葡京娱乐场-富盈娱乐场开户

1998.9--2002.7 

1.痛點問題 物聯網技術是工業4.0和數字經濟智慧化時代的標準性特征技術，是人工智能、云計算機、大數據等核心技術的底層技術基礎。物聯網技術的本意是希望實現萬物直接互聯，并能主動協同工作，但目前尚沒有一項技術可以達到上述目的。 目前現有的物聯網系統架構種類很多，主要集中在物聯網的頂層軟件設計方面，軟件研究較多也做得很好，但其面臨的共同問題是各種底層設備(包括不同廠家生產的各種傳感器和執行器等功能部件)如何聯接？在目前現有的各種物聯網技術方案不僅系統結構復雜，也只能實現萬物間接互聯和被動協同工作，而無法實現物聯網所需的萬物直接互聯和主動協同工作。 2.解決方案 本成果所涉的核心技術是IPT（InformationPipeTechnology）信息管道技術及基于IPT信息管道技術的DMCS（DistributedMeasurement&ControlSystem）智能物聯分布式測控系統集成方法，以下簡稱DMCS/IPT。 在基于IPT信息管道技術的DMCS智能物聯分布式測控系統中，所有節點均具有完全平等的地位(“去中心化”)，也無需通過任何指令進行協同工作（“去指令”），所有節點及其聯接的底層設備均可直接通過在信息管道中自動交互的測控信息的驅動來實現系統預期的各種測控功能，而若想改變系統功能，也只需改變系統中聯接各分布式智能測控節點虛擬的信息管道聯接關系即可，多數情況下，無需編程即可實現分布式智能測控系統的快速集成及其功能重構。DMCS/IPT及其所衍生的IPT云/IPT霧智能物聯系統架構，能完美實現物聯網所需的萬物直接互聯和主動協同工作。IPT霧是一種可以彌散到工業現場任何一個角落的DMCS/IPT智能測控網絡，整個網絡只需一條線纜（有線或無線物理鏈路）即可位于工業現場不同位置的底層設備及其對應的IPT節點彼此聯接起來，不僅可通過信息管道實現“去中心化”和“去指令”的智能協同工作，而且可在IPT霧網絡中任意位置接入的IPT遠程智能聯接節點聯接至IPT云網絡，或者直接聯接至任意指定的普通云服務器，并與云端現有的各種物聯網專業軟件實現對接。IPT云網絡則是架構在IPT霧網絡之上的DMCS/IPT智能測控網絡，可進一步聯接不同的IPT霧網絡，并通過信息管道解決不同IPT霧網絡之間的測控任務協同，以形成更大規模的智能物聯網。IPT云網絡同樣具有“去中心化”和“去指令”等明顯技術特征，也能在IPT云網絡中任意位置通過接入一個IPT遠程智能聯接節點，將整個系統聯接至任意指定的普通云服務器，并與云端現有的各種物聯網專業軟件實現對接。 合作需求 1、合作企業現有產品需在某行業或某領域已占有較大的市場份額，且非常熟悉所在行業或領域的業務流程，并深度了解客戶的痛點和需求； 2、合作企業需有良好的信譽記錄，并需要有足夠的資金來支持DMCS/IPT新產品的研發，且需要有一定數量和質量的技術人才來完善相關產品； 3、合作企業需有愿意跟其他非競爭性企業一起聯手打造智能物聯網生態圈的愿望。 具備以上合作條件的企業可聯系清華技術轉移院，通過專利普通許可方式開展各自領域的新產品研發及其推廣應用，聚集多方力量，以合作共贏的方式共同打造一個可滿足數字經濟新時代需求的、造福于國家和社會的、國產化的智能物聯技術產品生態圈。

本發明提供了一種適用于分布式機器學習的參數同步優化方法 及其系統，使用參數服務器分布式方式實現的機器學習算法，解決現 有算法在參數同步過程中的瓶頸。本發明系統包括參數服務器端的資 源監控和分配模塊、參數維護模塊，各工作節點的服務器資源請求模 塊、參數同步時間間隔控制模塊、未同步時間累計模塊、參數計算模 塊和參數同步模塊。本發明通過監控參數服務器資源占用情況，為不 同工作節點選取不同同步時間間隔來避免請求突發情況，同時

本發明公開了一種考慮逆變型分布式電源接入的配電網故障區域定位算法，包括如下步驟：(1)建立恒功率控制方式下逆變型分布式電源故障特性分析模型；(2)根據配電網中聯絡開關、斷路器等開關器件的分布特點對配電網進行分區處理，使用圖論的理論分析方法，建立配電網的圖模型，并設定配電網的電流參考方向；(3)利用設定的配電網電流參考方向以及斷路器處保護裝置上傳的故障信息，通過矩陣運算求取故障判斷矩陣，實現故障區域的定位。本發明能夠滿足分布式電源接入，無需動作值整定，具備一定拓撲結構自適應的能力。

一種基于集中服務的分布式對等網絡及構造方法，該方法包括： （1）為對等網絡配置一個集中服務器，該服務器用來為新節點加入對等網絡以及對等網絡中的節點退出提供服務，并為服務器定義樹的數據結構用于存儲動態變化節點的信息； （2）新節點經集中服務器查找其直接鄰居或從對等節點出發在虛鏈路中查找其直接鄰居，加入對等網絡； （3）邊界節點（其前驅或后繼直接鄰居退出的對等節點）經集中服務器查找其直接前驅或后繼鄰居，或從該節點出發在虛鏈路中查找其直接前驅或后繼鄰居，使得對等節點之間維持環狀拓撲。 本發明將集中服務融合在分布式對等網絡中，明顯降低了因節點的頻繁加入和退出造成的網絡波動，顯著提高了對等網絡的工作效率。

本發明公開了一種小水電機群組成分布式儲能系統的方法。該 方法包括：獲得一個儲能周期 T 中，第 t 個時段所有小水電站的總凈 負荷值 PLj(t)；根據優化目標、總凈負荷值 PLj(t)以及第 i 個小水電站 的計劃負荷 pi(t)，獲得第 i 個小水電站的實際負荷 pfci(t)；根據第 i 個 小水電站的實際負荷 pfci(t)，對第 i 個小水電站的抽水蓄水裝置進行最 優效率控制，令所述第 i 個小水電站按照實際負荷 pfci(t)在最優效率下 運行，所述抽水蓄水裝置為水輪機及水泵或者可逆式水

本發明公開了一種分布式電源接入對配網三段式電流保護影響的評估方法，基于規則庫實現，規則 庫中包含若干條順序執行的規則步驟，這些一般性的語義規則適用于任意的配網系統和分布式電源接入 情況，且每條規則通過描述性語言指導操作者該如何構造短路場景，并選擇哪些保護的 I、II 或者 III 段 進行校驗。這樣，操作者無須根據所研究的系統來分析確定校核步驟，只要順序執行規則庫中的規則步 驟便能高效準確地判斷分布式電源接入方案對保護的影響：當規則庫中的所有規

"本發明公開了一種利用網關節點緩存優化分布式塊存儲寫性能的方法,具體包括：緩存經過網關節點的數據，并采用計數表對各數據塊的訪問次數進行計數；對于用戶請求，若為讀請求，則在讀請求命中緩存時從緩存讀取數據，在讀請求未命中緩存時從本地節點或者副本節點讀取數據；并將該請求訪問過的節點計數加一；若為寫請求，則先寫網關節點的緩存，然后在該寫請求對應的其他副本節點上做日志備份，用于掉電恢復；在提高系統性能的同時還保證了數據的可靠

本發明公開了一種提高分布式緩存的命中率并減少固態硬盤磨 損的方法，結合緩存數據分布特性和固態硬盤特性優化緩存性能并降 低成本。它能根據應用場景分配內存緩存區并將 SSD 劃分為連續分布 的與內存緩存區等大的 Cage，內存緩存區緩存新數據，內存緩存區的 數據達到上限時將內存緩存區所有數據寫入 Cage，擦除內存緩存區進 行新的數據緩存。替換算法通過分析內存緩存區中的數據的訪問頻度 分布，設定 Cage 中替換算法參數

（一）成果背景 分布式光伏可在用戶側就近安裝與消納，減少因長距離輸送帶來的線路損耗問題，在新型電力系統建設中發揮著重要作用。2021年6月，國家能源局綜合司發布了《關于報送整縣（市、區）屋頂分布式光伏開發試點方案的通知》，用以推動分布式光伏高質量發展、支撐新型電力系統建設。在該政策的推進下，分布式光伏容量迅猛增長。截至2021年底，國內分布式光伏裝機容量已達到107.5GW，約占光伏總裝機容量的三分之一，且其增長速度已經超過了集中式光伏。 （二）痛點問題 對于配電網來說，光伏出力易受天氣因素影響，具有極強的隨機波動特性，大規模分布式光伏接入，一方面加劇了配電網負荷短時波動，影響電力實時平衡，制約負荷預測精度提升；另一方面，分布式光伏出力特性與負荷特性的不匹配造成其難以消納，為有源配電網運行管理帶來嚴峻挑戰。 對于電力市場交易來說，隨著新一輪電力體制改革的持續深入，分布式光伏所有者作為售電商參與市場競爭成為必然趨勢。分布式光伏出力的不確定性與短時劇烈波動性，使得分布式光伏電站/售電商難以制定合理的市場交易策略與電力交易合同，面臨嚴重的市場風險。 因此，亟需精準的分布式光伏功率預測，為有源配電網調度運行、分布式光伏消納，分布式光伏參與電力市場等提供有力數據支撐。 （三）技術方案 1、基于變分模態分解與動態圖卷積網絡的分布式光伏功率預測 首先利用變分模態分解各分布式光伏復雜出力序列分解為相對簡單、波動較小的不同頻率子序列，以減小場站間關聯關系的挖掘難度。然后，基于分布式光伏場站間時空關聯性處于動態變化中的考慮，利用全連接神經網絡將各節點特征映射到多維空間，而后利用時域卷積挖掘跨節點關聯關系，由此以數據驅動方式挖掘各頻率下各場站子序列關聯性，有效實現子序列動態圖結構的構建。最終，基于可用于非歐式空間結構數據建模的卷積神經網絡，將其與動態圖結構結合，建立考慮動態時空關聯性的圖卷積預測模型，針對不同頻率下出力子序列分別預測，而后重構得到各場站功率進而獲取配電網分布式光伏總功率。 2、基于深度聯邦學習的分布式光伏發電功率預測 首先，基于長短期記憶神經網絡構建時域自編碼器模型，該模型編碼器用于提取每個時間步輸入的時域特征，而后利用解碼器將該特征向量轉換為輸出序列進行未來時間步的預測，自編碼能顯著增強長短期記憶神經網絡的時域建模能力。而后，利用注意力機制解決其在處理長輸入時間序列時會導致解碼器面臨特征冗余問題，且使模型聚焦于對輸出更關鍵的時域特征。由此，利用注意力自編碼預測模型通過對時域特征的有效挖掘實現功率預測精度的進一步提升。 在此基礎上，開發了用于分布式光伏功率預測的聯邦學習框架，在該框架中，本地用戶僅需將本地模型進行共享，無需數據的傳輸，而后由中央服務器進行模型的聚合以實現用戶間信息共享。在各本地場站進行注意力自編碼預測模型的訓練；在中央服務器，基于聯邦平均算法實現各本地預測模型的匯聚、全局模型的生成與下發。在保證數據隱私性的前提下取得與傳統集中式機器學習訓練近似的預測效果。 （四）競爭優勢 1、有效表征廣域分布式光伏集群間時空關聯特征，實現分布式光伏功率預測精度提升。 當缺乏氣象實測或預報數據時，考慮分布式光伏時空相關性可有效提升分布式光伏功率預測精度。現有研究多利用各光伏場站地理距離或者整體出力表征時空相關性。這種靜態建模方式在分布式光伏出力模式長期穩定的情況下，可以取得較好的預測效果。然而，易受天氣因素的影響，分布式光伏出力極易發生短時波動，因而各場站關聯性處于動態變化過程。以恒定的場站間關聯關系去考慮這種復雜的集群出力序列，顯然無法反映天氣影響下分布式光伏出力短時變化，難以實現功率預測精度的有效提升。 所提的基于變分模態分解與動態圖卷積網絡的分布式光伏功率預測方法，利用數據驅動方式實現挖掘各場站間關聯特性的動態實時挖掘。在基礎上，考慮到不同模態分量下各場站間關聯關系的差異性，將各場站原始功率分解為了相對簡單、波動較小的不同頻率模態分量，減小關聯關系的挖掘難度。 2、有效保證各分布式光伏數據隱私性，且能取得與傳統集中式機器學習訓練方式近似的預測效果 現有的數據驅動預測方法性能在很大程度上依賴于訓練數據的數量，因此大多以一種集中的訓練方式實現，即中央服務器匯聚來自各場站的運行數據而后進行模型的訓練。然而，這種集中訓練的方式會期限數據隱私，使用戶信息暴露在公共環境而導致被外部攻擊者進行數據分析、行為探測等。此外，在競爭激烈的電力市場中，分布式光伏場站所有者可能不愿共享數據。這些因素使傳統模型訓練方式難以實現。 所提的基于深度聯邦學習的分布式光伏發電功率預測方法，利用注意力自編碼模型在本地場站進行建模預測，實現對本地功率時域特征的有效挖掘；利用分散式訓練的聯邦學習框架，實現各場站預測模型信息共享，有效保證本地用戶的數據隱私的同時取得不錯的預測效果。 創新點 1、考慮了場站間關聯關系的動態性。對于分布式光伏，雖然場站數量眾多、分布廣泛，但是其位置臨近，由于云團運動等氣象因素導致的相關性較強。所提方法以數據驅動方式根據網絡當前的各場站輸入功率進行關聯關系的動態表征，實現功率預測精度的有效提升。 2、在保障各分布式光伏站點數據隱私應的前提現實現信息共享。利用自編碼結構進一步提升LSTM的時間序列建模能力；利用注意力機制模型聚焦于對預測更關鍵的輸入特征，以此實現時域特征的有效挖掘。在此基礎上，利用聯邦學習框架聚合各本地模型，實現各站點信息聚合，實現精度有效提升。 市場前景 隨著新型電力系統建設目標的推進，分布式光伏裝機容量呈爆發式增長。所研成果可應用于配電網負荷預測、用戶可調度容量評估、激勵型需求響應基線負荷估計等場景中，為高比例分布式光伏有源配電網的安全、經濟、高效運行，維持電力平衡等工作提供重要參考。同時，隨著分布式光伏逐步參與到電力市場，所研成果可為分布式光伏售電商制定最優的交易策略，簽訂合理的價格合同提供有力數據支撐。綜上所述，所研成果市場前景廣闊。