电动汽车新技术双语课程教学方法研究

电动汽车新技术是电气工程专业一门新开课程,该门课程与当前市场发展联系紧密,知识更新快,科技水平高,行业术语多,包含多门电气工程专业课知识,对于培养学生综合运用电气工程专业的主干课程技能具有重要作用。本文从电气工程专业的实际培养需求出发,研究了该门课程的教学方法,从兴趣引导、课程思政、双语教学、自主学习四个角度进行了阐述,并总结了相关经验和方法。     

基于问题导向的在线教学研究

本文以“电力电子技术基础”的在线教学为例,开展以学生为中心的基于问题导向的教学方法优化实践。教学过程中,结合学校教师教学发展中心组织的EMI教师培训,对教学计划、教学重点进行了大力度的改进;同时,结合过程中与学生的交互、期末学生的反馈以及同行专家的建议,对本次的优化改进进行了教学分析、分析、反思和总结,以期不断提升本课程的教学质量,并为其它工科类课程的教学优化提供借鉴。     

电气自动化专业实训教学方法创新与实践

本文通过分析电气自动化专业实训教学现状,探讨如何将技能竞赛融合到电气自动化专业实训教学中,从而创新教学内容与教学方法,以提升电气自动化专业对创新型、应用型、技能型人才的培养能力。     

新工科理念下思政元素与电子实践教学的融合探索

为了落实建设新工科和大思政教育模式的育人理念,结合专业发展,本文以工程训练中的电子创新实践课程为例,研究思政元素如何融入实践教学的各个环节,具体探讨在设定教学目标、教学内容、优化教学方法、教学考核设置及课后总结交流等环节中,将思政元素与专业课程相互贯通融合的教学设计理念与方法。     

基于高斯混合模型的海洋能发电资源优化配置研究

针对海洋能资源丰富的海岛电网,提出了以消纳率最优为目标的海洋能发电资源优化配置方法。首先,采用高斯混合模型描述海洋能发电的随机波动性,并生成出力场景;然后以海洋能消纳率最优为目标构建了海岛电网的海洋能发电资源优化配置模型;最后,对渗透率、消纳率及源荷匹配度三个指标进行综合分析,获得最优配置方案。基于实际海岛负荷、波浪和潮流数据构建了海洋能发电资源优化配置算例,并重点分析了资源优化配置过程中渗透率约束的取值范围。结果表明,在不同的渗透率约束下,源荷匹配度呈现先升后降的趋势。因此,可以根据最大的源荷匹配度,确定资源优化配置模型中的渗透率约束取值范围。此外,在最优渗透率约束取值范围内,高斯混合模型出力场景与实测数据场景的优化配置结果相差不大且趋势一致,验证了高斯混合模型生成海洋能出力场景的有效性。     

“信号与系统”课程教学实例

信号频谱分析是“信号与系统”课程中的重点内容,但学生在理解相关概念和理论时常存在较大的困难。针对这种现象,本文介绍了一种信号频谱分析的教学实例。该实例利用傅里叶变换的数值计算方法,对太阳黑子数进行频谱分析,并确定太阳活动的周期。本教学实例注重引导学生理论联系实际,既深化学生对频谱分析的基本概念与基本理论的理解,又有利于培养学生分析解决实际问题的能力。     

“高电压工程”课程思政教改探索与实践

针对“高电压工程”课程思政教学改革的要求,分别从教学目标、教学内容、教学方法和考核手段四个方面,挖掘课程中蕴含的思政元素,通过教学创新,有机融入思政内容,使学生不仅学到专业知识,更体会到专业内容蕴含的社会主义核心价值观。最后,通过课堂教学对“高电压工程”课程思政的改革效果进行了实践和检验,为其他电气类专业课的课程思政教学改革提供参考。     

线上教学案例

当因疫情原因无法进行线下授课时,如何做好线上授课就显得非常重要。文章主要从以下方面论述了作者的线上教学情况,即课前准备、授课方式、课后作业、课后巩固、考试。     

基于OpenStack的高资源利用率Docker调度模型

在现有OpenStack云平台与Docker容器技术的集成方案中,基于容器初始资源请求的调度模型由于未充分考虑容器运行时的实际资源使用情况,导致资源利用率较低。为满足云计算领域的高资源利用率和低成本需求,构建基于OpenStack云平台的Docker调度模型（DSM）,将其与OpenStack的Keystone、Glance以及Neutron组件的API进行交互,获取创建容器所需的镜像、网络等资源,同时调用Docker Engine提供的API部署容器,对容器生命周期进行高效灵活管控。通过融合初始化模块、资源实时感知模块、容器调度模块、资源实时监测模块和容器迁移模块,并在容器调度模块中利用资源可用度评估与优先级决策调度机制为容器选择最优的计算节点,实现OpenStack云平台中资源的高效利用。实验结果表明,与经典Nova-Docker和Yun集成方案采用的调度模型相比,DSM调度模型在CPU和内存利用率上至少提升38.54、30.17个百分点和38.40、28.69个百分点。     

Cost Effective Optimal Task Scheduling Model in Hybrid Cloud Environment

In today’s world, Cloud Computing (CC) enables the users to access computing resources and services over cloud without any need to own the infrastructure. Cloud Computing is a concept in which a network of devices, located in remote locations, is integrated to perform operations like data collection, processing, data profiling and data storage. In this context, resource allocation and task scheduling are important processes which must be managed based on the requirements of a user. In order to allocate the resources effectively, hybrid cloud is employed since it is a capable solution to process large-scale consumer applications in a pay-by-use manner. Hence, the model is to be designed as a profit-driven framework to reduce cost and make span. With this motivation, the current research work develops a Cost-Effective Optimal Task Scheduling Model (CEOTS). A novel algorithm called Target-based Cost Derivation (TCD) model is used in the proposed work for hybrid clouds. Moreover, the algorithm works on the basis of multi-intentional task completion process with optimal resource allocation. The model was successfully simulated to validate its effectiveness based on factors such as processing time, make span and efficient utilization of virtual machines. The results infer that the proposed model outperformed the existing works and can be relied in future for real-time applications.