"有机玻璃材质，三种结构式样，一套3件。教学演示用，配合教材“设计一般过程”内容，了解设计过程，发现明确与问题。

高校科技成果尽在科转云

本发明公开了一种攀爬机器车，包括车体，车体前后端安装设置有车轮，车体面向墙面的一端与一吸附机构连接固定，所述的吸附机构包括有本体，所述的本体为中空圆筒，所述的中空圆筒的上方设置有一盖板，所述的盖板的上端面与车体连接固定，所述的盖板的下端面通过间隔设置的第一垫块与中空圆筒的上端面外缘固定连接；所述的中空圆筒的内壁面上设置有切向喷嘴；所述的第一垫块与第一垫块之间的间距形成中空圆筒的上端面外缘与盖板下端面之间的第一排气流道；所述的中空圆筒下端面与墙面之间留有间隙，所述的间隙形成中空圆筒下端面外缘与墙面之间的第二排气流道。本发明的攀爬机器车能吸附在各种墙面上，吸附能力强，应用范围广。

目前国家电网共有线路160万公里，每公里每年需要投入6000元进行巡视、维护。尤其是春夏季，经常有农膜悬挂线路上，造成短路事故。线路也会有断股、瓷瓶碎裂等故障隐患，需要及时发现维修。 本产品可以代替人工进行线路的巡视、维护，并且比人工更细致、更有效率、24小时不间断地工作。产品克服了现有正在研发的机器人的缺点，具有如下优势： 1、飞行式上下线，不需停电即可作业。 2、感应式在线取电，不需要下线充电，可以在线路上长期工作。 3、可以跨越任何线路结构，做到长距离巡视 4、灵活的机械手可以清除农膜等杂物 5、结合物联网管理系统，可以及时获知机器人运行信息及巡视信息。

（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。

成果描述：基于HDFS的在线论文管理平台主要用于管理研究生和本科生毕业论文，学生在线提交论文，老师通过本系统下载论文。系统通过邮件将相关修改意见和答辩信息反馈给学生，所有版本论文和评审意见需存储归档。市场前景分析：毕业论文（设计）是高等院校毕业生提交的有一定的学术价值和实际价值的文章或设计。它是高校培养人才的重要实践教学环节， 是对学生四年学的专业知识、研究能力、自学能力以及各种综合能力的检验。目前很多高校对于本科学生毕业论文（设计）的管理均采用传统的手工方式。随着因特网的普及、现代远程教育的发展以及现代本 科教育模式的发展， 继续采用传统手工管理模式对毕业论文（设计）进行管理就显得费时、费力、工作量大、效率低。另外，传统的手工管理模式对于教学管理者来说难以及时准确地把握毕业论文的设计进展情况，给管理带来一定的难度。与同类成果相比的优势分析：本系统使用分布式文件系统HDFS对学生论文进行管理。HDFS有着高容错性的特点，并且设计用来部署在低廉的硬件上。而且它提供高传输率来访问应用程序的数据，适合那些有着超大数据集的应用程序。

本系统采用Core图像数据库51135幅，每幅图像提取纹理与颜色相综合的128维特征值构建特征数据库，采用自行设计的度量距离分类学习算法，在传统的图像检索基础上引入学习机制，系统共分类369个，每一类选取少量有代表性的图像（最多不超过6幅），试验表明，在提供有限的学习样本条件下，能有效提高图像检索的精度。 系统采用两种检索方法进行比较，一种是传统的欧氏距离，另一种是本系统设计的分类距离学习方法，比较两者在图像检索精度上的差异。 该原型系统核心程序在Linux下用C编译实现，图像检索界面由PHP实现，通过Web服务器实现在线检索功能。

1.痛点问题 在大数据应用领域，当前普遍存在数据隐私安全、数据孤岛和终端设备计算能力受限等问题。如何在保障数据安全、隐私安全和安全合规的条件下，联合使用跨机构或跨设备中的数据，实现数据价值的深度挖掘和流通是亟待解决的行业问题。 2.解决方案 本技术在现有联邦学习框架的基础上提出一系列改进方案，综合提升了联邦学习的安全、效率和模型质量。首先，基于纵向联邦学习具有突破数据孤岛和保护数据安全的优点，采用自编码信息混淆技术实现标签隐私信息的保护，在不影响联邦建模效果的前提下，构建了一种新的数据高效、安全、合规的使用范式，该技术可应用于纵向联邦学习场景中实现多方安全联合建模。其次，通过结合联邦学习打破数据孤岛和保护数据安全，预训练大模型可实现知识持续积累，有选择的知识蒸馏技术可实现保护隐私、模型压缩和知识迁移等方面的优势，构建一种新的数据高效、安全、合规的使用范式。即在服务器端充分利用丰富的计算资源，打造出更为强大的模型，并通过有选择的知识蒸馏策略，实现知识在服务器端的持续正向积累，来提升资源受限的终端设备和拥有大模型的服务器两端模型的整体表现，从而实现一种“数据、模型不动，知识动”的效果。 合作需求 本技术与孵化产品在金融、医疗、制药和政务等数据敏感行业数据合规使用和多方协同建模应用上有合作需求，可服务于政府与企业等机构： 1）金融领域合作 本技术与孵化产品可服务于金融科技各级（部委与地市级）主管单位，以及各类银行、保险等金融机构。可应用于金融领域中高敏感数据的合规使用和跨机构间联合建模应用场景，例如银行征信、反欺诈等应用，以降低金融欺诈、骗保等事件发生，产生积极的社会效益。 2）医疗和制药领域合作 本技术与孵化产品可服务于医疗和制药领域各类政府主管单位、医院和制药企业等。可推动医疗和制药领域数据安全协作利用，为医疗领域有效监管、AI制药和辅助诊疗等智能应用提供数据安全协作基础，提高制药效率，降低制药成本和周期、促进新药研制等。 3）智慧政务领域合作 本技术与孵化产品可服务于科技、工信和大数据等各级（部委与地市级）主管单位。可为政府建立数据要素市场提供数据安全流通技术保障，促进数据要素安全有序流通，也可支撑政务服务水平提升，协同推进地方政府的数字政府建设。