产品详细介绍

产品详细介绍

产品详细介绍

随着物联网设备的指数型增长，传统云计算的集中式处理方法已不能满足数据处理和数据安全等需求，边缘计算应运而生。边缘计算可以提升物联网的智能化，促使物联网在各个垂直行业落地生根。但是，一般的应用都默认只支持一种物联网组网协议或使用一种边缘计算框架，且组网协议跟边缘计算框架的接入十分繁琐，用户使用操作不便，耗时长。   一种集成多组网协议多边缘计算框架的边缘计算处理平台可同时兼容多种组网协议和集成多种边缘计算框架，简化接入步骤，大幅度降低用户的操作步骤和时长。同时，部署简单快捷，通过配置文件执行一键启动脚本即可实现平台的自动化部署及统一管理。与现有技术相比，该平台配置变更灵活。针对不同的服务器，不同的设备，只需要修改配置文件就可以直接部署生效。无须重新编译代码，无须重新创建镜像。此外，该平台具有良好的扩展性，极高的并发处理能力和很强的稳定性。可利用硬件加速数据处理，通过对FPGA、GPU和ASIC等的加速算法实现对数据的加速处。

（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。

欢迎来电洽谈： 15323758534 QQ：2793177994 韦先生

完成人简介：耿国华教授，全国优秀科技工作者，享受国家政府特殊津贴，现任全国高等院校计算机基础教育研究会副会长，教育部大学计算机教委委员，中国计算机学会理事且杰出会员。长期从事智能信息处理与模式识别等领域创新性研究，近年主持完成973前期预研、中奥合作项目、国科金面上项目5项等多个项目，合作完成国科金重点及863目标导向项目，在文化遗产数字化保护、智能信息处理方面取得多项成果，获国家科技奖1项，省部级科技奖16项。 成果内容： 针对文物形状的特殊性，结合计算机图形学技术，进行破碎文物的计算机辅助复原。本系统采用形状匹配技术，通过三维输入设备实现文物碎片的数字化，研究其空间曲面轮廓线的提取，并根据轮廓线的匹配结果实现破碎文物的拼接复原。实现了曲面模型的匹配拼接、三维曲面模型的融合和复原后曲面的三维编辑，构造了自动拼接与手工调整相结合的文物复原过程模型，为文物研究及文物保护提供了准确的科学的数据。系统主要功能包括：文物的三维数字化；破碎物体的自动拼接；友好的人机交互环境；破碎物体拼接方案的输出；修复后三维模型的三维展示。 成果用途：本项目研究为考古文物及古生物学遗物的复原、修复、仿制提供依据，填补国内空白，开辟计算机辅助复原的新领域，另外还可应用于工业检测过程中的工业件识别及医学领域的外科手术导航。 成果成熟度：市场化产品阶段（技术完全成熟，缺乏资金进行产业化） 投资方式：企业出资采购，学校为主体和企业共同实施转化；学校以该科技成果作价投资，与其他单位共同实施转化。 预期成果收益： 平台进一步优化推广后，预计每年新增产值5亿元以上。 成果知识产权情况： 专利号 专利名称 专利状态 知识产权权属 ZL201510072633.8 一种压缩感知矢量几何模型的压缩及恢复方法 授权 自有 2013SR090796 兵马俑文物数字化管理系统 获批 自有

它能够自动化地读取心脏CT、MRI影像，重建人体心脏各组织的立体结构, 计算任意部位的体积以及心功能参数，将医生从繁重的人工分析中解放出来，节 省计算时间，提高计算精度，辅助临床医生进行快速精确的诊断。本系统可以读 取存储在医学影像数据管理平台中的DIC0M格式及mha, nii等图像，自动去除 隐私信息，三维重建，并返回关键性的诊断指标和三维打印模型。本系统主要服 务于心脏疾病辅助诊断，医学教育和心脏知识健康教育，心脏医疗器械研发等。动态心脏影像重构云计算系统的核心价值：医生参考重构模型进行手术设计、手术模拟、手术会诊、术中对照等一系列 操作，突破现有影像工作站对于对超声、CT断面、MR断面均存在视角盲区的局 限。解决了临床心脏病诊疗中依靠医生从二维平面推断病员三维心脏结构的难 题。2） 医院无需增加额外设备，无需改变现有治疗流程，通过云服务的方式无 缝融合到现有的诊疗流程。3） 基于300例中国人临床影像经过深度学习而构建，重构精度达到3mm。4）高性能的并行计算集群和专业的3D医用打印机，1.5小时获得计算结果，12 小时实现心脏模型直达。市场及经济效益分析：本项目市场规模巨大。按照《中国心血管病报告2017 （概要）》最新发布, 心血管病死亡占居民疾病死亡构成40%以上，中国心血管病患病率及死亡率仍处 于上升阶段。推算心血管病现患人数2. 9亿，其中脑卒中1300万，冠心病1100 万，肺原性心脏病500万，心力衰竭450万，风湿性心脏病250万，先天性心脏 病200万，高血压2. 7亿。在各类心脏病诊治中，获取心脏的精细结构是必不可 少的一个步骤。由于技术难度受限，本领域目前尚无主导型产品。本项目产生的直接效益：按照全国2232个三级医院的10%来计算，每天10人次, 平均每例利润20元等保守估计，每年产生持续稳定的直接效益为1600万元，尚 不计算本系统对于心脏诊治疗的深度服务。且本系统具有大数据和云计算平台的 核心优势，运营成本低，无需医院添加任何设备。