ODBIERZ TWÓJ BONUS :: »

Dobór nastawień zabezpieczeń sieci średnich napięć - przykłady obliczeniowe Adam Smolarczyk

Dobór nastawień zabezpieczeń sieci średnich napięć - przykłady obliczeniowe Adam Smolarczyk - okladka książki

Dobór nastawień zabezpieczeń sieci średnich napięć - przykłady obliczeniowe Adam Smolarczyk - okladka książki

Autor:
Adam Smolarczyk
Ocena:
Bądź pierwszym, który oceni tę książkę
Stron:
146
Dostępny format:
     PDF

Ebook 22,35 zł najniższa cena z 30 dni

28,00 zł (-15%)
23,90 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

22,35 zł najniższa cena z 30 dni

Poleć tę książkę znajomemu Poleć tę książkę znajomemu!!

Przenieś na półkę

Do przechowalni

Prezent last minute w ebookpoint.pl

W skrypcie, oprócz doboru nastaw zabezpieczeń przedstawione zostały podstawowe obliczenia zwarciowe, które są stosunkowo proste i z tego powodu często pomijane w literaturze dotyczącej doboru nastawień zabezpieczeń. Przedstawiono w nim przykłady obliczeniowe doboru nastawień zabezpieczeń od skutków zwarć wielko- i małoprądowych w sieciach średniego napięcia. Opracowanie może być uzupełnieniem podstawowej literatury dotyczącej elektroenergetycznej automatyki zabezpieczeniowej (EAZ). Błędne obliczenia zwarciowe często są jednak przyczyną błędnego nastawiania zabezpieczeń. Podstawy teoretyczne dotyczące stosowanych zestawów zabezpieczeń elementów SEE oraz sposobu ich nastawiania zostały pominięte lub ograniczone do minimum i można je znaleźć w załączonej do skryptu bibliografii.

Wybrane bestsellery

Oficyna Wydawnicza Politechniki Warszawskiej - inne książki

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Ebook
23,90 zł
Dodaj do koszyka
Sposób płatności
Zabrania się wykorzystania treści strony do celów eksploracji tekstu i danych (TDM), w tym eksploracji w celu szkolenia technologii AI i innych systemów uczenia maszynowego. It is forbidden to use the content of the site for text and data mining (TDM), including mining for training AI technologies and other machine learning systems.