基于人工智能和智能电表的多规模负荷聚类合体精细化预测PPT.zip

基于人工智能和智能电表数据的多规模负荷聚类合体精细化预测

研究生数学建模优秀论文参考（第六届）.zip

研究生数学建模优秀论文参考（第六届），供参考和学习

中国科学引文数据库（CSCD）来源期刊遴选（2021-2022年度）.pdf

经过中国科学引文数据库（Chinese Science Citation Database，简称CSCD）定量遴选、专家定性评估， 2021-2022年度中国科学引文数据库收录来源期刊1262种，其中中国出版的英文期刊245种，中文期刊1017种。 中国科学引文数据库来源期刊分为核心库和扩展库两部分，其中核心库926种（以备注栏中C为标记）；扩展库336种（以备注栏中E为标记）。 中国科学引文数据库来源期刊每两年遴选一次。每次遴选均采用定量与定性相结合的方法，定量数据来自于中国科学引文数据库，定性评价则通过聘请国内专家定性评估对期刊进行评审。 定量与定性综合评估结果构成了中国科学引文数据库来源期刊。 中国科学引文数据库（CSCD）来源期刊遴选报告（2021-2022年度）

PARL-develop.zip

PAL是一种灵活高效的强化学习框架.具有可重复性的特点。我们给出的算法能够稳定地再现许多有影响的强化学习算法的结果。大规模的。支持数千CPU和多GPU的高性能并行训练的能力.可重复使用。存储库中提供的算法可以通过定义前向网络直接适应新任务，并自动建立训练机制。可扩展的。通过继承框架中的抽象类，快速构建新的算法。PARL is a flexible and high-efficient reinforcement learning framework.

rlpack-master.zip

rlpack是一个基于tensorflow的强化学习算法库，解耦算法和环境，方便调用。安装依赖包 安装所需依赖软件包，请看environment.yml. 建议使用Anaconda配置python运行环境，可用以下脚本安装。 $ git clone https://github.com/liber145/rlpack $ cd rlpack $ conda env create -f environment.yml $ conda activate py36 安装rlpack $ python setup.py install 以上流程会安装一个常用的

新一代人工智能技术在电力系统调度运行中的应用评述_赵晋泉.pdf

摘要：以深度学习、强化学习为代表的新一代人工智能技术及其应用是当前电力系统领域的研究热点。人工智能技术具有不依赖物理机理,计算速度快,辨别效率高等优点。但人工智能固有的可解释性差、稳定性弱等缺点也制约了其在电力系统一些场景的应用。文中梳理了新一代人工智能技术在电力系统负荷和新能源预测、故障诊断、在线稳定性评估、频率及电压优化控制和电网运行方式制定等调度运行场景中的应用,并进行了分析和评述。总结了现有研究中存在的问题,指出人工智能技术的应用应当以问题为导向,以场景为基础,以应用为目的。最后,对未来人工智能技术在电力系统调度运行中的应用作出了展望。

Optimised-Wind-Energy-Response-to-Grid-Faults-master.zip

Optimised-Wind-Energy-Response-to-Grid-Faults-master

Low-frequency-Oscillation-Evaluation-master.zip

Low-frequency-Oscillation-Evaluation-master

电磁场理论课件第四章哈工大版.pdf

哈工大课件电磁场基本理论第四章PPT：在电磁学里，电磁场（electromagnetic field）是一种由带电物体产生的一种物理场。处于电磁场的带电物体会感受到电磁场的作用力。电磁场与带电物体 （电荷或电流）之间的相互作用可以用麦克斯韦方程和洛伦兹力定律来描述。

谐波激励下变压器结构件杂散损耗的模拟与验证.pdf

基于TEAM (testing electromagnetic Problem 21 基准模型，从实验和仿真计算两方面系统地研究 多谐波激励下变压器结构件杂散损耗建模与验证方法。考虑 线圈涡流损耗的影响，提出一种基于实验更准确地确定结构 件杂散损耗的改进方法。搭建硅钢叠片磁、损耗特性测量系 统，基于测量数据建立多谐波激励下的损耗模型并予以验 证。基于P21C-M1 和 P21C-EM1 模型分别进行谐波激励下 导磁和非导磁构件杂散损耗的数值模拟，磁场及损耗结果对 比验证了方法的有效性。基于仿真及测量结果，分析谐波对 杂散损耗的影响，得到谐波激励下导磁构件中附加损耗的分 布及其对杂散损耗的影响。