【亲测免费】 IEC-61850标准中文完整版下载
资源介绍
本仓库提供了一个名为 IEC-61850标准[中文完整版].rar 的资源文件下载。该文件包含了 IEC 61850 标准的完整中文版本,涵盖了多个部分的内容,具体如下:
-
DL/T 860.1-2004 (IEC 61850-1)
变电站通信网络和系统 第1部分: 介绍和概述 -
DL/T 860.2 (IEC 61850-2)
变电站通信网络和系统 第2部分: 术语 -
DL/T 860.3-2004 (IEC 61850-3)
变电站通信网络和系统 第3部分: 总体要求 -
DL/T 860.4-2004 (IEC 61850-4)
变电站通信网络和系统 第4部分: 系统和项目管理 -
DL/T 860.5 (IEC 61850-5)
变电站通信网络和系统 第5部分: 功能通信要求和装置模型 -
DL/T 860.6 (IEC 61850-6)
变电站通信网络和系统 第6部分: 与变电站有关的IED的通信配置描述语言 -
DL/T 860.71 (IEC 61850-7-1)
变电站通信网络和系统 第7-1部分: 变电站和馈线设备的基本通信结构 原理和模型 -
DL/T 860.72-2004 (IEC 61850-7-2)
变电站通信网络和系统 第7-2部分: 变电站和线路(馈线)设备的基本通信结构 抽象通信服务接口(ACSI) -
DL/T 860.73-2004 (IEC 61850-7-3)
变电站通信网络和系统 第7-3部分: 变电站和馈线设备的基本通信结构 公用数据类 -
DL/T 860.74 (IEC 61850-7-4)
变电站通信网络和系统 第7-4部分: 变电站和馈线设备基本通信结构 兼容逻辑节点类和数据类 -
DL/T 860.81 (IEC 61870-8-1)
变电站通信网络和系统 第8-1部分: 特定通信服务映射 (SCSM) 映射到制造报文规范 MMS(ISO 9506-1 和 ISO 9506-2)和 ISO8802-3 的映射 -
DL/T 860.91 (IEC 61850-9-1)
变电站通信网络和系统 第9-1部分: 特定通信服务映射(SCSM) 通过单向多路点对点串行通信链路的采样值 -
DL/T 860.92 (IEC 61850-9-2)
变电站通信网络和系统 第9-2部分: 特定通信服务映射(SCSM) 通过ISO/IEC 8802-3 的采样值 -
DL/T 860.10 (IEC 61850-10)
变电站通信网络和系统 第10部分: 一致性测试
使用说明
- 下载
IEC-61850标准[中文完整版].rar文件。 - 解压缩文件以获取完整的 IEC 61850 标准中文文档。
- 根据需要查阅相关部分的内容。
注意事项
- 该资源仅供学习和研究使用,请勿用于商业用途。
- 如有任何问题或建议,欢迎在仓库中提出。
希望这份资源能够帮助您更好地理解和应用 IEC 61850 标准。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0199
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07