本发明（专利号ZL 201510262134.5，2018/12/18授权）涉及一种基于流量过滤和Web缓存预取的WiFi接入设备节能方法，当WiFi接入设备发送一个HTTP请求给远程的Web服务器时，将TCP链接分割成两段：第一段TCP链接连接WiFi接入设备和AP，第二段TCP链接连接AP和Web服务器；AP通过第一段TCP链接接收HTTP请求并查看缓存，如果AP缓存有相应的响应数据，将响应数据返回WiFi接入设备；否则，通过第二段TCP链接将该HTTP请求发送到Web服务器；AP接收到Web服务器响应后，收集所请求网页的响应数据，并通过预设的流量控制规则进行过滤，然后存入AP缓存，并通过第一段TCP链接返回WiFi接入设备；WiFi接入设备没有数据收发时，进入休眠状态。

本发明公开了一种基于移动设备的可视Web对象搜索引擎方法。该方法的步骤如下：利用爬虫对Web对象进行抓取，针对Web对象的空间属性与语义属性设计数据模型并建立Web对象数据库，并在此基础上建立IR树索引。在处理用户的可视Web对象检索请求时，加入物理因素（如位置、朝向、视角等）的影响，融合Web对象的可视信息与语义信息，以一种“所见即所得”的方式返回搜索结果。本发明并能够随着用户位置或朝向的变化动态更新搜索结果，让用户产生身临其境的体验，从而将物理世界与数字信息世界紧密地结合起来。

本发明公开了一种用于相似模拟试验的自移式布料及振实装置，包括振动底板、可调导向装置、振动电机、可伸缩立柱、牵引装置、提升装置、布料装置、镇压辊和悬挂连杆。振动底板上平行安装有两个振动电机，用于振实试验材料；可调导向装置可实现其导向轮的换向；提升装置用于实现振动底板或本发明的整体升降，牵引装置通过可伸缩立柱和提升装置的共同作用可实现本发明整体移动行走；位于牵引装置后端的布料装置用于试验材料的充填和分布；镇压辊用于试验材料的整平和初步压实。本发明可替代人工实现相似模拟试验时试验材料的布料与振实，提高试验材料层夯实时的平整度、均匀度和紧实度，提高试验的工作效率和结果的精准度。

本发明公开了一种开放式地理空间数据的可用性评价方法，首先确定开放式地理空间数据的可用性 评价指标;然后根据评价指标，利用层次分析法确定指标的权重，建立包括评价指标及其对应权重的评 价模型;接着对开放式地理空间数据可用性的各项评价指标进行分析，实行百分制打分，结合各指标对 应的权重，计算模型各评价指标得分以及模型总得分;最后分析模型各评价指标得分以及模型总得分， 分级确定开放式地理空间数据的可用性程度。本发明能有效评价开放式地理空间数据的可用性状况。

一种基于相关性去除的差分隐私数据发布方法及系统，各数据拥有者分别对自己的原始数据集进行 分段并得到差值数据集，对差值数据集的前两项求和并加噪，然后同态加密后上传给云服务提供商，云 服务提供商进行同态解密运算;各数据拥有者对差值数据集项进行变换得到变换系数，加入由相互独立 且服从高斯分布的白噪声所组成的平稳噪声;数据拥有者进行逆小波变换得到加扰后的数据集，上传到 云服务提供商;云服务提供商利用维纳滤波进行滤波，当数据使用者请求数据集时，云服务提供商对求 精后的数据集进行反变换，发布给第三方数据使用者的数据项。本发明有效减少了数据计算量和交互量， 提高了资源利用率和数据可用性。

成果简介：云计算的发展使越来越多的计算和业务服务通过云端提供。与传 统的内部服务相比较,云中的服务通常隶属于不同的机构,具有自主性,会为 了自己的效用随时加入、离开网络,使传统的仅考虑时间或者费用的服务组合与调度算法失效。本技术引入服务信任的概念融入到云工作流管理模型， 从而实现兼顾时间、费用和可靠性的 Web 服务组合及调度管理。 项目来源：自行开发 技术领域：云计算、服务

基于web的学生考试成绩管理系统

网络投诉数据综合管理系统是针对网优投诉数据简历的管理机制，通过建立和完善地址库信息，利用多种识别机适配算法，对投诉数据进行整理和分析。提取投诉数据的地点信息、用户信息、工单号、流水号、投诉内容、投诉分类等，实现投诉信息的标准化和规范化。

本实用新型属于无线电能传输技术领域，尤其涉及一种基于无线电能传输技术的便捷无破坏性数据 采集装置，包括墙体或阻挡物体和终端，包括源端和负端，源端包括电源模块、源端电源变换模块和发 射线圈，电源模块依次连接源端电源变换模块和发射线圈；负端包括接收线圈、负端电能变换模块、数 据采集设备和数据传输模块，接收线圈依次连接负端电源变换模块、数据采集设备和数据传输模块；发 射线圈与接收线圈进行能量交换，数据传输模块将信息通过网络发送至终端；源端和负端分别安

（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。