考虑季节变化对负荷特征影响的电力系统短期负荷预测

随着微电网用电设备的复杂化,产生的环保、经济效益问题日益突出,电力负荷的短期预测对于区域的精细化调度至关重要。当前的负荷预测方法缺乏对不同区域季节性变化因素的表征,导致预测精度较低。提出了一种基于改进的自适应噪声完备集合经验模态分解一霜冰优化算法——双向循环神经网络(ICEEMDAN-RIME-BiGRU)考虑季节差异的短期负荷预测方法。首先,采用ICEEMDAN方法对四季的电力负荷进行分解;其次,结合RIME算法的软霜搜索策略、硬霜穿刺机制和正向贪婪选择机制,分别学习不同季节下电力负荷的分量特征,实现对BiGRU模型的参数寻优,并将特征分量输入网络模型,所得结果相加得到时间序列预测值;最后,以某地区微电网的负荷数据为例进行算例分析。结果显示,所提出的方法相较于其他3种典型相关预测方法,对于区域季节性差异对负荷的影响具有显著的表征能力,可以提升负荷预测精度。

建筑结构火灾下倒塌应急监测技术研究

建筑火灾已经成为威胁城市公众安全的主要灾害之一。为了保护消防救援人员的人身安全,综合运用红外热成像、测量机器人和近景摄影测量等技术构建了一种建筑结构火灾下倒塌应急监测方法,对火灾下建筑的温度场和形变场进行监测,辅助开展建筑倒塌风险分析。该方法采用红外热成像技术获取建筑火灾的温度场数据;利用测量机器人和近景摄影测量技术分别获取关键点位高精度形变数据和多方位立体形变数据;建立了雾凇优化算法(Rime Optimization Algorithm,RIME)与极限学习机(Extreme Learning Machine,ELM)相结合的协同校正模型RIME-ELM,利用关键点位高精度形变数据对近景摄影测量的监测结果进行校正,提高立体形变监测数据的精度。为了验证该方法的有效性,搭建建筑结构实体模型,模拟开展火灾应急监测。结果表明,该方法所获取的火场温度和形变数据符合建筑火灾一般规律,利用RIME-ELM模型所获取的形变校正结果与ELM模型相比,平均相对误差明显降低。这验证了该方法的有效性和可行性,能够为消防应急救援提供全面、可靠的数据支撑。