一种BIM驱动的设备全生命周期智能管控方法及系统

    公开(公告)号:CN119577891A

    公开(公告)日:2025-03-07

    申请号:CN202411618767.0

    申请日:2024-11-13

    Abstract: 本发明属于设备管控技术领域,提供了一种BIM驱动的设备全生命周期智能管控方法及系统,根据设备在全生命周期内每个时间段内的数据变化,对所述BIM模型进行更新,以及对BIM模型进行轻量化处理;具体的,进行轻量化处理时,通过减少BIM模型中重复结构及预选局部结构中的三角网格数量,删除设备模型中预设类型的属性信息,以及按照设备所处时间段的不同动态调整设备模型的精度;考虑了BIM模型中结构的重复性、重要性,以及按照设备在不同时间段内的动态精度调整,避免了轻量化处理导致设备数据分析时不全面的问题,在保证数据处理精度的基础上,降低了对存储能力、数据传输能力和性能的要求,促进了BIM模型在设备全生命周期管控中的应用。

    一种基于人工智能的配网负荷预测模型

    公开(公告)号:CN119231512A

    公开(公告)日:2024-12-31

    申请号:CN202411366974.1

    申请日:2024-09-29

    Abstract: 本发明属于电力系统技术领域,尤其涉及一种基于人工智能的配网负荷预测模型,包括DM‑LSTM神经网络模型,所述DM‑LSTM神经网络模型对于配网负荷预测的方法包括以下步骤:S1:首先进行原始数据的收集,包括历史发电量、天气数据、季节信息、地理位置参数以及设备性能指标;S2:搭建Deep MLP深度网络编码器,将所收集的原始数据输入后进行数据信息的初始化和归一化处理;S3:搭建Spat iotempora l LSTM模型;S4:对Deep MLP深度网络编码器的输出和Spat iotempora l LSTM模型的输出进行融合,获得混合权重而降低预测差异;S5:在Spat iotempora l LSTM模型的末端搭建一个Softmax层。本发明综合考虑了静态和动态因素,提供更多的背景信息、时间序列建模能力和动态模式识别能力,有效降低预测误差,提高预测的准确性和可靠性。

Patent Agency Ranking