产品详细介绍系统概述： 网络课程系统集成并整合了教育资源系统、网络课程系统、作业系统、在线测验系统、校内聊天系统以及Live直播系统等6个应用系统，提供了一套以课程为中心，集“资源汇集、课程建设、协作互动、基于教学和学习大数据的形成性评价于一体”的数字化学习解决方案，是开展网上自主学习的理想平台。 系统特色： 整体学情分析报告：生成整体数字化学习情况分析报告； 教师开课报告：生成以教师为分析对象的数字化教学报告； 课程分析报告：生成以课程为分析对象的教师视角课程分析报告； 课程学习报告：生成以课程为分析对象的学生视角课程分析报告； 学生学习报告：生成以学生为分析对象的数字化学习报告； 数字化学习工具种类丰富：学习笔记、学习问答、课程群聊、与老师一对一单聊、在线考试、试题层面的一对一互动、Live视频直播教学。

产品详细介绍系统概述： 教育资源系统为全体教师提供一个教学资源和专题资源的共建和共享平台，汇集优质教育资源，提高优质教育资源的利用率。 该系统是数字化学习平台(数字化学习背景和概念解释详见“网络课程系统”概述)和教师研修平台的核心成员系统，课程和主题教研等很多应用系统也都依赖该系统。 系统特色： 所有资源文件都统一进行格式转换或转码处理，确保任何格式的文档都被转换成统一的pdf文件，任何格式的视频都被转码成mp4格式，并且打上客户方水印； 系统支持跟JMS异步消息系统通讯；系统支持QUEUE队列系统，用于转码排队，由JMS消息系统来统一调度； 采用“教育社区”模式，建成一个“上传、转码、审核、上线、预览、购买、评价、应用”为主轴的教育交易市场，优胜劣汰，符合《教育 信息化2.0行动计划》利用平台模式实现资源“众筹众创”的指导方向； 重视一线教师的资源建设参与力度，改变数字教育资源自产自销的传统模式，鼓励教师“先共享，再自创”，解决资源供需瓶颈问题； 严禁重复上传，同一个教育资源除了在资源平台可以调用之外，还能被网络课程、主题教研、评课和作业等其它应用系统引用，大大提高了教育资源的利用率。

上海皮赛电子有限公司研发STC IAP15W 8051 MCU学习板。

这个项目是集硬件、软件、服务于一体，通过高科技现代化的网络技术、4G/5G技术、云技术、调频广播发射技术、远程监测、播放管理等技术，实现远程管理、播放服务。

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。

本发明公开了一种基于协同尺度学习的行人重识别方法，属于监控视频检索技术领域。本发明首先 根据已标注训练样本集 L 中图像的颜色和纹理特征，进行尺度学习得到相应马氏距离中的协方差矩阵 Mc 和 Mt;随机选择查询对象使用 Mc 和 Mt 进行马氏距离度量，得到相应排序结果，从中取得正样本 和负样本生成新的已标注训练样本集 L，更新 Mc 和 Mt，直到未标注训练样本集 U 为空，得到最终的 标注样本集 L*，并融合颜色和纹理特征得到 Mf，就可以使用基于 Mf 的马氏距离函数进行行人重识别。 本发明在半监督框架下研究基于尺度学习的行人重识别技术，通过未标注样本辅助标注样本进行尺度学 习，符合实际视频侦查应用标注训练样本难以获取的要求，能有效提升少标注样本下的重识别性能。