变电站电压/无功控制一直以来都是众多学者和供电部门关注的问题。
目前广泛使用的基于“九区图”电压无功控制策略,因为电压无功控制装置和控制策略的矛盾,在实际运行中暴露出严重的问题。
从根本上改善电压无功调节特性,不仅要从控制策略上着手,还要从电压无功调节装置上着手。
寻找一种满足工程实际需要的变电站电压无功控制方式具有重要的理论意义和工程实用价值。
静止同步补偿器(STATCOM)具有响应时间短、产生谐波含量少,在系统电压下降时,输出无功的能力不受母线电压的影响。
在系统故障或负荷突增时,能够快速的交换无功,动态提供无功支撑,从而较好地改善电压水平,抑制冲击负荷造成的电压波动。
因此本文将STATCOM用于变电站电压无功控制中,改善变电站调压装置与控制策略“九区图”之间存在的不足,提出了一种在线灵敏度计算的基于“离散设备优先动作,连续设备精细调节”原则的电压无功控制策略,协调有载调压变压器、电容器以及STATCOM之间的运行。
一方面,变电站侧的电容器作为主要的无功输出更加接近无功负荷端,对整个电网起到一个基础性的无功支撑作用,而STATCOM的无功出力保持一定裕量的状态,使之有足够的可调无功储备,以应对变电站紧急情况,提高运行的安全性,同时有效的减少变压器分接头和电容器组的动作次数;另一方面,离散控制的有载调压变压器和电容器只能实现阶跃、分段的控制,而且其调节容量是一个相对较大的数值,通过sTATc0M快速的无功交换能力,降低电容器投切动作对系统造成的冲击。
通过电磁暂态仿真软件EMTDC/PSCAD对EPR工36节点系统进行仿真分析,验证本文所提出的电压无功控制策略的可行性和正确性。
2023/9/29 7:05:29 3.95MB 无功补偿
1
一个基于android的秒表计时器,需实现以下功能:能够显示时间并且要精确到毫秒。
能够实现人机的简单交互功能,清零,暂停等功能。
能够实现多个时间的计时功能即分段次数的计数。
能够实现最大显示时间到小时。
2023/9/29 4:02:06 1.42MB android 秒表
1
设计程序sy2-2.c,要求从键盘输入x的值,计算以下分段函数的值y。
2023/9/24 0:36:44 173B c语言
1
PHPRSA分段加密解密
2023/9/16 18:23:33 2KB PHP RSA 加密、解密
1
语音增强结果评价框架,其中包括四种语音质量评价方法:信噪比SNR,分段信噪比segSNR,对数谱失真LSD,PESQ。
还包括生成设定信噪比语音文件的m文件。
也适用于其他领域的语音质量评价
2023/9/7 20:03:25 648KB 信噪比 对数谱失真 PESQ 语音增强
1
移动最小二乘法,用于曲线拟合,是一种很好的分段拟合方法,这个是matlab实现程序,针对一维曲线拟合。
2023/8/25 16:30:53 3KB MLS matlab
1
PBFDAF,详细介绍WebRTC中自适应滤波器的工作流程以及计算公式
2023/8/24 9:31:22 305KB 自适应滤波器 NLMS
1
线性参考(LinearReferencing)和动态分段(DynamicSegmentation)在公路GIS和城市管网、油气管道等行业的应用十分广泛,而对于符合线性参考系的数据的要求以及动态分段技术的具体应用,尤其是开发中的实现,相信许多人都不甚明了。
本人一直在做涉及本方面的内容,不敢私藏,拿出几个个人认为经典的资料,回馈论坛:)
2023/8/17 10:51:17 17.49MB GIS 线性参考 动态分段 LinearReferencing
1
微信小程序能用RSA分段加解密工具类。
直接复制到你的工程下就能用
2023/8/9 21:13:19 408KB weChat
1
培训关于批处理AI的分布式培训此仓库是有关如何使用BatchAI以分布式方式训练CNN模型的教程。
涵盖的场景是图像分类,但是该解决方案可以推广到其他深度学习场景,例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务,通常通过训练卷积神经网络(CNN)来解决。
对于具有大型数据集的大型模型,单个GPU的训练过程可能需要数周或数月。
在某些情况下,模型太大,以致于无法在GPU上放置合理的批处理大小。
在这些情况下使用分布式培训有助于缩短培训时间。
在此特定方案中,使用Horovod在ImageNet数据集以及合成数据上训练ResNet50CNN模型。
本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务:TensorFlow,Keras和PyTorch。
有许多方法可以以分布式方式训练深度学习模型,包括数据同步和基于同步和异步更新的模型并行方法。
当前,最常见的场景是与同步更新并行的数据-这是最容易实现的,并且对于大多数用例而言已经足够。
在具有同步更新的数据并行分布式训练中,该模型在N个硬件设备之间复制,并且一小批训练样本被划分为N个微批次(参见图2)。
每个设备都
1
共 122 条记录 首页 上一页 下一页 尾页
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 钉钉 钉钉打卡