装配式建筑自上而下设计信息协同与模型构建

为顺应国家建筑产业化、智能化发展的政策引导,针对当前装配式建筑专业信息缺乏关联、模 型利用不充分、数据传递效率低下等问题,提出基于建筑信息模型(BIM)技术的自上而下设计方法。以装配式 建筑的设计阶段为切入点,详细阐述了基于 BIM 技术的装配式建筑自上而下设计流程。结合装配式建筑的标 准化构件设计和组装特点,提出一种基于自上而下设计的装配模型,并从层级和专业 2 个角度描述了模型的架 构。针对各专业模型传递时的数据信息标准化、一致性问题,通过工业基础类(IFC)标准对装配模型进行实体和 属性集的扩展,提出基于 IFC 标准的各专业、各阶段的自上而下设计信息协同。经实例验证了 IFC 扩展装配模 型的自上而下设计可行性,为装配式建筑的协同设计提供了有益的方法借鉴。     

基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术

电力系统负荷预测实质是对电力市场需求的预测,短期电力负荷预测是电力部门的重要工作之一。目前主要的负荷预测方法有传统预测、灰色预测、混沌理论预测、智能技术预测、优选组合预测等,其中智能预测中最典型的就是人工神经网络。人工神经网络是一个极其复杂的非线性动力学系统。它的自学习功能对预测有着重要的意义,能通过学习历史负荷数据来反映出输入变量和输出变量之间的非线性关系。由于很多因素都会对电力负荷造成影响,因此可以把神经网络算法引用到负荷预测中,提高电力负荷的预测精度。基于宁夏电网短期电力负荷预测的实际需求,提出了一种基于Attention机制优化CNN-GRU混合神经网络的短期负荷预测技术。该技术通过引入Attention机制对CNN-GRU模型进行改进,有效提升了预测精度和可解释性。在宁夏电网实际数据集上进行的仿真实验表明所提出的模型具有较高的预测准确性和可靠性。