具有质量检验报告（沙具种类至少包含15大类，检验至少包含锑、砷、钡、镉、铬、铅、汞、硒等元素）。 沙具包括15大类54小类；数量是：1000件（原创性沙具意象组合，内含专业原型结构）。 1、人物类；2、宗教类；3、死亡类；4、文体类；5、食物类；6、家居类；7、交通类；8、军事类； 9、建筑类；10、动物类；11、植物类；12、自然物类；13、名胜古迹类；14、颜色形状类；15、数字方位类。 三．相关配套工具：纯天然细沙5公斤（经洗晒消毒后手感细腻清爽）；沙刷1个，沙盘指导教材1本，案例盘1CD。

一、装置概述 PUC-Q型高级氧化水处理综合实验装置是根据高等教育的改革方向，顺应国家培养应用型高技能人才的战略思想，以前沿技术为导向，紧密结合废水深度处理技术的实际，并针对高等院校对有机废水处理工艺应用和创新实验教学的实际需要而专门研制的综合性实验装置。本装置涉及放电等离子体技术、紫外光光解技术和智能程控技术等。装置工艺流程简洁、美观，可视化程度高，具有处理效率高、彻底、无二次污染等优点，非常适合大专院校的相关专业开展实验、实训、设计、创新创业训练等。 二、主要参数及指标 （1）处理能力：能处理各种生活废水和印染、造纸、医疗等多种工业有机废水； （2）污染物负荷：COD<800mg/L、色度（稀释倍数）<200、粪大肠菌群数<108个/L； （3）处理水量：40L； （4）处理效率：≥90%； （5）装置净重：200kg； （6）外形尺寸：1800mm×700mm×2000mm； （7）供电电压：AC220V、50Hz； （8）运行功率：＜3kW； （9）操作条件：常温、常压； （10）安全保护：具有接地保护、漏电保护和过流保护装置，安全符合国家标准； 三、主要配置及性能 采用自主知识产权的双介质阻挡放电等离子体反应器，放电均匀、稳定，活性物种产率高。 高频高压放电电源采用两级控制，安全、可靠，输出频率和电压可调。 可视化的光解反应池中安装全潜式UVC杀菌灯，能够直观观察光解过程；UVC杀菌灯配套专用整流器、高品质石英套管、防水接头，UV穿透率高，可在水中长时间工作。 316L不锈钢材质的尾气净化器中填装有高效的臭氧淬灭催化剂，可将尾气中的臭氧快速转化为氧气，并通过智能程控调节尾气净化器的温控设备，运行成本低。 水路采用自动和手动相结合的控制模式，灵活、方便。 采用电磁式增氧气泵供气，气量大、稳定、噪音低。 采用精度高、性能稳定的水温、水位、气压等变送器，实时监测装置的运行参数，不锈钢材质变送器探头耐磨、耐冲击、抗干扰强。 三菱FX3U系列PLC主机和模拟量输入输出模块完成设备运行控制，10英寸彩色触摸式液晶显示屏实时显示控制按键、装置运行状态及时间、水温、水位、气压、电流等重要参数。 所有设备模块化安装于304不锈钢材质的柜体中，柜体前后开设合页门，并设置视窗，便于设备的检修和运行过程的观察；柜体顶部安装有可调速换气扇，起到通风透气、降温的作用；柜体底部安装禁锢万向脚轮，方便移动。

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。