光伏发电系统模拟及其发电预测开源python工具pvlib

VIP光伏发电系统模拟及其发电预测开源python工具pvlib
本文介绍光伏发电系统模拟及其发电预测开源python工具pvlib,以及举例介绍获取辐照度方法、光伏发电预测思路。
开通可读全文 ·1.4w 人阅读
最低0.47元/天 解锁文章

1. 太阳辐照量模拟

pysolar是一个用于计算太阳位置和辐照量的Python库。它是基于python语言编写的,可以方便地在各种python项目中使用。pysolar主要用于计算太阳的位置、太阳高度角、太阳方位角、日出和日落时间等信息。这些信息可以用于太阳能电池板和太阳能集热器等应用的设计和优化。

Pysolar模拟始自2007年以来得太阳,根据Bretagnon’s VSOP 87理论计算太阳的位置。pysolar包含了许多太阳几何和辐射计算方法的实现,例如:太阳方位角(指的是罗盘方位,相对于物理的北而言)和海拔高度角的计算、地球磁场和大气层对太阳辐射的影响等。它还提供了一些实用的功能,例如:在给定经纬度和时间的情况下,可以计算出太阳高度角、方位角、日出和日落时间等信息。

在这里插入图片描述

Pysolar的参考框架如上图所示。地平线定义为海拔高度为零。当太阳在地平线上时,高度为正。方位角向北定义为零。正方位定义为北部以东的估计值;负估计或大于180的估计位于北部以西。在北半球,如果我们从(海拔、方位)的角度来看,太阳在(0,90)左右升起,在中午左右到达(70,180),在(0,270)左右落下。

pysolar非常容易使用,可以使用pip命令来安装:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pysolar
pip install pysolar

安装完成后,可以在Python脚本中使用pysolar.solar模块进行计算。以下是一个使用pysolar计算太阳高度角和方位角的示例代码:

from pysolar.solar import get_altitude, get_azimuth
import datetime
import pytz

# 设置经纬度和时区
lat = 39.9
lon = 116.4
tz = pytz.timezone('Asia/Shanghai')

# 获取当前时间和太阳高度角、方位角
dt = datetime.datetime.now(tz)
altitude = get_altitude(lat, lon, dt)
azimuth = get_azimuth(lat, lon, dt)

# 输出结果
print("当前时间: ", dt)
print("太阳高度角: ", altitude)
print("太阳方位角: ", azimuth)

2. 光伏发电系统模拟

典型的太阳能光伏发电系统由太阳能电池阵列(组件)、电缆、电力电子变换器(逆变器)、储能装置(蓄电池)、负载即用户等构成,如下所示。其中,太阳能电池阵列和储能装置为电源系统,控制器和电力电子变换器为控制保护系统,负载为系统终端。
在这里插入图片描述

pvlib-python是一个Python库,用于光伏系统性能建模和分析。它提供了光伏系统设计和性能评估所需的工具,包括太阳辐照度计算、光伏组件和系统性能模拟、光伏系统建模、阴影分析等等。pvlib是一个开源项目,由Solar Energy Technologies Office(SETO)资助开发。

pvlib的主要特点包括:

  • 多种太阳辐照度模型,可以计算全天的太阳辐照度、太阳位置、天空散射辐射等信息。
  • 多种光伏模型,包括标准模型、光谱模型和机器学习模型。
  • 多种组件模型,包括单晶硅、多晶硅、CdTe等各种类型的光伏组件模型。
  • 多种系统模型,包括集中式光伏电站、分布式光伏电站等。
  • 多种工具和功能,如阴影分析、功率曲线绘制等。

pvlib的使用非常广泛,在学术界和工业界都有很多应用。它提供了方便快捷的工具,可以帮助工程师和科学家更好地理解和优化光伏系统的性能。

安装:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pvlib

2.1. 光伏发电系统模拟实现过程

在这里插入图片描述

2.2. 主要模块介绍

2.2.1. PVSystem

PVSystem是一个表示光伏系统的模块(类),它可以用来计算光伏系统的电量输出。PVSystem包括一些属性,例如组件、逆变器、阵列等,这些属性可以用来描述光伏系统的各个组成部分。

在PVSystem类中,有一些方法可以用来计算光伏系统的电量输出。例如,可以使用PVSystem.get_irradiance()方法计算光伏系统的辐照度,使用PVSystem.sapm()方法计算光伏系统的电池板电压和电流,使用PVSystem.snlinverter()方法计算光伏系统的逆变器输出功率等。

PVSystem类还可以与其他pvlib模块结合使用,例如Location、ModelChain等模块。使用PVSystem可以方便地模拟光伏系统的性能表现,为光伏系统的设计和优化提供有力的支持。

2.2.2. ModelChain

ModelChain是pvlib中的一个类,用于将多个组件(比如光伏组件、逆变器、阵列)组合起来,并计算其整个系统的性能。

ModelChain的构建是基于PVSystem的实例,即需要先定义一个PVSystem对象,然后将其传递给ModelChain类的构造函数,用于指定模拟的光伏系统。

ModelChain提供了一个run_model()方法,该方法接受一个时间序列作为输入,并计算在该时间段内系统的性能。具体而言,ModelChain会将该时间段拆分成多个时间步骤,并对每个时间步骤执行以下步骤:

使用Location对象和时间计算大气辐射(如GHI、DNI、DHI),使用PVSystem对象计算总辐照度(POA)

  • 使用PVSystem对象计算太阳能电池板的输出功率
  • 使用PVSystem对象计算逆变器的输入功率和输出功率
  • 使用PVSystem对象计算电池组的输入功率和输出功率

返回结果,包括各个组件的性能参数,如辐射度、电池板输出功率、逆变器输入功率和输出功率等。
通过ModelChain,可以方便地对光伏系统进行建模和仿真,并分析各个组件的性能,以及整个系统的性能表现。

PVLib库中的ModelChain可以集成天气预测数据。在ModelChain中,可以使用一系列模块来计算光伏电池组的电量输出,其中包括天气预测模块。具体来说,可以使用GFS和NAM模块将天气数据引入ModelChain中,然后使用其他模块计算电量输出。

GFS是全球预报系统,它可以提供全球的天气预测数据。而NAM是北美预报模型,它提供了更细致的天气预测数据,针对北美地区。这些模块可以将气象数据导入ModelChain中,以进行更准确的光伏电量预测。

需要注意的是,使用天气预测数据进行光伏电量预测需要对天气数据的准确性有一定的了解和评估。此外,不同的天气预测模块和数据源可能会导致不同的预测结果。因此,需要根据具体情况进行选择和评估。

VIP 光伏发电预测实战:用Python的pvlib库5分钟搞定发电量估算 本文介绍了如何使用Python的pvlib库快速进行光伏发电量估算。通过一个五分钟上手的实战案例,详细讲解了从环境配置、系统参数定义到模型链运行的全过程,帮助工程师和数据分析师高效完成光伏发电预测,为项目规划和运营提供可靠的数据支持。 开通可读全文·929 阅读·30 点赞·19 收藏 阅读全文

相关推荐

【python】计算太阳辐射(GHI、DNI、DHI)

太阳辐射在许多场景都常有应用,本文将利用pvlib简单计算一下太阳辐射强度。

a5567899的博客 7195

pvlib-0.4.5 Python库:光伏系统建模与分析指南

pvlib 是一个Python库,专门用于光伏系统建模和分析。它提供了一系列工具,包括太阳位置计算、大气质量计算、太阳辐射预测、光伏阵列性能模型以及逆变器效率分析。这个库的设计目的是让研究人员和工程师能够轻松地对光伏系统的性能进行建模和模拟。由于pvlib库依赖于精确的气象数据和地理信息,它通常与用于获取这些数据的其他Python库(如xarray、pandas和solarpy)一起使用。该库支持多种太阳辐射模型,并能够处理不同的光伏模块和逆变器类型。

weixin_36299472的博客 2301

pysolar:Pysolar是Python库的集合,用于模拟太阳对地球上任何点的照射。 它包括用于非常精确的星历表计算的代码

烈火 Pysolar是Python库的集合,用于模拟太阳对地球上任何点的照射。 它包含用于极其精确的星历表计算的代码,等等。 注意:目前,Pysolar的最新提交不适用于Python 2.x 版本0.6适用于2.x: : 但0.7和更高版本有很多更改。 它们已经针对Python 3.4进行了验证,但是3.2版或更早的版本缺少更改所需的功能。 * 此外,API略有变化: Pysolar现在希望您提供时区感知的datetime ,而不是UTC中的原始日期时间。 如果您的结果看起来很疯狂,这可能就是原因。 现在,函数名称为lowercase_separated_by_underscores ,符合 。 安装 假设您已安装Python 3.4或更高版本,则可以使用pip安装Pysolar: sudo pip install pysolar 文档现在出现在。 会费 所有贡献都通过Gi

pvlib.zip光伏能源模拟

pvlib.zip光伏能源模拟

matlab工具箱源码-pvlib-python:一组记录功能,用于模拟光伏能源系统的性能

matlab工具箱源码 最新发布 执照 建置状态 代码质量 覆盖范围 刊物 资料下载 pvlib python是社区支持的工具,提供了一组功能和类来模拟光伏能源系统的性能。 pvlib python最初是从Sandia国家实验室开发的PVLIB MATLAB工具箱中移植的,它实现了在实验室开发的许多模型和方法。 有关Sandia Labs PV性能建模程序的更多信息,请访问。 我们与PVLIB MATLAB项目合作,但独立于它进行操作。 文献资料 完整的文档可以在找到。 安装 可以使用pip和conda工具安装pvlib-python版本。 请参阅文档的以获得完整说明。 贡献 我们需要您的帮助,以使pvlib-python成为一个出色的工具! 有关更多信息,请参见。 pvlib-python的长期成功需要社区的大力支持。 执照 BSD 3句 获得支持 可以询问pvlib使用问题,并使用标签进行标记。 用来讨论pvlib-python社区感兴趣的各种主题。 我们还会在Google网上论坛发布新版本公告。 如果您怀疑自己已发现错误,或者想要更改有关pvlib的信息,请在上提出问题。 引用

Pysolar-开源

Pysolar是一个Python库,用于根据纬度,经度和时间来计算太阳相对于地球的位置。 还包括与光伏系统开发相关的其他问题的代码。 仍处于Alpha状态。

Python库 | pvlib-0.9.0.tar.gz

资源分类:Python库 所属语言:Python 资源全名:pvlib-0.9.0.tar.gz 资源来源:官方 安装方法:https://lanzao.blog.csdn.net/article/details/101784059

从零开始学习信号完整性(SIPI)--2

上一节我们已经谈过,信号完整性研究的是如何使驱动器输出的信号传输到接收器件并被正确的接收。 信号完整性的三要素包含了:信号、驱动接收芯片、传输通道。 这其中信号是主体,我们要做的主要工作就是设计好信号的传输路径为信号的正确传输扫清障碍。要做信号完整性分析与设计首先要了解信号的特性,以及信号质量的判别标准。 对一个信号进行描述通常需要如下几个指标: 信号特性的描述 摆幅:信号从低电平到高电平之间的电压差,对于单端信号通常由信号的供电电压决......

qq_29476769的博客 2万+

从零构建个人知识库:Obsidian与Git实践打造可生长的第二大脑

在信息爆炸的时代,如何有效管理个人知识资产,构建一个可检索、可关联、可生长的个人知识库,成为提升学习效率和创造力的关键。其核心原理在于通过系统化的信息架构与工作流设计,将碎片化信息转化为结构化的知识网络。从技术价值看,这不仅是笔记方法的升级,更是个人知识管理(PKM)和思维模式的革新,能有效对抗信息过载与知识孤岛。实践中,以Obsidian为代表的本地Markdown笔记软件,结合双向链接和关系图谱功能,为知识网络的构建提供了强大支撑;而引入Git进行版本控制,则确保了知识资产的历史可追溯性与安全备份。这种

weixin_28836989的博客 303

瑞萨芯片串口配置,基于RL78芯片的串口使用配置

在这里隆重给大家介绍瑞萨编辑器CS+ for CA 的自动生成代码功能,只需要配置几个参数,就可以得到你想要的串口配置了,我现在已经忘记怎么手动配置寄存器了,哈哈。选择设置,此时将端口设置成功接下来设置时钟,根据自己的芯片所需设置相应的时钟,自己芯片是什么时钟查看数据手册和原理图可以找到。瑞萨芯片的串口配置其实和ST芯片的串口配置差不多,只是ST芯片的中文数据手册比较多,就更好配置了,找到所需要的串口配置IO口,此时将UART0 配置为引脚P61和P62,瑞萨芯片的串口配置竟然要配置串口。

qq_45315904的博客 4306

记一次wireshark抓取QQ好友IP和火绒抓取微信IP

事情是这样的,,上个周,手机离奇的被盗,但没有关机,为了找回手机,粗学了一手QQ抓ip的手段。 这里我就直接做个演示,解析关键的点。 三种思路i. wireshark 抓取手机在线IPii 火绒抓取 微信在线接听IPiii 火绒抓取 微信在线不接听IP i. wireshark 抓取手机在线IP wireshark抓好友QQ的ip要求和对方打语音的时候要手机在线。 这里说一下,打语音和视频是直接能和对方建立连接,如果发文件,是直接发给腾讯的,抓不到包。 1.打开wireshark,通过电脑Tim给对方打语音

qq_29437513的博客 1万+

LoRa正点原子模块组网步骤

按照我上一篇的博客和视频演示,相信大家一定都可实现了lora模块点对点的通信了。那我们来进行一个比较有高难度的设计吧! 使用多个loRa模块去完成一个组网设计: 在这之前一定要配置模块信息为定点传输 AT+TMODDE要等于1奥 第一步分析通讯协议: 点对点通讯是在透明传输的条件下,地址和信道都是一样的,直接发送接受数据。 组网呢我们利用是: 定向传输就是 A、B的地址、信道不同 假如A是要想B发送信息就用函数来下面: int b[5]...

weixin_43205178的博客 4084

ubuntu-emto-cpa 测试和使用(单核运行)

ubuntu-emto-cpa 测试和使用(单核运行)

qq_45834835的博客 1404

Python爬虫应对Cloudflare防护:5秒盾+Turnstile验证码实战(AST反混淆+指纹模拟,成功率95%)

Cloudflare 5秒盾+Turnstile验证码的防护核心,是通过“前端JS挑战+多维度指纹校验”确认请求来源的真实性。用AST反混淆还原CF的验证逻辑,避免执行无用代码导致的验证失败;基于真实浏览器采集指纹,确保指纹维度100%匹配真人环境;结合轻量级JS引擎和自动化工具,模拟完整的浏览器执行环境。该方案的绕过成功率可达95%(剩余5%主要是IP或请求频率导致的风控),适用于绝大多数部署CF防护的网站。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1720

基于HetConv与Dual策略的YOLOv8轻量化设计-CSPHet结构的优化与实现

在计算机视觉中,YOLOv8作为目标检测领域的最新版本,通过引入多种改进来提升检测精度和速度。然而,提升精度和保持实时性能往往需要更多参数与计算量。本文提出一种结合Dual思想与HetConv的新型轻量化结构,称为CSPHet。CSPHet能够在保持YOLOv8检测精度的基础上有效减少约70万参数量,实现模型的轻量化和速度的提升。HetConv(Heterogeneous Convolution)是一种混合卷积技术,通过同时使用1x1、3x3等不同大小的卷积核,来捕捉不同尺度的特征。

博客 1330

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: 用于人工智能研究的开源Python微电网模拟器pymgrid(入门篇)
下一篇: 关于光伏发电量计算公式疑问
肖永威
博客等级 码龄24年 2431粉丝 519原创
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

肖永威

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值