电力系统潮流计算的计算机算法(四)——PQ快速解耦潮流算法

本篇为本科课程《电力系统稳态分析》的笔记。

本篇为这一章的第四篇笔记。上一篇传送门。

潮流计算的快速解耦法

牛顿-拉夫逊法潮流计算,主要的工作量在于形成雅可比矩阵和求解修正方程。由于雅可比矩阵的阶数为n+m-1,约为节点总数的两倍,非对称矩阵,且在迭代过程中需要不断的变化,所以大规模的电力系统中应用该算法很费时费力。

PQ分解法潮流计算的修正方程

有一种快速解耦法,是最有效且应用最广。电力系统中线路的电阻远小于电抗,即 R ≪ X R\ll X RX,换成导纳表示即 G ≪ B G\ll B GB,说明可以忽略所有的G,令 G = 0 G=0 G=0。前面一章已经推理过,从物理意义上,有功功率P主要和电压相角 θ \theta θ相关,无功功率主要和电压有效值U相关。

节点的分类保持不变。修正方程式如下:
[ Δ P Δ Q ] = − [ H N M L ] [ Δ θ Δ U ~ ] \begin{bmatrix} \Delta \boldsymbol{P}\\ \Delta \boldsymbol{Q} \end{bmatrix}=-\begin{bmatrix} \boldsymbol{H} & \boldsymbol{N}\\ \boldsymbol{M} & \boldsymbol{L} \end{bmatrix} \begin{bmatrix} \Delta \boldsymbol{\theta}\\ \Delta \boldsymbol{\widetilde{U}} \end{bmatrix} [ΔPΔQ]=[HMNL][ΔθΔU ]

根据有功功率P主要和电压相角 θ \theta θ相关,无功功率主要和电压有效值U相关,可以将 N , M \boldsymbol{N},\boldsymbol{M} N,M置为零,从而将修正方程化为:
[ Δ P Δ Q ] = − [ H 0 0 L ] [ Δ θ Δ U ~ ] \begin{bmatrix} \Delta \boldsymbol{P}\\ \Delta \boldsymbol{Q} \end{bmatrix}=-\begin{bmatrix} \boldsymbol{H} & 0\\ 0 & \boldsymbol{L} \end{bmatrix} \begin{bmatrix} \Delta \boldsymbol{\theta}\\ \Delta \boldsymbol{\widetilde{U}} \end{bmatrix} [ΔPΔQ]=[H00L][ΔθΔU ]

所以得到两个独立的方程,第一个式子只和相角和有功功率有关,第二个式子只和电压和无功功率有关:
− H Δ θ = Δ P − L Δ U ~ = Δ Q -\boldsymbol{H}\Delta\boldsymbol{\theta}=\Delta\boldsymbol{P}\\\\ -\boldsymbol{L}\Delta\boldsymbol{\widetilde{U}}=\Delta\boldsymbol{Q} HΔθ=ΔPLΔU =ΔQ

另外,各个节点之间的相角差很小,即 θ ≈ 0 ° \theta\approx 0\degree θ,再考虑到 G ≪ B G\ll B GB,所以有 cos ⁡ θ ≈ 1 , G cos ⁡ θ ≪ B \cos\theta\approx 1,G\cos\theta\ll B cosθ1,GcosθB

所以,雅可比矩阵的各个元素可以化简为:
H i j = U i U j B i j H i i = − U i ∑ j = 1 j ≠ i n U j B i j = − U i ∑ j = 1 n U j B i j + U i 2 B i i = Q i + U i 2 B i i L i j = U i U j B i j L i i = U i ∑ j = 1 j ≠ i n U j B i j + 2 U i 2 B i i = U i ∑ j = 1 n U j B i j + U i 2 B i i = − Q i + U i 2 B i i \begin{aligned} &H_{ij}=U_{i}U_{j}B_{ij}\\ &H_{ii}=-U_{i}\sum_{j=1\atop j\neq i}^{n}U_{j}B_{ij}=-U_{i}\sum_{j=1}^{n}U_{j}B_{ij}+U_{i}^{2}B_{ii}=Q_{i}+U_{i}^{2}B_{ii}\\ &L_{ij}=U_{i}U_{j}B_{ij}\\ &L_{ii}=U_{i}\sum_{j=1\atop j\neq i}^{n}U_{j}B_{ij}+2U_{i}^{2}B_{ii}=U_{i}\sum_{j=1}^{n}U_{j}B_{ij}+U_{i}^{2}B_{ii}=-Q_{i}+U_{i}^{2}B_{ii} \end{aligned} Hij=UiUjBijHii=Uij=ij=1nUjBij=Uij=1nUjBij+Ui2Bii=Qi+Ui2BiiLij=UiUjBijLii=Uij=ij=1nUjBij+2Ui2Bii=Uij=1nUjBij+Ui2Bii=Qi+Ui2Bii

按照导纳的定义,上面两个式子中 U i 2 B i i U_{i}^{2}B_{ii} Ui2Bii应是各元件电抗远大于电阻的前提下,除了节点i之外的其他节点都接地的时候,由节点i注入的无功功率。它必然远大于正常运行时节点i的注入无功功率,即 U i 2 B i i ≫ Q i U_{i}^{2}B_{ii}\gg Q_i Ui2BiiQi,则可以化简:
H i i = U i 2 B i i L i i = U i 2 B i i H_{ii}=U_{i}^{2}B_{ii}\\\\ L_{ii}=U_{i}^{2}B_{ii} Hii=Ui2BiiLii=Ui2Bii

这样,矩阵 H , L \boldsymbol{H},\boldsymbol{L} H,L具有相同的表达式,但是他们的阶数不同,前者为(n-1)阶,后者为(m-1)阶。

矩阵 H \boldsymbol{H} H可以表示为:
b o l d s y m b o l H = [ U 1 2 B 11 U 1 U 2 B 12 ⋯ U 1 U n − 1 B 1 , n − 1 U 2 U 1 B 21 U 2 2 B 22 ⋯ U 2 U n − 1 B 2 , n − 1 ⋮ ⋮ ⋱ ⋮ U n − 1 U 1 B n − 1 , 1 U n − 1 U 2 B n − 1 , 2 ⋯ U n − 1 2 B n − 1 , n − 1 ] = [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U n − 1 ] [ B 11 B 12 ⋯ B 1. n − 1 B 21 B 22 ⋯ ⋮ ⋮ ⋮ ⋱ ⋮ B n − 1 , 1 B n − 1 , 2 ⋯ B n − 1 , n − 1 ] [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U n − 1 ] boldsymbol{H}=\begin{bmatrix} U_1^2B_{11}&U_1U_2B_{12}&\cdots&U_1U_{n-1}B_{1,n-1}\\U_2U_1B_{21}&U_2^2B_{22}&\cdots&U_2U_{n-1}B_{2,n-1}\\\vdots&\vdots&\ddots&\vdots\\U_{n-1}U_1B_{n-1,1}&U_{n-1}U_2B_{n-1,2}&\cdots&U_{n-1}^2B_{n-1,n-1} \end{bmatrix}=\begin{bmatrix} U_1&0&\cdots&0\\0&U_2&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{n-1} \end{bmatrix} \begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1.n-1}\\B_{21}&B_{22}&\cdots&\vdots\\\vdots&\vdots&\ddots&\vdots\\B_{n-1,1}&B_{n-1,2}&\cdots&B_{n-1,n-1} \end{bmatrix} \begin{bmatrix} U_1&0&\cdots&0\\0&U_2&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{n-1} \end{bmatrix} boldsymbolH= U12B11U2U1B21Un1U1Bn1,1U1U2B12U22B22Un1U2Bn1,2U1Un1B1,n1U2Un1B2,n1Un12Bn1,n1 = U1000U2000Un1 B11B21Bn1,1B12B22Bn1,2B1.n1Bn1,n1 U1000U2000Un1

而矩阵 L \boldsymbol{L} L可以表示为:
L = [ U 1 2 B 11 U 1 U 2 B 12 ⋯ U 1 U m B 1 m U 2 U 1 B 21 U 2 2 B 22 ⋯ U 2 U m B 2 m ⋮ ⋮ ⋱ ⋮ U m U 1 B m 1 U m U 2 B m 2 ⋯ U m 2 B m m ] = [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U m ] [ B 11 B 12 ⋯ B 1 m B 21 B 22 ⋯ B 2 m ⋮ ⋮ ⋱ ⋮ B m 1 B m 2 ⋯ B m m ] [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U m ] \boldsymbol{L}=\begin{bmatrix} U_{1}^{2}B_{11}&U_{1}U_{2}B_{12}&\cdots&U_{1}U_{m}B_{1m}\\U_{2}U_{1}B_{21}&U_{2}^{2}B_{22}&\cdots&U_{2}U_{m}B_{2m}\\\vdots&\vdots&\ddots&\vdots\\U_{m}U_{1}B_{m1}&U_{m}U_{2}B_{m2}&\cdots&U_{m}^{2}B_{mm} \end{bmatrix}=\begin{bmatrix} U_{1}&0&\cdots&0\\0&U_{2}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{m} \end{bmatrix} \begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1m}\\B_{21}&B_{22}&\cdots&B_{2m}\\\vdots&\vdots&\ddots&\vdots\\B_{m1}&B_{m2}&\cdots&B_{mm} \end{bmatrix} \begin{bmatrix} U_{1}&0&\cdots&0\\0&U_{2}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{m} \end{bmatrix} L= U12B11U2U1B21UmU1Bm1U1U2B12U22B22UmU2Bm2U1UmB1mU2UmB2mUm2Bmm = U1000U2000Um B11B21Bm1B12B22Bm2B1mB2mBmm U1000U2000Um

然后将变化过的矩阵 H , L \boldsymbol{H},\boldsymbol{L} H,L带入上面说过的两个独立方程式内,可得新的修正方程,第一个式子为:
− [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U n − 1 ] [ B 11 B 12 ⋯ B 1 , n − 1 B 21 B 22 ⋯ B 2 , n − 1 ⋮ ⋮ ⋱ ⋮ B n − 1 , 1 B n − 1 , 2 ⋯ B n − 1 , n − 1 ] [ U 1 Δ θ 1 U 2 Δ θ 2 ⋮ U n − 1 Δ θ n − 1 ] = [ Δ P 1 Δ P 2 ⋮ Δ P n − 1 ] -\begin{bmatrix} U_{1}&0&\cdots&0\\0&U_{2}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{n-1} \end{bmatrix} \begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1,n-1}\\B_{21}&B_{22}&\cdots&B_{2,n-1}\\\vdots&\vdots&\ddots&\vdots\\B_{n-1,1}&B_{n-1,2}&\cdots&B_{n-1,n-1} \end{bmatrix} \begin{bmatrix} U_{1}\Delta\theta_{1}\\U_{2}\Delta\theta_{2}\\\vdots\\U_{n-1}\Delta\theta_{n-1} \end{bmatrix}= \begin{bmatrix} \Delta P_{1}\\\Delta P_{2}\\\vdots\\\Delta P_{n-1} \end{bmatrix} U1000U2000Un1 B11B21Bn1,1B12B22Bn1,2B1,n1B2,n1Bn1,n1 U1Δθ1U2Δθ2Un1Δθn1 = ΔP1ΔP2ΔPn1
进一步化简为:
− [ B 11 B 12 ⋯ B 1 , n − 1 B 21 B 22 ⋯ B 2 , n − 1 ⋮ ⋮ ⋱ ⋮ B n − 1 , 1 B n − 1 , 2 ⋯ B n − 1 , n − 1 ] [ U 1 Δ θ 1 U 2 Δ θ 2 ⋮ U n − 1 Δ θ n − 1 ] = [ Δ P 1 / U 1 Δ P 2 / U 2 ⋮ Δ P n − 1 / U n − 1 ] -\begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1,n-1}\\B_{21}&B_{22}&\cdots&B_{2,n-1}\\\vdots&\vdots&\ddots&\vdots\\B_{n-1,1}&B_{n-1,2}&\cdots&B_{n-1,n-1} \end{bmatrix} \begin{bmatrix} U_{1}\Delta\theta_{1}\\U_{2}\Delta\theta_{2}\\\vdots\\U_{n-1}\Delta\theta_{n-1} \end{bmatrix}= \begin{bmatrix} \Delta P_{1}/U_{1}\\\Delta P_{2}/U_{2}\\\vdots\\\Delta P_{n-1}/U_{n-1} \end{bmatrix} B11B21Bn1,1B12B22Bn1,2B1,n1B2,n1Bn1,n1 U1Δθ1U2Δθ2Un1Δθn1 = ΔP1/U1ΔP2/U2ΔPn1/Un1

第二个式子为:
− [ U 1 0 ⋯ 0 0 U 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ U m ] [ B 11 B 12 ⋯ B 1 m B 21 B 22 ⋯ B 2 m ⋮ ⋮ ⋱ ⋮ B m 1 B m 2 ⋯ B m m ] [ Δ U 1 Δ U 2 ⋮ Δ U m ] = [ Δ Q 1 Δ Q 2 ⋮ Δ Q m ] -\begin{bmatrix} U_{1}&0&\cdots&0\\0&U_{2}&\cdots&0\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&U_{m} \end{bmatrix} \begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1m}\\B_{21}&B_{22}&\cdots&B_{2m}\\\vdots&\vdots&\ddots&\vdots\\B_{m1}&B_{m2}&\cdots&B_{mm} \end{bmatrix} \begin{bmatrix} \Delta U_{1}\\\Delta U_{2}\\\vdots\\\Delta U_{m} \end{bmatrix} =\begin{bmatrix} \Delta Q_{1}\\\Delta Q_{2}\\\vdots\\\Delta Q_{m} \end{bmatrix} U1000U2000Um B11B21Bm1B12B22Bm2B1mB2mBmm ΔU1ΔU2ΔUm = ΔQ1ΔQ2ΔQm
进一步化简为:
− [ B 11 B 12 ⋯ B 1 m B 21 B 22 ⋯ B 2 m ⋮ ⋮ ⋱ ⋮ B m 1 B m 2 ⋯ B m m ] [ Δ U 1 Δ U 2 ⋮ Δ U m ] = [ Δ Q 1 / U 1 Δ Q 2 / U 2 ⋮ Δ Q m / U m ] -\begin{bmatrix} B_{11}&B_{12}&\cdots&B_{1m}\\B_{21}&B_{22}&\cdots&B_{2m}\\\vdots&\vdots&\ddots&\vdots\\B_{m1}&B_{m2}&\cdots&B_{mm} \end{bmatrix} \begin{bmatrix} \Delta U_{1}\\\Delta U_{2}\\\vdots\\\Delta U_{m} \end{bmatrix}= \begin{bmatrix} \Delta Q_{1}/U_{1}\\\Delta Q_{2}/U_{2}\\\vdots\\\Delta Q_{m}/U_{m} \end{bmatrix} B11B21Bm1B12B22Bm2B1mB2mBmm ΔU1ΔU2ΔUm = ΔQ1/U1ΔQ2/U2ΔQm/Um

则第一个方程式可以简写为:
B ′ Δ θ ∘ U = Δ P / U \boldsymbol{B}'\Delta\boldsymbol{\theta}\circ\boldsymbol{U}=\Delta\boldsymbol{P}/\boldsymbol{U}\\\\ BΔθU=ΔP/U

其中, ∘ \circ 表示两个矩阵逐元素相乘, / / /表示两个矩阵逐元素相除。矩阵 B ′ \boldsymbol{B}' B − B -\boldsymbol{B} B的前n-1行前n-1列,是对称常定矩阵, Δ θ , Δ P , U \Delta\boldsymbol{\theta},\Delta\boldsymbol{P},\boldsymbol{U} Δθ,ΔP,U均为n-1行的列向量。

第二个方程式可以简写为:
B ′ ′ Δ U = Δ Q / U \boldsymbol{B}''\Delta\boldsymbol{U}=\Delta\boldsymbol{Q}/\boldsymbol{U} B′′ΔU=ΔQ/U

其中, / / /表示两个矩阵逐元素相除。矩阵 B ′ ′ \boldsymbol{B}'' B′′ − B -\boldsymbol{B} B的前m行前m列,是对称常定矩阵, Δ θ , U , Δ P \Delta\boldsymbol{\theta},\boldsymbol{U},\Delta\boldsymbol{P} Δθ,U,ΔP均为m行的列向量。

将上述方程化简,可得:
B ′ Δ θ ~ = Δ P ~ B ′ ′ Δ U = Δ Q ~ \boldsymbol{B}'\Delta\widetilde{\boldsymbol{\theta}}=\Delta\widetilde{\boldsymbol{P}}\\\\ \boldsymbol{B}''\Delta\boldsymbol{U}=\Delta\widetilde{\boldsymbol{Q}} BΔθ =ΔP B′′ΔU=ΔQ

其中, Δ θ ~ = [ U 1 Δ θ 1 U 2 Δ θ 2 ⋯ U n − 1 Δ θ n − 1 ] T \Delta\widetilde{\boldsymbol{\theta}}=[U_1\Delta\theta_1\quad U_2\Delta\theta_2\quad \cdots \quad U_{n-1}\Delta\theta_{n-1}]^T Δθ =[U1Δθ1U2Δθ2Un1Δθn1]T Δ P ~ = [ Δ P 1 / U 1 Δ P 2 / U 2 ⋯ Δ P n − 1 / U n − 1 ] T \Delta\widetilde{\boldsymbol{P}}=[\Delta P_1/U_1\quad \Delta P_2/U_2\quad \cdots \quad \Delta P_{n-1}/U_{n-1}]^T ΔP =[ΔP1/U1ΔP2/U2ΔPn1/Un1]T,\Delta\widetilde{\boldsymbol{Q}}=[\Delta Q_1/U_1\quad \Delta Q_2/U_2\quad \cdots \quad \Delta Q_{m}/U_{m}]^T。第一个方程式为相位修正方程,第二个方程为幅值修正方程。

PQ分解法潮流计算的步骤

计算方法的前三步和牛顿法相同,而后面的迭代过程为:

  1. 形成两个系数矩阵 B ′ , B ′ ′ \boldsymbol{B}',\boldsymbol{B}'' B,B′′,并对他们做三角分解,即Cholesky分解,如下所示:
    B ′ = L ′ D ′ ( L ′ ) T B ′ ′ = L ′ ′ D ′ ′ ( L ′ ′ ) T \boldsymbol{B}'=\boldsymbol{L}'\boldsymbol{D}'(\boldsymbol{L}')^T\\\\ \boldsymbol{B}''=\boldsymbol{L}''\boldsymbol{D}''(\boldsymbol{L}'')^T B=LD(L)TB′′=L′′D′′(L′′)T
  2. 设置迭代次数为k=0。
  3. θ ( k ) , U ( k ) \boldsymbol{\theta}^{(k)},\boldsymbol{U}^{(k)} θ(k),U(k)、各PV节点的电压有效值和平衡节点的电压有效值以及相角,按照有功功率误差的计算公式计算出各个PQ节点和PV节点的 Δ P i ( k ) \Delta P_i^{(k)} ΔPi(k),然后再进一步计算出 Δ P ~ i ( k ) \Delta \widetilde{P}_i^{(k)} ΔP i(k)。这一步不要计算无功功率误差。
  4. 通过前代和回代求解出修正方程的第一个式子,得到各节点的相角修正值 Δ θ i ( k ) ( i = 1 , 2 , ⋯ , n − 1 ) \Delta\theta_i^{(k)}\quad(i=1,2,\cdots,n-1) Δθi(k)(i=1,2,,n1)
  5. 修正各个节点的相角值,即 θ i ( k + 1 ) = θ i ( k ) + Δ θ i ( k ) ( i = 1 , 2 , ⋯ , n − 1 ) \theta_i^{(k+1)}=\theta_i^{(k)}+\Delta\theta_i^{(k)}\quad(i=1,2,\cdots,n-1) θi(k+1)=θi(k)+Δθi(k)(i=1,2,,n1)
  6. 利用 θ ( k + 1 ) , U ( k ) \boldsymbol{\theta}^{(k+1)},\boldsymbol{U}^{(k)} θ(k+1),U(k)、各PV节点的电压有效值和平衡节点的电压有效值以及相角,按照无功功率误差的计算公式计算出各个PQ节点、的 Δ Q i ( k ) \Delta Q_i^{(k)} ΔQi(k),然后再进一步计算出 Δ Q ~ i ( k ) \Delta \widetilde{Q}_i^{(k)} ΔQ i(k)
  7. 通过前代和回代求解出修正方程的第二个式子,得到各节点的电压有效值的修正值 Δ U i ( k ) ( i = 1 , 2 , ⋯ , m ) \Delta U_i^{(k)}\quad(i=1,2,\cdots,m) ΔUi(k)(i=1,2,,m)
  8. 修正各个节点的电压有效值,即 U i ( k + 1 ) = U i ( k ) + Δ U i ( k ) ( i = 1 , 2 , ⋯ , m ) U_i^{(k+1)}=U_i^{(k)}+\Delta U_i^{(k)}\quad(i=1,2,\cdots,m) Ui(k+1)=Ui(k)+ΔUi(k)(i=1,2,,m)
  9. 使用收敛判据判断是否收敛,若收敛,则执行牛顿法潮流计算步骤中的第11步,然后结束,若不收敛,则设置k=k+1,然后返回第2步,进行下一轮的迭代。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/12514.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Axure10_win安装教程(安装、汉化、授权码,去弹窗)

1.下载Axure10 链接:https://pan.baidu.com/s/1fc8Bgyic8Ct__1IOv-afUg 提取码:9qew 2.安装Axure10 因为我的电脑是Windows操作系统,所以我下载的AxureRP-Setup-Beta v10.0.0.3816 (Win).exe 一直点下一步就行 3.Axure10中文 打开Axure…

LangChain-Chatchat 实践

目录 1. 说明 相关路径: 安装环境: 2. 安装 2.1 工具准备 2.2 资料准备 2.3 执行 3. 测试 3.1 LLM对话 3.2 知识库 3.3 API 接口 参考 1. 说明 比较了几个AI LLM的集成应用工具(比如Quivr, Dify, one-api), 还是LangChain-Chatchat更符合我的需要: 支持私有化部署…

5.15项目进度总结

今天完成了随机选人和实时显示的功能(还需要维护),使得程序可以对用户的操作进行实时的显示。 实时显示的思路:在登录后开一个线程用一个socket去链接服务端并查询需要实时的信息,同时服务端把这个socket记录下来&…

【scikit-learn006】随机森林(Random Forest)ML模型实战及经验总结(更新中)

1.一直以来想写下基于scikit-learn训练AI算法的系列文章,作为较火的机器学习框架,也是日常项目开发中常用的一款工具,最近刚好挤时间梳理、总结下这块儿的知识体系。 2.熟悉、梳理、总结下scikit-learn框架随机森林(Random Forest…

RS485和RS232区别

RS485和RS232接口在物理外观上的区别主要在于连接器的类型和接线方式上。这两种串行通讯接口虽然在功能上有所不同,但外观上也有一些显著的特点。 连接器类型: RS232 接口通常使用DB9或DB25类型的连接器。DB9是较为常见的,拥有9个针脚&#x…

Adaboost集成学习 | Matlab实现基于CNN-BiLSTM-Adaboost集成学习时间序列预测(股票价格预测)

目录 效果一览基本介绍模型设计程序设计参考资料效果一览 基本介绍 Adaboost集成学习 | Matlab实现基于CNN-BiLSTM-Adaboost集成学习时间序列预测(股票价格预测) 模型设计 融合Adaboost的CNN-BiLSTM模型的时间序列预测,下面是一个基本的框架。 数据准备: 收集并整理用于时…

卷积神经网络CNN的运行过程、常见术语与问题

目录 一、CNN运行过程 1、卷积(Convolution) 2、激活函数(activation function) 3、池化(pooling) 3.1 池化操作 3.2 池化过程 3.3 池化后结果 4、Flatten 5、全连接层 Flatten层的操作 全连接层…

语义分割——高分卫星土地覆盖数据集

引言 亲爱的读者们,您是否在寻找某个特定的数据集,用于研究或项目实践?欢迎您在评论区留言,或者通过公众号私信告诉我,您想要的数据集的类型主题。小编会竭尽全力为您寻找,并在找到后第一时间与您分享。 …

vite 和wepack 的差异

Vite 和 Webpack 是两种现代前端开发中常用的构建工具,它们各有特点和适用场景。以下是 Vite 和 Webpack 之间的一些关键差异: 开发速度与热更新 (HMR): Vite 利用了浏览器对 ES 模块的支持,能够在开发环境下实现几乎即时的模块热…

Flutter 中的 checkboxListTile 小部件:全面指南

Flutter 中的 checkboxListTile 小部件:全面指南 在Flutter的Material组件库中,CheckboxListTile是一个特殊的ListTile,它内嵌了一个复选框(Checkbox)。这使得它非常适合用来创建一个带有标题和可选复选框的列表项&am…

2.3 应用集成技术

第2章 信息技术知识 2.3 应用集成技术 2.3.1 数据库与数据仓库技术 数据库 以单一的数据源即数据库为中心进行事务处理、批处理、决策分析等各种数据处理工作操作型处理也称事务处理,指的是对联机数据库的日常操作,通常是对数据库中记录的查询和修改…

HVV,2024护网面试题

常见安全工具、设备 工具 端口及漏洞扫描:Namp、Masscan 抓包:Wireshark,Burpsuite、Fiddler、HttpCanary Web自动化安全扫描:Nessus、Awvs、Appscan、Xray 信息收集:Oneforall、hole 漏洞利用:MSF、…

Vitis HLS 学习笔记--资源绑定-使用URAM

目录 1. 简介 2. 代码解析 2.1 代码总览 2.2 优化指令 2.3 综合报告 3. 总结 1. 简介 Vivado IP 流程中的 AP_Memory,它用于与存储器资源(如 BRAM 和URAM)进行通信。不同于全局存储器(DDR),对此专用…

聊一聊Spring为什么需要三级缓存

写在文章开头 笔者在很早整理过一篇关于AOP的源码的文章,阅读起来晦涩难懂,在复盘时就有了想重构的想法,所以就借着这一话题重新聊一聊Spring中的三级缓存。 Hi,我是 sharkChili ,是个不断在硬核技术上作死的 java coder ,是 CSDN的博客专家 ,也是开源项目 Java Guide …

Sketch总结

sketch禁用了lineGap https://www.sketch.com/docs/designing/text/ http://www.sketchcn.com/sketch-chinese-user-manual.html https://github.com/sketch-hq/sketch-document https://developer.sketch.com/file-format/ https://animaapp.github.io/sketch-web-viewer/ htt…

IP代理中的SOCKS5代理是什么?安全吗?

在互联网世界中,网络安全和个人隐私保护变得日益重要。SOCKS5代理作为一种安全高效的网络工具,不仅可以保护个人隐私安全,还可以提供更稳定、更快度的网络连接。本文将带大家深入了解SOCKS5代理在网络安全领域中的应用。 什么是SOCKS5代理 …

k8s的整体架构及其内部工作原理,以及创建一个pod的原理

一、k8s整体架构 二、k8s的作用,为什么要用k8s,以及服务器的发展历程 1、服务器:缺点容易浪费资源,且每个服务器都要装系统,且扩展迁移成本高 2、虚拟机很好地解决了服务器浪费资源的缺点,且部署快&#x…

数据库原理与应用实验七 触发器的定义

目录 实验目的和要求 实验环境 实验内容与过程 实验结果与分析(实验结果截图)

TDesign:腾讯企业级设计体系的UI组件库详解

随着时代的快速发展,产品规模不断扩大,传统的研发模式已不能满足市场需求。如何在设计和研发工作中实现高效的协调已成为一个大问题。腾讯企业级设计系统TDesign大量开源,为产品体验设计提供了新的解决方案! TDesign是一套完整的…

(10)降落伞(一)

文章目录 前言 1 你将需要什么 2 连接到自动驾驶仪