首先根据电网故障特征，分析了直驱风力发电机组在故障运行条件下的功率关系，根据分析结果将电网故障情况下机组实现故障穿越所面临的问题总结为由电网电压正序分量有效值下降带来的“有功不平衡”和电网电压负序分量带来的“功率波动”2类问题。在此基础上，对目前直驱风力发电机组的故障穿越方法进行了总结和分类，将“有功不平衡”控制策略分为减小发电机的输出功率来减小换流器的输入功率、在直流母线处消除不平衡功率、增大网侧换流器输出功率能力3种方法；将“功率波动”控制策略分为消除并网电流负序分量和消除直流母线电压纹波2种方法，并分析了不同方法的优缺点。根据现有方法的优缺点对直驱风力发电机组故障穿越控制方法的研究方向进行了展望。

基于Matlab_Simulink的随机路面建模与不平度仿真

本数据集适合做不平衡多分类，从KEEL和UCI上下载后处理完，分成数据和标签，每个数据集都有独自名字，数据是.data格式也可以化成csvg格式。

用matlab算法，生成美国六级轨道谱，获得轨道不平顺激励

介绍 densityMetrics是一个python库，用于计算各种浓度，多样化和不平等指数。 该库实现了所有众所周知的不平等和集中度指标的计算。 您可以使用浓度指标 访问浓度，不平等和多样性指标和指标的详尽收集 以json和csv格式执行文件输入/输出 通过引导程序以置信区间计算索引 使用matplotlib进行可视化 关键信息 作者： 执照：麻省理工学院 数学文档： 代码文档： 开发网站： 一般讨论： 打包特定聊天： 注意：concentrationMetrics仍在积极开发中。 如果遇到问题，请在我们的github存储库中提出问题 实施指标一览表 《提供了已实施指标（指标）及其关系的概述。 以下列表为每个实施索引提供了更具体的文档URL： 埃里森-格莱瑟指数 基尼指数 泰尔指数 汉娜·凯指数 胡佛指数 Herfindahl-Hirschman指数和相关的指数，例如Simpso

转子系统振动特征信息的研究有利于深入地进行转子系统的结构设计分析和运行状态监测。以水平放置的Jeffcott转子为研究对象，建立了不平衡转子系统的弯扭耦合振动的非线性运动动力学方程，采用Fourier变换进行不平衡转子系统的弯扭耦合振动分析，能够有效地获取不平衡转子系统弯扭耦合振动特征信息。针对DH-63空气透平压缩机高速转子的异常振动，理论计算与测试分析提取的特征参数表明高速转子存在不平衡弯扭耦合振动，指导维修成功地解决了异常振动问题。

在众多的电能质量标准中,三相不平衡是较为重要的标准之一。电力系统中三相不平衡问题直接影响供电质量,对每个用户的用电安全和电气设备的正常运行也有很大的影响。通过对电力系统中三相不平衡产生原因的研究,提出一种高效的、能够在电压不平衡的状态下准确及时地进行补偿的方法。

smote的matlab代码不平衡 当数据偏向某一类时，最先进的分类算法就会受到影响。 这导致了许多处理不平衡数据的技术的发展。 然而，似乎没有一种技术在所有条件下都能始终如一地发挥作用。 R 包unbalanced为不平衡分类任务实现了一些众所周知的技术，并提供了一种竞赛策略，以自适应地为给定的数据集、分类算法和采用的准确度度量选择最佳方法。 安装 您可以在以下位置安装稳定版本： install.packages('unbalanced', dependencies = TRUE) 或者在 github 中可用的一个： library(devtools) devtools::install_github("dalpozz/unbalanced") 不平衡分类方法 unbalanced包为不平衡分类任务实现了一些最著名的采样和基于距离的方法。 在采样方法系列中，我们有随机欠采样 ( ubUnder ) 和过采样 ( ubOver ) 的函数。 前者从多数类中删除观察，而后者复制少数类实例。 该包还包含一个名为ubSMOTE的函数，它实现了SMOTE ，它通过在观察到的邻域中生成合成少数

演示了通过三相三线传输到不平衡负载

为大幅度减少采集路面不平度信号的存储空间，提高采集速度，基于压缩感知理论针对标准路面的不平度信号进行压缩采样和重构。首先验证了B级路面不定度信号在频域下的近似稀疏性，并进行了信号的压缩采样。针对现阶段凸优化方法和常用的三种贪婪算法的不足，提出一种改进的模拟退火算法与子空间追踪算法相结合的稀疏度自适应匹配追踪算法，利用改进的模拟退火算法快速搜索匹配最优的稀疏度，并采用子空间追踪算法快速重构信号。仿真实验对比五种重构方法，结果表明，凸优化方法精度较高，耗时过长；OMP和SP算法耗时极短，但需要预先进行实验来估测信号的稀疏度，实用性低；SAMP算法能实现稀疏度的自适应匹配，但匹配的误差较大，且耗时较长；提出的新方法具有良好的精度和较快的执行速度，R-squares和耗时的均值分别为0.983 7和2.77 s，稀疏度估测效果较好，且采样点数的增加不影响算法重构信号的速度。