版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
[全]電力系統(tǒng)-電力系統(tǒng)暫態(tài)穩(wěn)定判別方法由于電網(wǎng)互聯(lián)水平提高、負(fù)荷日益增加、新能源接入、線(xiàn)路傳輸能力限制等因素,電力系統(tǒng)運(yùn)行愈發(fā)接近其穩(wěn)定極限,電網(wǎng)的穩(wěn)定運(yùn)行顯示出更大的重要性,從而暫態(tài)穩(wěn)定評(píng)估問(wèn)題(TransientStabilityAssessment,TSA)更加受到人們的關(guān)注。傳統(tǒng)的基于時(shí)域仿真的TSA方法受到計(jì)算速度的限制,難以滿(mǎn)足在線(xiàn)應(yīng)用的需要。近年來(lái),隨著人工智能技術(shù)的快速發(fā)展,基于機(jī)器學(xué)習(xí)算法的暫態(tài)穩(wěn)定評(píng)估成為學(xué)者的研究熱點(diǎn)。機(jī)器學(xué)習(xí)算法是一類(lèi)數(shù)據(jù)驅(qū)動(dòng)的建模方法,根據(jù)所用數(shù)據(jù)源的不同,基于機(jī)器學(xué)習(xí)方法的暫態(tài)穩(wěn)定評(píng)估研究可分為兩大類(lèi)。第一類(lèi)同時(shí)使用故障前和故障后特征作為模型的數(shù)據(jù)輸入,第二類(lèi)僅使用故障前的特征作為數(shù)據(jù)輸入。故障前特征即為系統(tǒng)處于穩(wěn)態(tài)運(yùn)行時(shí)可以檢測(cè)到的特征,如線(xiàn)路潮流、節(jié)點(diǎn)電壓等;故障后特征,如發(fā)電機(jī)轉(zhuǎn)子加速度等動(dòng)態(tài)特征,僅在系統(tǒng)真正發(fā)生故障后,才可以被檢測(cè)到。電網(wǎng)的暫態(tài)過(guò)程發(fā)展迅速,一旦系統(tǒng)發(fā)生故障,留給調(diào)度人員的反應(yīng)時(shí)間已經(jīng)很少,所以,針對(duì)電網(wǎng)實(shí)際運(yùn)行,指導(dǎo)意義更大的是使用第二類(lèi)數(shù)據(jù)源的建模方法,根據(jù)電網(wǎng)穩(wěn)態(tài)運(yùn)行時(shí)的各種信息,判別各類(lèi)故障可能造成的后果,從而可以及時(shí)調(diào)整運(yùn)行方式,起到故障預(yù)防的作用。在這一領(lǐng)域的研究中,仍然有待解決的問(wèn)題主要有以下兩方面。一方面是模型的評(píng)估準(zhǔn)確度仍有提升空間。近年來(lái),一些新的機(jī)器學(xué)習(xí)算法在準(zhǔn)確度上有著超出傳統(tǒng)機(jī)器學(xué)習(xí)算法的表現(xiàn),使用此類(lèi)新算法進(jìn)行暫態(tài)穩(wěn)定評(píng)估有望進(jìn)一步提升準(zhǔn)確度。另一方面是機(jī)器學(xué)習(xí)算法均難以達(dá)到百分之百的準(zhǔn)確率,往往不可避免會(huì)有一些錯(cuò)誤,對(duì)于電網(wǎng)運(yùn)行,錯(cuò)誤的模型輸出可能對(duì)運(yùn)行人員帶來(lái)錯(cuò)誤引導(dǎo),從而引發(fā)嚴(yán)重的誤操作事故?,F(xiàn)有文獻(xiàn)的分析大多圍繞算法準(zhǔn)確度,對(duì)于被錯(cuò)誤分類(lèi)的樣本沒(méi)有專(zhuān)門(mén)的統(tǒng)計(jì)研究,然而,對(duì)于非機(jī)理性的機(jī)器學(xué)習(xí)算法,如何有效避免模型的可能失誤也是一個(gè)重要問(wèn)題。問(wèn)題拆分首先使用電網(wǎng)仿真軟件模擬待評(píng)估電網(wǎng)各種運(yùn)行方式下節(jié)點(diǎn)、線(xiàn)路故障后的暫態(tài)過(guò)程。從仿真數(shù)據(jù)中提取電氣量特征,利用暫穩(wěn)判據(jù)確定暫穩(wěn)標(biāo)簽。然后使用樣本數(shù)據(jù)訓(xùn)練XGBoost模型。針對(duì)暫態(tài)穩(wěn)定預(yù)測(cè)中兩類(lèi)錯(cuò)誤嚴(yán)重程度不同的特點(diǎn),引入注意力系數(shù)對(duì)算法的損失函數(shù)進(jìn)行修正。使用logistic函數(shù)將模型輸出概率化。本發(fā)明具有較高的準(zhǔn)確率和召回率,同時(shí)能以概率方式捕捉較為確定的預(yù)測(cè)和相對(duì)不確定的預(yù)測(cè)之間的差別,從而可以避免模型的一部分誤輸出。問(wèn)題解決首先,利用電力系統(tǒng)仿真軟件模擬待評(píng)估電網(wǎng)在各種運(yùn)行方式下,各節(jié)點(diǎn)、線(xiàn)路處發(fā)生故障所帶來(lái)的后果。由此形成大量和該電網(wǎng)暫態(tài)穩(wěn)定性有關(guān)的原始數(shù)據(jù)。其次,從原始數(shù)據(jù)中提取特征,并確定暫穩(wěn)標(biāo)簽。利用故障后發(fā)電機(jī)功角差是否發(fā)散判定系統(tǒng)是否發(fā)生失穩(wěn)狀況。對(duì)于各種穩(wěn)態(tài)運(yùn)行方式,提取出各類(lèi)電氣量特征,作為后續(xù)XGBoost算法的特征輸入。由此形成一定數(shù)量的用于建立電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估模型的樣本數(shù)據(jù)。然后,采用XGBoost算法并進(jìn)行適用性改進(jìn),利用獲取的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練。在訓(xùn)練過(guò)程中,針對(duì)暫態(tài)穩(wěn)定預(yù)測(cè)過(guò)程中兩類(lèi)錯(cuò)誤嚴(yán)重程度不同的特點(diǎn),引入注意力系數(shù)對(duì)算法的損失函數(shù)進(jìn)行修正,使得模型對(duì)不穩(wěn)定樣本的預(yù)測(cè)情況減少;使用logistic函數(shù)用于將模型輸出概率化,用于衡量XGBoost模型輸出的可靠程度,預(yù)防部分誤預(yù)測(cè)。最后,基于XGBoost算法的暫態(tài)穩(wěn)定評(píng)估模型訓(xùn)練成熟之后,可以根據(jù)電網(wǎng)能量管理系統(tǒng)記錄下的電網(wǎng)實(shí)時(shí)運(yùn)行信息,構(gòu)成能夠反映電網(wǎng)穩(wěn)態(tài)運(yùn)行狀態(tài)的電氣量特征。輸入XGBoost模型,即可以實(shí)時(shí)評(píng)估電力系統(tǒng)某些可能的故障所帶來(lái)的暫態(tài)穩(wěn)定后果。本發(fā)明采用以下具體步驟:步驟1)利用電力系統(tǒng)仿真軟件模擬待評(píng)估電網(wǎng)在各種運(yùn)行方式下,各節(jié)點(diǎn)、線(xiàn)路處發(fā)生故障所帶來(lái)的后果。由此形成大量和該電網(wǎng)暫態(tài)穩(wěn)定性有關(guān)的原始數(shù)據(jù),具體步驟如下:(1)對(duì)于一個(gè)包含c個(gè)發(fā)電機(jī)節(jié)點(diǎn)和z個(gè)負(fù)荷節(jié)點(diǎn)的系統(tǒng),確定一種基礎(chǔ)運(yùn)行方式,在此基礎(chǔ)運(yùn)行方式下,各發(fā)電機(jī)的出力分別為PGbasei,QGbasei(i=1,2…c),各個(gè)負(fù)荷節(jié)點(diǎn)的需求分別為PLbasej,QLbasej(j=1,2…z)。(2)ρj(j=1,2…z)和τi(i=1,2…c)分別是在設(shè)定范圍內(nèi)獨(dú)立產(chǎn)生的隨機(jī)數(shù),通過(guò)這些隨機(jī)數(shù),可以使用下述兩式產(chǎn)生不同的系統(tǒng)發(fā)電機(jī)出力和負(fù)荷需求情況,求解穩(wěn)態(tài)潮流后,可以獲得系統(tǒng)的不同運(yùn)行方式。(3)在求解穩(wěn)態(tài)潮流的過(guò)程中,總負(fù)荷與總出力之間的不平衡情況可由系統(tǒng)的平衡節(jié)點(diǎn)進(jìn)行補(bǔ)償,在模擬出的各類(lèi)運(yùn)行方式之下,可以收集各類(lèi)故障對(duì)應(yīng)的樣本數(shù)據(jù),具體做法是在產(chǎn)生的各種運(yùn)行方式之下,在關(guān)注的節(jié)點(diǎn)、線(xiàn)路上設(shè)置故障,進(jìn)行暫態(tài)穩(wěn)定仿真,從而獲取系統(tǒng)的暫穩(wěn)后果。步驟2)從原始數(shù)據(jù)中提取特征,并確定暫穩(wěn)標(biāo)簽。利用故障后發(fā)電機(jī)功角差是否發(fā)散判定系統(tǒng)是否發(fā)生失穩(wěn)狀況。對(duì)于各種穩(wěn)態(tài)運(yùn)行方式,提取出各類(lèi)電氣量特征,作為后續(xù)XGBoost算法的特征輸入。由此形成一定數(shù)量的用于建立電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估模型的樣本數(shù)據(jù)。相關(guān)計(jì)算步驟如下:(1)當(dāng)電網(wǎng)發(fā)生故障后,其穩(wěn)定性由一段時(shí)間內(nèi)電網(wǎng)中各發(fā)電機(jī)之間的功角差δ來(lái)衡量,根據(jù)δ是否發(fā)散,可將系統(tǒng)故障后果分為暫態(tài)穩(wěn)定和暫態(tài)不穩(wěn)定。當(dāng)系統(tǒng)最大發(fā)電機(jī)功角差小于180度時(shí),系統(tǒng)往往不會(huì)失去穩(wěn)定,當(dāng)系統(tǒng)最大發(fā)電機(jī)功角差超過(guò)180度時(shí),往往出現(xiàn)功角差發(fā)散現(xiàn)象,系統(tǒng)將無(wú)法繼續(xù)保持穩(wěn)定運(yùn)行。由此給定電網(wǎng)穩(wěn)定性標(biāo)記y的評(píng)估標(biāo)準(zhǔn)如下式所示。其中,max(δ)指故障后一段時(shí)間內(nèi)系統(tǒng)任意兩發(fā)電機(jī)之間功角差的最大值。(2)提取能夠反映電網(wǎng)穩(wěn)態(tài)運(yùn)行狀態(tài)的特征如下表所示,從而構(gòu)成電網(wǎng)的穩(wěn)態(tài)電氣量特征:穩(wěn)態(tài)電氣量特征Electricalfeaturesundersteadystate其中V,theta分別表示節(jié)點(diǎn)電壓的幅值和相角,Δtheta表示發(fā)電機(jī)節(jié)點(diǎn)之間的功角差,PG,QG,PL,QL,PB,QB分別表示發(fā)電機(jī)節(jié)點(diǎn)的有功、無(wú)功出力,負(fù)荷節(jié)點(diǎn)的有功、無(wú)功需求和線(xiàn)路傳輸?shù)挠泄?、無(wú)功功率,所有變量的上標(biāo)為對(duì)應(yīng)節(jié)點(diǎn)的編號(hào),如i或j。步驟3)采用XGBoost算法并進(jìn)行適用性改進(jìn),利用獲取的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練。在訓(xùn)練過(guò)程中,針對(duì)暫態(tài)穩(wěn)定預(yù)測(cè)過(guò)程中兩類(lèi)錯(cuò)誤嚴(yán)重程度不同的特點(diǎn),引入注意力系數(shù)對(duì)算法的損失函數(shù)進(jìn)行修正,使得模型對(duì)不穩(wěn)定樣本的預(yù)測(cè)情況減少;使用logistic函數(shù)用于將模型輸出概率化,用于衡量XGBoost模型輸出的可靠程度,預(yù)防部分誤預(yù)測(cè)。相關(guān)具體步驟如下:(1)XGBoost算法原理:對(duì)于給定的具有N個(gè)樣本和M個(gè)特征的訓(xùn)練樣本集D={(xi,yi)}(|D|=N,xi∈RM,yi∈R),XGBoost算法的最終訓(xùn)練結(jié)果是一個(gè)由K個(gè)CART決策樹(shù)函數(shù)相加得到的集成模型:其中,是XGBoost模型的輸出,F(xiàn)={f(x)=wq(x)}(q:RM→T,w∈RT)是CART決策樹(shù)的集合,一個(gè)CART決策樹(shù)由樹(shù)結(jié)構(gòu)q和T個(gè)葉節(jié)點(diǎn)組成,每個(gè)葉節(jié)點(diǎn)j都有一個(gè)連續(xù)值與它對(duì)應(yīng),稱(chēng)為葉節(jié)點(diǎn)的權(quán)重wj,所有權(quán)值構(gòu)成該樹(shù)的權(quán)重向量w∈RT。樹(shù)結(jié)構(gòu)q通過(guò)屬性判別可以將任意具有M維特征的樣本映射到其某一個(gè)葉節(jié)點(diǎn)上。每一個(gè)決策樹(shù)函數(shù)fk對(duì)應(yīng)一個(gè)特有的樹(shù)結(jié)構(gòu)q以及對(duì)應(yīng)的葉節(jié)點(diǎn)權(quán)重向量w。對(duì)于一個(gè)樣本,XGBoost模型獲取最終的預(yù)測(cè)值的過(guò)程為:在每一棵決策樹(shù)上將該樣本映射到對(duì)應(yīng)的葉節(jié)點(diǎn)上,再將該樣本對(duì)應(yīng)的K個(gè)葉節(jié)點(diǎn)的權(quán)重相加。機(jī)器學(xué)習(xí)模型均會(huì)定義損失函數(shù),用于衡量模型的預(yù)測(cè)值與真實(shí)值之間的偏差,在訓(xùn)練過(guò)程中,訓(xùn)練目標(biāo)即使得損失函數(shù)的值盡可能的小。XGBoost模型的損失函數(shù)形式如下所示。表達(dá)式中,l為訓(xùn)練損失函數(shù),根據(jù)機(jī)器學(xué)習(xí)問(wèn)題類(lèi)型的不同可選用對(duì)數(shù)損失函數(shù)、均方誤差損失函數(shù)等,用于衡量預(yù)測(cè)值與標(biāo)簽值yi之間的偏差,第二項(xiàng)Ω稱(chēng)為正則項(xiàng),用于控制訓(xùn)練出的模型的復(fù)雜度,使模型保證在訓(xùn)練樣本上的準(zhǔn)確度的同時(shí),不至于過(guò)度復(fù)雜,從而可以避免過(guò)擬合,增強(qiáng)泛化能力。其定義如下。正則項(xiàng)中的第一項(xiàng)用于控制樹(shù)模型中葉子節(jié)點(diǎn)的個(gè)數(shù),使樹(shù)結(jié)構(gòu)q盡可能簡(jiǎn)單;第二項(xiàng)用于控制葉節(jié)點(diǎn)的權(quán)重分布,使權(quán)重向量w避免出現(xiàn)過(guò)大值。γ和λ兩參數(shù)用于調(diào)節(jié)正則項(xiàng)中兩部分之間的比例,一般將λ定為1,僅對(duì)參數(shù)γ做必要的調(diào)整。根據(jù)定義的損失函數(shù),可以使用訓(xùn)練樣本對(duì)XGBoost模型進(jìn)行訓(xùn)練?;跇?shù)的機(jī)器學(xué)習(xí)模型與普通機(jī)器學(xué)習(xí)模型在訓(xùn)練方式上最大的不同在于,此類(lèi)模型參數(shù)不僅包含具體的數(shù)值,如權(quán)重向量w,也包含函數(shù)fk這種特殊類(lèi)型的“參數(shù)”,難以通過(guò)梯度下降的方式直接進(jìn)行優(yōu)化。在XGBoost算法中,訓(xùn)練是以樹(shù)模型迭代增加的方式進(jìn)行的,即訓(xùn)練過(guò)程中的每一步,增加一個(gè)CART決策樹(shù)函數(shù)f,使得損失函數(shù)進(jìn)一步減小。假定表示第t步時(shí)對(duì)第i個(gè)樣本的預(yù)測(cè)值,此時(shí),為了進(jìn)一步優(yōu)化模型,需要增加最優(yōu)的樹(shù)結(jié)構(gòu)ft來(lái)最小化此時(shí)的目標(biāo)函數(shù)L(t)。新的樹(shù)結(jié)構(gòu)ft使得此時(shí)的預(yù)測(cè)輸出變?yōu)閏onstant為獨(dú)立于變量樹(shù)結(jié)構(gòu)ft的常數(shù),即第t步之前已經(jīng)獲得的CART樹(shù)函數(shù)對(duì)應(yīng)的正則項(xiàng),這些正則項(xiàng)已是定值。選取樹(shù)結(jié)構(gòu)ft的標(biāo)準(zhǔn)即使得損失函數(shù)L(t)的減小幅度最大。將上式展開(kāi)成如下二次泰勒級(jí)數(shù)的形式。其中,分別是損失函數(shù)l在展開(kāi)點(diǎn)處的一階和二階導(dǎo)數(shù)。展開(kāi)式中的表示第t步之前得到的所有CART樹(shù)函數(shù)的輸出與樣本標(biāo)簽yi構(gòu)成的損失函數(shù),也是一個(gè)定值。由于損失函數(shù)的減小幅度與常數(shù)項(xiàng)無(wú)關(guān),因此,去掉上式中的常數(shù)項(xiàng),可以得到第t步時(shí)簡(jiǎn)化的目標(biāo)函數(shù)定義Ij={i|qt(xi)=j(luò)}為所有被樹(shù)結(jié)構(gòu)qt映射到第j個(gè)葉節(jié)點(diǎn)的樣本編號(hào)集合,則上述簡(jiǎn)化目標(biāo)函數(shù)可進(jìn)一步被化簡(jiǎn)為:該式對(duì)wj求導(dǎo),可得對(duì)于一個(gè)特定的樹(shù)結(jié)構(gòu)qt,其最優(yōu)的葉節(jié)點(diǎn)權(quán)重為:代入損失函數(shù)公式,得到此特定樹(shù)結(jié)構(gòu)qt對(duì)應(yīng)的最優(yōu)損失函數(shù)為:此最優(yōu)損失函數(shù)可以衡量任意樹(shù)結(jié)構(gòu)qt的好壞。越小,說(shuō)明此樹(shù)結(jié)構(gòu)qt可以使模型的損失函數(shù)下降更多。至此,可以將XGBoost模型的實(shí)際訓(xùn)練過(guò)程表述如下:(a)以迭代的方式增加CART樹(shù)函數(shù),當(dāng)樹(shù)模型的繼續(xù)增加使得模型的準(zhǔn)確度提升幅度小于s時(shí),則停止迭代,不再繼續(xù)增加樹(shù)模型的個(gè)數(shù)K,獲得最終的XGBoost模型(b)在每一輪迭代過(guò)程中,為得到一個(gè)新的函數(shù)ft,從一個(gè)單一的葉節(jié)點(diǎn)結(jié)構(gòu)開(kāi)始,每次將一個(gè)葉節(jié)點(diǎn)增加一個(gè)樹(shù)分叉,在所有可能的樹(shù)增長(zhǎng)方案中(掃描所有的可分叉處和所有的可用特征),選取使得最優(yōu)損失函數(shù)最小化的方案,如此循環(huán)進(jìn)行。樹(shù)的停止分裂可以由兩個(gè)參數(shù)控制:當(dāng)樹(shù)的最大深度maxdepth達(dá)到規(guī)定值時(shí),或者當(dāng)全部分裂節(jié)點(diǎn)的方案均無(wú)法使損失函數(shù)獲得大于γ的下降時(shí),樹(shù)停止分裂,計(jì)算此樹(shù)結(jié)構(gòu)qt對(duì)應(yīng)的最優(yōu)權(quán)重向量w,從而可得到新的樹(shù)函數(shù)ft。(2)引入如下logistic函數(shù)將XGBoost模型的輸出概率化,將輸出轉(zhuǎn)化到(0,1)范圍之內(nèi)。選取閾值α=0.5,可以獲得最終的預(yù)測(cè)結(jié)果如下式所示。此種方式可將XGBoost模型的輸出轉(zhuǎn)化為暫態(tài)穩(wěn)定與暫態(tài)不穩(wěn)定兩類(lèi),并且,概率輸出的大小能夠反映模型預(yù)測(cè)的“可靠程度”,可以認(rèn)為,當(dāng)越接近1時(shí),模型將此樣本分類(lèi)為1的確定程度越高,當(dāng)越接近0時(shí),模型將此樣本分類(lèi)為0的確定程度越高。后續(xù)的算例分析表明,針對(duì)暫態(tài)穩(wěn)定評(píng)估問(wèn)題,此種概率輸出的形式有助于判定模型預(yù)測(cè)的可靠程度。(3)錯(cuò)誤分類(lèi)和遺漏分類(lèi)是暫穩(wěn)評(píng)估中可能出現(xiàn)的兩類(lèi)錯(cuò)誤。錯(cuò)誤分類(lèi)指不穩(wěn)定樣本(yi=1)被分類(lèi)為穩(wěn)定樣本,而遺漏分類(lèi)指穩(wěn)定樣本(yi=0)被分類(lèi)為不穩(wěn)定樣本。對(duì)于運(yùn)行中的電力系統(tǒng),錯(cuò)誤分類(lèi)將導(dǎo)致不穩(wěn)定情況被忽視,使得運(yùn)行人員錯(cuò)過(guò)調(diào)整運(yùn)行方式的最佳時(shí)間,為電力系統(tǒng)安全穩(wěn)定留下隱患,而遺漏分類(lèi)雖然也是錯(cuò)誤情況,但是仍可以通過(guò)時(shí)域仿真等手段對(duì)后果進(jìn)行進(jìn)一步確認(rèn),其對(duì)于電力系統(tǒng)運(yùn)行的影響相對(duì)較小。因此在模型訓(xùn)練時(shí),錯(cuò)誤分類(lèi)應(yīng)比遺漏分類(lèi)獲得更多的重視。由此引入注意力系數(shù)μ改進(jìn)損失函數(shù),使得模型更不易出現(xiàn)錯(cuò)誤分類(lèi)的問(wèn)題。當(dāng)μ>1時(shí),損失函數(shù)的構(gòu)成中第一項(xiàng)占據(jù)的比例將更大,模型的訓(xùn)練過(guò)程將更加重視被錯(cuò)誤分類(lèi)的樣本,從而使得訓(xùn)練出的模型更不易發(fā)生錯(cuò)誤分類(lèi)的問(wèn)題。步驟4)最后,基于XGBoost算法的暫態(tài)穩(wěn)定評(píng)估模型訓(xùn)練成熟之后,可以根據(jù)電網(wǎng)能量管理系統(tǒng)記錄下的電網(wǎng)實(shí)時(shí)運(yùn)行信息
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年度樓頂景觀照明設(shè)施安裝與維護(hù)合同4篇
- 2024版陶瓷產(chǎn)品購(gòu)銷(xiāo)合同范本
- 2025年桶裝水銷(xiāo)售區(qū)域市場(chǎng)調(diào)研與分析合同樣本3篇
- 二零二五年度果樹(shù)租賃與果樹(shù)種植項(xiàng)目投資合同3篇
- 二零二五版?zhèn)}儲(chǔ)搬運(yùn)操作服務(wù)合同2篇
- 二零二五版出租汽車(chē)承包合同車(chē)輛報(bào)廢及更新政策3篇
- 二零二五年度擔(dān)保合同爭(zhēng)議解決與會(huì)計(jì)處理辦法合同3篇
- 2025年度機(jī)械設(shè)備買(mǎi)賣(mài)合同范本3篇
- 2025年度漫畫(huà)連載作品授權(quán)手機(jī)游戲開(kāi)發(fā)合同4篇
- 二零二五南寧市租賃市場(chǎng)租賃合同押金退還協(xié)議
- (二統(tǒng))大理州2025屆高中畢業(yè)生第二次復(fù)習(xí)統(tǒng)一檢測(cè) 物理試卷(含答案)
- 影視作品價(jià)值評(píng)估-洞察分析
- 公司員工出差車(chē)輛免責(zé)協(xié)議書(shū)
- 2023年浙江杭州師范大學(xué)附屬醫(yī)院招聘聘用人員筆試真題
- 江蘇某小區(qū)園林施工組織設(shè)計(jì)方案
- 口腔執(zhí)業(yè)醫(yī)師定期考核試題(資料)帶答案
- 2024人教版高中英語(yǔ)語(yǔ)境記單詞【語(yǔ)境記單詞】新人教版 選擇性必修第2冊(cè)
- 能源管理總結(jié)報(bào)告
- 藥店醫(yī)保政策宣傳與執(zhí)行制度
- 勘察工作質(zhì)量及保證措施
- 體外膜肺氧合(ECMO)并發(fā)癥及護(hù)理
評(píng)論
0/150
提交評(píng)論