Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
专利交易 商标交易 积分商城 国际服务 IP管家助手 科技果 科技人才 会员权益 需求市场 关于龙图腾 更多
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 大连理工大学冷述栋获国家专利权

大连理工大学冷述栋获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉大连理工大学申请的专利漂浮式风-光-浪多能耦合平台的主尺度优化方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN121723725B

龙图腾网通过国家知识产权局官网在2026-04-28发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202610221729.4,技术领域涉及:G06F30/20;该发明授权漂浮式风-光-浪多能耦合平台的主尺度优化方法是由冷述栋;施伟;吴际;赵海盛;曹林阳;云露;滕怀钰;梁育玮;李昕;刘瑜设计研发完成,并于2026-02-25向国家知识产权局提交的专利申请。

漂浮式风-光-浪多能耦合平台的主尺度优化方法在说明书摘要公布了:漂浮式风‑光‑浪多能耦合平台的主尺度优化方法,属于海上漂浮式风电平台优化领域,用于解决现有优化方法忽略波浪能装置以及光伏装置对稳性的影响,要点是在参数空间中生成初始种群,任一个体e对应平台的一主尺度参数d;其中,主尺度参数d包括浮式基础参数、光伏板参数、波浪能装置参数;根据各目标子群的平均目标函数的梯度及资源交换矩阵,以及自适应惩罚函数梯度,基于个体e所属目标子群对任一个体e执行对应的变异操作以生成与个体e的主尺度参数d对应的主尺度参数d′;其中,个体e属于不同目标子群,对其执行变异操作所使用的资源交换矩阵中的元素以及目标子群的平均目标函数的梯度不同。

本发明授权漂浮式风-光-浪多能耦合平台的主尺度优化方法在权利要求书中公布了:1.一种漂浮式风-光-浪多能耦合平台的主尺度优化方法,其特征在于,包括 S1.在参数空间中生成初始种群,初始种群包括N个个体e,任一个体e对应平台的一主尺度参数d;其中,主尺度参数d包括浮式基础参数、光伏板参数、波浪能装置参数; S2.使用控制函数体系计算当前种群中的任一个体e的主尺度参数d的中间参数; S3.根据中间参数,通过液态神经网络LNN,计算任一个体e的主尺度参数d的目标函数的值、目标函数的梯度、约束的函数值以及约束函数的梯度; 其中,目标函数包括经济目标函数、能源效率目标函数及运动性能目标函数,约束包括运动性能约束、能源效率约束、稳性约束及非负约束; S4.根据当前迭代次数t、任一个体e的主尺度参数d对每个约束的违反量,计算任一个体e的主尺度参数d的自适应惩罚函数以及自适应惩罚函数梯度,其中,约束的违反量根据约束的函数值计算; S5.根据个体e的主尺度参数d的目标函数、及的值,对任一个体e分配目标子群,目标子群包括生产者子群、转换者子群以及稳定者子群; S6.根据目标子群中各个体e的主尺度参数d的目标函数的梯度,计算各目标子群的平均目标函数的梯度,其中,目标子群的平均目标函数的梯度包括生产者子群的平均目标函数的梯度,转换者子群的平均目标函数的梯度,稳定者子群的平均目标函数的梯度;基于各目标子群的平均目标函数的梯度计算资源交换矩阵R; S7.基于各目标子群的平均目标函数的梯度及资源交换矩阵,以及自适应惩罚函数梯度,根据个体e所属目标子群对任一个体e执行对应的变异操作以生成与个体e的主尺度参数d对应的主尺度参数d′;其中,个体e属于不同目标子群,对其执行变异操作所使用的资源交换矩阵中的元素以及目标子群的平均目标函数的梯度不同; S8.使用控制函数体系计算任一个体e的主尺度参数d′的中间参数; S9.根据中间参数,通过液态神经网络LNN,计算任一个体e的主尺度参数d′的目标函数值、目标函数的梯度、约束的函数值以及约束函数的梯度; 根据当前迭代次数t、任一个体e的主尺度参数d′对每个约束的违反量,计算任一个体e的主尺度参数d′的自适应惩罚函数; S10.对种群更新与选择,包括 将主尺度参数为d的个体e以及主尺度参数为d′的个体e合并以得到合并种群,将合并种群中的主尺度参数表示为d; 根据合并种群中个体e的主尺度参数d的目标函数、及,以及自适应惩罚函数,计算合并种群的任一个体e的主尺度参数d的修正目标函数值; 根据修正目标函数值,对合并种群中个体e进行Pareto排序,以及计算同一Pareto层级的个体间的拥挤距离; 按照Pareto层级从高到低,以及同一Pareto层级内挤距离从大到小对个体e进行排序,选择合并种群中排序为前N的个体e组成下一代种群,将下一代种群作为当前种群; S11.迭代执行步骤S2-S10,直至满足以下任一收敛条件: 1连续若干代,Pareto最优解集对应的HV指标相对变化率小于阈值,其中HV指标是Pareto前沿和一个设定的参考点所围成的超立方体的体积; 2达到预设的最大迭代次数T_max; 当满足收敛条件时,输出当前种群中的Pareto最优解集,Pareto最优解集为平台的主尺度参数的优化结果。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人大连理工大学,其通讯地址为:116024 辽宁省大连市甘井子区凌工路2号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。