产品名称：净气型通风柜 产品型号：GA080 外部尺寸：1245*800*620mm 内部尺寸：900*750*570mm 空气处理量：240m3/h 平均表面风速：0.4-0.6m/s 电源：AC220V/50HZ 功率：60W 音量：50 dBA 操作孔类别：三角型（梯形） 过滤器数量：D型过滤模器2个 风机数量：1个 照明：LED照明灯1组 显示屏：七寸液晶触摸屏 台面：环氧树酯台面 电源线：1根 控制系统：1套 报警系统：1套

整拒采用为双层1.2mm防火钢板构造，柜门表面为钢化玻璃材质，防腐蚀性更强，可透视度高。柜体结合了RFID及称重技术，便捷、高效、操作简单，采用刷卡、人脸识别、双锁控制等方式打开柜门，实现特殊试剂的出入和使用详情自动记录，支持电子台账生成导出。  试剂柜符合ISO18000-6C协议，外型简洁美观，质量稳定、性能可靠。支持多标签读取，采用网口等多种接口进行数据传输，是一款高性能、操作方便的专用智能试剂柜。

YK301智能工具管理柜通过无源RFID标签对工具进行唯一标识，工具领用或者归还时，通过密码、刷卡、指纹等方式进行权限的管理并开门，记录使用责任人，关门后柜体实现自动盘点，记录领用工具的数量及种类。外型简洁美观，质量稳定、性能可靠，集成21.5寸电容触摸屏，方便交互操作，支持恒温除湿功能（选配），柜体支持RFID多标签读取，采用网口进行数据传输，是一款高性能、操作方便的工器具、标识牌等场景下专用的智能工具管理柜。

GR系列无管净气型储药柜由风机和高效过滤系统组成。过滤器将柜内有毒气体过滤成洁净气体排出。室内的气体在柜内负压的影响下进入柜体，形成循环，达到净化空气、保护操作人员身体健康的目的。 产品特点： 节约能源：无管净气型储药柜的年消耗成本远低于传统外排通风橱。 保护环境：保护实验室内及实验室周围环境免受污染。 降低成本：采用高效过滤系统代替传统管道设施，减少占用的空间，降低设施成本。 操作简单：仅需30分钟就可安装完成，插电后就可以安全高效工作。

产品主要特点： GR无管式通风柜是一款高效能产品，可以保护实验室操作者及环境免受工作中产生的有害气体的伤害。 无管技术： 原装进口高效过滤器，通过SGS检测认证，吸附效率高达99.7%。寿命可达18个月。经济性能优。 环保优势： 有效吸附操作过程中产生的有毒气体，阻止其释放到工作环境中，净化室内空气，保证实验室的生态平衡。 能源效益： 采用无管技术，节省85%以上的空调损耗 方便使用： 安装便捷，选配小车后可在实验室方便移动，满足不同操作需求。 智能防护。

Eagle 9000系列 精准定位智能柜 利用RFID无线射频实时识别试剂并精准定位在每个单元或每个孔位，库存示意图也能帮助用户快速找到目标位置，大幅提高工作效率。 管理对象：标准品、对照品、生物样本、菌毒种、高价值试剂等   产品参数PARAMETERS： 15.6英寸电容式触摸屏，预装专业操作软件 集成RFID无线射频识别器，可自动识别试剂信息 通过RFID无线射频技术，自动定位到孔位或抽屉 人脸识别和账号密码登录，可设置双人身份验证登录 内置12组独立控制单元，实现权限精准分配 全区域或分区控温（可选温度段：-40℃、-20~-10℃、-5~8℃、室温） 过滤吸附膜设计，可提高柜体环境净化能力 双人双锁，24小时移动侦测视频监控   产品特色FEATURES： 1、多种登录方式 人脸识别、账号密码（可根据用户需求定制） 2、智能感知技术 RFID无线射频技术自动检测识别试剂信息 RFID无线射频技术精准定位到抽屉/孔位 3、12组独立控制单元 内置12组独立控制单元，实现权限精准分配 4、智能温控 全区域或分区控温（可选温度段：-40℃、-20~-10℃、-5~8℃、室温） 5、搭载 RMS 管理系统或 Talons 管理系统 RMS系统可实现记录对象出入库的流转状态，形成完整的信息数据库，进行统计和分析。 Talons系统以标准品管理为主线，集成了采购、验收、期间核查、使用轨迹、数据分析等全流程跟踪。 6、信息化系统 自动记录流转信息、自动统计分析，库存示意图能帮助用户快速找到目标位置，大幅提高工作效率。

ASKN通风柜-标准型通风柜尺寸为1.2m、1.5m、1.8m,通风柜高度一般为2.35m(行业标准小于2.4m),深0.85m(行业标准0.8~0.9m)。柜内背部导流板分上中下三段排风,可根据柜内的冷、热操作及污染气溶胶的密度调节导流板以消除排气死角,*大限度限制污染的逸出。通风柜柜门完全开启是*大高度为600~800mm,通风柜顶部排风接口口径一般为φ250

本发明公开了一种应用于智能配电网的双有源桥直流变换器软启动控制方法，先解锁原边全桥，闭锁副边全桥和外移相角的闭环控制，原边全桥采用斩波控制，开关管Q3和开关管Q4以50％的占空比互补导通，开关管Q1和开关管Q2采用变占空比控制，并且每个开关周期以一定的步长增加；当副边电压上升到足以驱动开关管，且开关管Q1和开关管Q2的占空比都增至0.99时，解锁副边全桥及外移相角的闭环控制；当输出电压达到额定值时，切入负载，输出电压稳定完成启动过程。本发明有效抑制双有源桥直流变换器在启动过程中的电流过冲，保证电流的正负对称，降低对开关管的耐流要求，降低成本，避免变压器偏磁现象，降低变压器的容量、体积和成本。

本发明公开了一种应用于智能配电网的 EPON 通信系统的动态 带宽分配方法，包括步骤(1)基于不同需求将智能配电网各业务分为 EF 业务、AF 业务和 BE 业务；步骤(2)通过层次分析法计算 AF 业务和 BE 业务的权值，并计算一个轮询周期内 EF 业务和加权业务的缓存量和缓 存速率；步骤(3)根据电网故障情况，对各 ONU 业务缓存速率和业务 缓存量进行修正，计算一个轮询周期内各 EF 业务和加权业务的带宽需 求量；步骤(4)根据 EPON 带宽值对 EF 业务进行分配，然后对加权业 务进行分

（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。