GGM-1发电机功角测量装置技术手册:电力系统关键参数解析

需积分: 9 1 下载量 6 浏览量 更新于2024-07-23 收藏 678KB PDF 举报
GGM-1功角测量仪说明书是中国电力科学研究院普瑞电网监控技术分公司于2011年8月发布的专业设备手册,针对的是发电机功角的精确测量,这对于电力系统的稳定运行至关重要。随着电力工业的发展,发电机作为关键组件,其功角的准确测量对于保证电力系统的安全性、效率和故障诊断具有不可替代的作用。 该手册主要包含以下几个部分: 1. 概述:这部分简要介绍了GGM-1发电机功角测量装置的重要性和在电力系统中的应用背景。它强调了功角在发电机运行稳定性上的关键作用,以及在异常、故障分析时提供的重要数据来源。 2. 性能指标:这部分详细列出了GGM-1功角测量仪的各项技术参数,包括但不限于测量精度、响应速度、工作电压范围、抗干扰能力等,这些都是评估设备性能的关键指标,用户在选择和使用时需要参考这些数据。 3. 安装及接线:此章节提供了装置的安装指导,包括所需硬件的清单、接线图示以及注意事项,确保用户能够正确安装并连接到电力系统,以实现有效的功角测量。 4. 工作原理:这一部分深入解析了GGM-1功角测量的理论基础。首先介绍的是通用的测量原理,即通过监测发电机的电气参数变化来推算出功角;然后是GGM-1的特有工作原理,可能涉及到先进的信号处理技术和算法,以实现高效、准确的功角测量。 5. 校准初角:在实际操作中,功角的测量需要进行初始角度的校准,这部分可能涵盖了如何进行初次设置、校准步骤以及影响校准精度的因素,以确保测量结果的准确性。 GGM-1功角测量仪的使用说明书还包含了客户服务联系方式,如技术支持热线和客服电话,以便用户在遇到问题时能够及时获得帮助。总体来说,这份手册是电力系统工程师、技术人员和维护人员必备的参考资料,旨在确保GGM-1装置的高效运作,从而保障电力系统的正常运行。

解释这段代码cal_correlation<-function(interaction_tab,ex1,ex2,filter){ cat('calculating correlation\n') if (ncol(interaction_tab)==2){ cl = makeCluster(parallel::detectCores() - 1) clusterEvalQ(cl,library(ggm)) clusterEvalQ(cl,library(corpcor)) clusterExport(cl,c("ex1","ex2","interaction_tab"),envir=environment()) corr <- parSapply( cl, 1:nrow(interaction_tab), #whole number of combinations function(i) { xcor=cor(t(ex1[interaction_tab[i,1],]),t(ex2[interaction_tab[i,2],]), method = "pearson") return(xcor) } ) stopCluster(cl) res<-cbind(interaction_tab,corr) res<-res[abs(res[,3])>filter,] return(res) }else if (ncol(interaction_tab)==3){#abandoned cl = makeCluster(parallel::detectCores() - 1) clusterEvalQ(cl,library(ggm)) clusterEvalQ(cl,library(corpcor)) clusterExport(cl,c("ex1","ex2","interaction_tab"),envir=environment()) mydata1 <- parSapply( cl, 1:nrow(interaction_tab), #whole number of combinations function(i) { cox_all=matrix(nrow = 3, ncol = 1) ce1_1= as.character(interaction_tab[i,1]) ce2_1= as.character(interaction_tab[i,2]) miRNA1= as.character(interaction_tab[i,3]) s1<-cbind(t(ex2[ce1_1,]), t(ex2[ce2_1,]), t(ex1[miRNA1,])) xcor=cor(s1,method = "pearson") cox_all[1,1]=xcor[2,1] cox_all[2,1]=xcor[3,1] cox_all[3,1]=xcor[3,2] return(cox_all) } ) stopCluster(cl) scc<-data.frame(mydata1) scc<-t(scc) res<-cbind(interaction_tab,scc) colnames(res)<-c('x','y','miRNA','x_y','mi_x','mi_y') #post process of corr res<-res[res$x_y>filter,]#select triplets with |pcc|>filter res<-res[abs(res$mi_x)>filter & abs(res$mi_y)>filter & (res$mi_y)*(res$mi_x)>0,] return(res) } }

2023-07-13 上传