《国际电气工程先进技术译丛：光伏系统的PSpice建模》分为9章。
第1章主要介绍太阳辐射、标准光谱和通用计算机仿真软件（PSpice）的基础知识。
第2章介绍光谱响应及其PV电池短路电流的PSpice简化模型。
第3章介绍PV电池的伏安特性及其环境影响。
第4章分别介绍太阳电池阵列、地面PV模块以及PV发电组件建模方法。
第5章介绍PV模块与典型负载匹配以及蓄电池连接的建模。
第6章介绍功率调节器与逆变器建模。
第7章介绍独立运行的PV系统。
第8章介绍并网PV系统。
第9章给出若干典型的小功率PV应用系统。
第1章主要介绍太阳辐射、标准光谱和通用计算机仿真软件（PSpice）的基础知识。
第2章介绍光谱响应及其PV电池短路电流的PSpice简化模型。
第3章介绍PV电池的伏安特性及其环境影响。
第4章分别介绍太阳电池阵列、地面PV模块以及PV发电组件建模方法。
第5章介绍PV模块与典型负载匹配以及蓄电池连接的建模。
第6章介绍功率调节器与逆变器建模。
第7章介绍独立运行的PV系统。
第8章介绍并网PV系统。
第9章给出若干典型的小功率PV应用系统。
2024/3/8 15:16:16
55.58MB
1
利用MATLAB脚本文件及公式绘制太阳能电池光伏特性曲线，温度、光照强度对光伏特性曲线的研究也都包含在其中，后期还会有simulink仿真文件上传
2024/2/25 6:54:14
1006B
1
为了提高光伏发电功率预测的精度，本文在结合灰色预测算法（GM）与神经络预测算法优点的基础上，提出一种基于灰色径向基函数（RadicalBasisFunction，RBF）和神经网络光伏发电功率预测模型。
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
该预测模型综合了灰色预测算法所需历史数据少以及RBF神经网络预测算法自学习能力强的优点。
最后，运用南昌地区夏季和冬季晴天、阴天、雨天光伏发电历史数据在MATLAB应用平台编程实现对GM-RBF神经网络预测模型的预测精度进行验证，得出基于GM-RBF神经网络光伏发电预测模型在夏季晴天预测误差为6.495%、夏季阴天预测误差为12.146%、夏季雨天预测误差为21.531%、冬季晴天预测误差为8.457%、冬季阴天预测误差14.379%、冬季雨天预测误差为18.495%，其预测精度均高于灰色预测算法和RBF神经网络预测算法
2024/2/20 1:51:04
838KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB