朗朗教育科技股份有限公司成立于2007年，是一家集产品研发、发行销售、服务跟踪、培训创新、数字化教育于一体的科技创新型儿童教育产品及服务提供商，专注于2-8岁儿童优质教育资源研发与普及的高新技术企业，始终致力于“以科技推动儿童教育发展”。 历经十几年变革发展，产品研发以《3-6岁儿童学习与发展指南》为依据，以健康、语言、社会、科学、艺术五大领域的学习与发展为内容，以遵循儿童身心发展的科学保教为理念，涵盖儿童发展过程的每一个阶段。公司依托数字科技实现多元化智慧教育教学，打造高质量产品及优质服务，以向幼儿园提供整体解决方案为核心，研发产品含课程一体化综合解决方案、游戏化装备整体解决方案、数字幼儿园整体解决方案、音乐启蒙教育整体解决方案、托育一体化整体解决方案及学前教育资源应用与开发六大板块，具体产品包括综合课程、领域课程、幼小衔接课程、室内装备、户外装备、数字化环境、数字化管理、数字教育资源、音乐启蒙（幼儿园版）、音乐启蒙活动室、音乐启蒙（家庭版）、音乐拓展活动、托育课程、托育活动区、感统游戏区、托育家具、熊孩子IP及家园共育平台等十八个系列。 公司通过全国性的经销商网络布局和专业化、体系化的教研服务生态系统，为终端幼儿园提供全面的、可定制化的产品和服务支持。 公司以“以科技推动儿童教育发展”为使命，以国家大力发展教育信息化为契机，根据儿童教育行业发展趋势和自身技术优势，致力成长为“拥有中国幼教领域最有价值的品牌，成为中国幼教领域最受尊重的公司”。公司以促进东西方文化交流、分享世界先进文化作品为目标，向幼儿园提供领先和卓越的儿童教育整体解决方案，向家庭提供丰富和有趣的内容产品与服务，扎实推进儿童教育数字化建设，满足终端客户对教育资源的多维度需求，推动中国儿童教育事业的蓬勃发展。

立思辰科技股份（300010），主营业务为教育集团、信息安全科技集团、文件及视音频解决方案。目前，立思辰已经成为国内教育信息化产业龙头，正在不断探索教研内容、教学模式、传播方式创新，通过教育信息化与教育服务结合发展，做智慧教育的引领者，实现“人人皆学、时时可学、处处能学”的发展目标。立思辰信息安全科技集团，是国内信息安全领域的领军企业。集团下设四个研发中心，坚持技术创新和应用创新双驱动，致力于数据安全、工控安全、和自主可控领域的技术研究和产品研发及应用，拥有完备的数据安全和工控安全产品线，为政府、教育、交通、能源、军队、军工、金融、电力、通讯等行业提供安全解决方案及服务。

创客教育的起源 2001年，麻省理工学院发起的Fab Lab成为最早的创客空间 2005年可开放编程的开源智能硬件aduino诞生 2006年MIT开发基于aduino的开源图形化编程平台scratch.google开发出blockly 2009年MakerBot在推出开源廉价桌面级打印机，打通了结构件和开源硬件 基于aduino智能硬件、3D打印制作创新作品的人被称为“创客” 美国政府在2012年正式推进创客、STEM教育 2015年教育部启动第一届中美青年创客大赛 2015年教育部将创客教育写入工作规划，因此称为“创客教育元年” 创客实验室产品介绍 广东厚吉教育在3D打印创客实验室里，学生可以利用3D打印和智能三维建模技术把自己原来只存在于想象中的创意变成现实中的物体。学校也可以利用3D打印创客教室研发一些与课本相关知识点的课程，让学生在游戏中掌握相关知识。学生以"创客"方式在学习过程中思考，综合运用不同学科的理论，实现跨领域的融合，并不断在设计中创造。通过各具特色、充满活力的创客教育空间，通过教育与产业之间的联动，必将培养出一批具有创新创业精神的人才。

中国北方汽车电子研究所建立于1996年，至今已有近20年历史，下设教具模型研发中心、教学管理中心、国际汽车行业发展交流中心、欧美日韩汽车研发中心，电子研究所是中国北方国际汽车教育集团的核心研发部门。研究所下属的教具模型研发中心是国内首屈一指的汽车教具模型研发、生产基地，所生产的各类汽车教具模型以美誉度最高而闻名中外，2013年产值突破5亿元，成为国内汽车教具市场最具规模的龙头品牌。教具研发中心自主研发的产品含盖了欧、美、日、韩、国产等五大车系几百种车型，包含电控实验台架、全车电器平面模型、ABS防抱死模型、自动变速箱模型、自动空调模型、空气悬挂模型，解剖车头模型等大类，生产设备齐全，制造经验丰富，巧妙的框架合理的安装位置使台架具有比整车更完美的实验能力。

成果描述：本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。市场前景分析：暖通工程领域。与同类成果相比的优势分析：技术先进，性价比较高。

本发明公开了一种基于运行数据对中央空调系统节能诊断及节能潜力分析的方法，基于中央空调系统实际运行数据，经对输入数据进行数据预处理后，再经数据分析步骤对已进行预处理的数据进行系统工况模式识别、系统设备运行时长与均等运行策略分析、系统设备运行次序分析、系统设备变频特性分析、系统设备出力与能耗特性分析、系统及设备运行约束条件分析，基于此再经节能潜力计算步骤对系统最小运行能耗(或费用)进行计算，得到系统节能诊断结果及节能潜力情况。本发明方法通过对系统实际运行数据的分析，给使用者提供更全面、更符合实际的节能诊断和节能潜力结果，为系统节能优化运行和节能改造等提供重要决策依据。

随着云计算、大数据、分布式AI等数据密集型应用的部署，大规模计算集群（数据中心、分布式AI集群、高性能计算集群）的体系结构、通信模式、流量状态、应用需求发生了极大的改变，上述改变对计算网络的吞吐、时延、带宽提出了极大的挑战，传统电互连网络技术存在拓扑结构复杂、线缆开销巨大、设备数量过多、可集成端口密度有限、网络能耗难以优化等问题，与电互连技术相比，光互连具有高带宽、低能耗、低开销、低时延等特点，具有较大潜力满足数据密集型应用对传输带宽、网络能耗、传输时延、通信逻辑适配等方面的需求，但受到缓存、交换粒度的影响，纯光互连网络难以承载突发性强、数据量小、实时性高的通信任务，因此，充分结合光、电互连技术的优点，研究面向数据密集型应用的扁平化、低时延、可重构光电混合网络，对于突破新型计算网络所面临的功耗、吞吐、时延、扩展性等方面的挑战至关重要。 围绕下一代数据密集型应用对互连网络高带宽、低时延、低能耗、高扩展性的需求，展开高容量、低开销、可重构、扁平化光电混合互连架构的研究。结合光、电交换技术的特点，设计高扩展、低复杂度、大容量、低能耗的光电混合互连拓扑结构；研究低开销、快速响应的光电路/光分组交换控制系统，设计面向快速光交换计算的调度算法；研究低阻塞、多粒度、高连通性的光交换机制及交换芯片；构建高性能光电混合互连网络系统原型，部署典型应用测试基准，验证光电混合网络的潜在优势，为下一代计算网络架构的技术革新提供理论和实践指导。

（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。