원래 이름 기록: 江苏电子信息职业学院

本发明涉及电解槽漏电检测技术领域，具体为一种制氢电解槽漏电检测的光伏串逆变相位分析方法及系统。分析方法的步骤包括：通过ADC转换器实时获取各光伏组串逆变器的交流相电压过零点时间戳，并采集电解槽直流母线上的纹波电流波形,以同步采集光伏逆变输出与电解槽电流信号。本发明通过逆变器过零点与纹波过零点相位偏差序列的动态建模，实现了光伏输出与电解电流的毫秒级时空匹配。具体地，基于相位‑谐波关联模型的三级响应机制，在触发漏电预警同时通过特定谐波注入主动重构电解槽内部电磁场分布，从物理层面抵消电极电位漂移，避免常规电流限幅导致的产能骤降。

本发明涉及功率控制技术领域，具体为一种基于阴影时空预测的光伏制氢功率前馈控制方法及系统。方法的步骤包括：构建时空数据采集体系，通过多维度传感器网络获取光伏阵列区域的太阳辐照度、大气温度、云层运动轨迹及组件表面阴影分布数据，将光伏阵列划分为多个监测单元并对实时数据进行时空对齐处理，形成包括空间位置、时间戳及多维物理量的标准化数据集。本发明通过构建多维度时空数据采集体系，实现对光伏阵列区域阴影分布及环境参数的高精度实时感知，结合融合时空特征的预测架构，有效捕捉监测单元间的空间相关性与阴影迁移的时间序列规律，为功率控制提供前瞻性输入。

本发明公开了一种基于注意力增强深度神经网络的医疗数据大规模糖尿病筛查方法。提出了注意力增强的深度神经网络模型，即：Attention‑Enhanced Deep Neural Network(AEDNN)，该模型引入Transformer中的多头注意力机制，结合深度神经网络实现糖尿病的精准预测。模型训练采用Pima Indian Diabetes Dataset数据集，基于箱线图异常值检测算法识别缺失值和异常值，使用分组中位数填充异常值与缺失值，采用过采样技术平衡数据，设计了基于注意力的特征提取层，即：Attention‑Based Feature Weighting Layer，提取数据的权重，获得权重矩阵，然后数据进入深度神经网络层进行训练，添加L2正则化项和Dropout层提高模型泛化性能。通过准确性、精确度、召回率、F1分数、均方误差、R2分数以及ROC和AUC曲线评估模型，预测准确率达98.4％。该方法能够高效筛查糖尿病初期患者，尤其适用于大规模医疗数据的初步筛查。与现有方法相比，AEDNN模型整体性能提升11.06％。

本发明属于农业机械技术领域，具体的说是一种便于脱粒的芸豆起拔放铺机，包括车体，车体下端设置有多个车轮，所述车体后侧设置有多个起根器，所述车体下侧固定连接有底座，所述底座上设置有用于对芸豆进行脱粒的自疏通式脱粒机构；所述自疏通式脱粒机构包括固定连接于底座上端面一侧的支座，所述支座一侧转动设置有凸块杆，所述凸块杆插接并滑动连接有凹槽筒，所述凹槽筒上侧转动设置有L型板，所述L型板下端面一侧固定连接有套筒，本发明实现了利用自疏通式脱粒机构，可对芸豆进行自动脱粒，使得芸豆籽粒可集中收集，进而便于后续对芸豆籽粒进行加工。