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！

龙图腾网获悉南京麦杰软件有限公司申请的专利一种基于多算法优化的机组配置调整方法及系统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：CN119154413B 。

龙图腾网通过国家知识产权局官网在2025-06-17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：202411668098.8，技术领域涉及：H02J3/46；该发明授权一种基于多算法优化的机组配置调整方法及系统是由张金伟;杨华;黄伟韬设计研发完成，并于2024-11-21向国家知识产权局提交的专利申请。

本一种基于多算法优化的机组配置调整方法及系统在说明书摘要公布了：本发明公开了一种基于多算法优化的机组配置调整方法及系统，属于电力系统优化技术领域，其具体包括：获取并预处理机组运行数据，划分工况类别，识别各工况下最优运行参数并建模分析；通过构建机组运行知识图谱，实时匹配历史最优工况参数，结合约束条件设置联合寻优空间；利用预训练机器学习模型与混合优化算法，在寻优空间内获取最优参数组合；调整机组配置，实时监测运行状态，并根据实时反馈优化模型参数；本发明提升了机组运行效率与稳定性，实现了智能化、自适应的机组配置调整。

本发明授权一种基于多算法优化的机组配置调整方法及系统在权利要求书中公布了：1.一种基于多算法优化的机组配置调整方法，其特征在于，包括： 步骤S1：获取机组运行数据，并进行预处理，基于预处理后的机组运行数据，将机组运行状态划分为不同的工况类别； 步骤S2：在每个工况类别中，筛选出最优运行参数组合，生成机组运行最优工况表，并对最优运行参数进行建模分析； 步骤S3：构建机组运行知识图谱，并通过相似性度量策略将实时工况参数值与知识图谱中的节点进行匹配，获得历史最优工况参数，同时，以历史最优工况参数为基准，结合机组运行的约束条件，设置联合寻优空间； 步骤S4：加载预训练后的机器学习模型，同时，将联合寻优空间内的参数组合输入到机器学习模型中，通过混合优化算法，获得最优参数组合； 步骤S5：基于最优参数组合，对机组配置进行调整，并对调整后的机组运行状态进行实时监测，同时，根据实时反馈信息，优化机器学习模型参数； 所述步骤S3的具体步骤包括： S3.1：获取环境参数和历史机组维护记录，结合步骤S2生成的最优工况表及建模结果，生成多源数据集； S3.2：定义知识图谱的实体、关系和属性，利用图神经网络和图嵌入方法，从多源数据集中自动抽取并构建知识图谱的节点和边，形成动态机组运行知识图谱； S3.3：实时采集机组工况参数，通过融合模糊逻辑，结合深度学习算法对实时的机组工况参数与知识图谱中节点进行相似性度量，综合评估实时工况与历史最优工况的相似度； S3.4：根据相似度结果，将对应的机组工况参数作为历史最优工况参数，其中，表示的最大值； S3.5：以历史最优工况参数为基准，结合机组运行的约束条件，构建多目标优化模型； S3.6：使用多目标优化算法对多目标优化模型进行求解，生成多维度的参数调整方案，同时，根据实时工况反馈，动态调整参数波动范围和步长，形成联合寻优空间； 所述S3.2的具体步骤包括： S3.21：定义知识图谱的实体、关系和属性，并获取多源数据集； S3.22：利用自然语言处理方法从多源数据中自动抽取实体，并通过模式匹配方法从多源数据中自动抽取实体之间的关系； S3.23：加载预训练好的图神经网络模型，并利用图神经网络模型学习实体和关系之间的交互和依赖关系； S3.24：通过图嵌入方法将图结构数据中的节点和边映射到低维向量空间中，并根据抽取的实体、关系和图嵌入生成的嵌入向量，构建知识图谱的节点和边； S3.25：根据实时采集的机组工况参数，动态更新知识图谱中的节点和边； 所述S3.3的具体步骤包括： S3.31：利用传感器实时采集机组工况参数，并加载动态机组运行知识图谱； S3.32：将实时采集的机组工况参数与知识图谱中的数据进行融合，获得融合数据，并利用模糊逻辑将融合数据集转换为模糊集合； S3.33：利用神经网络模型对融合后的模糊数据集进行特征提取，并对知识图谱中的节点进行表示学习，将节点转换为向量； 所述S3.3的具体步骤还包括： S3.34：根据神经网络模型的输出结果，结合模糊逻辑处理的结果，对实时工况参数与知识图谱中的节点进行相似性度量，公式为： ； 其中，表示相似性度量，表示维度i上的权重，表示实时工况参数在维度i上的值，表示知识图谱节点在维度i上的值，表示维度i上的非线性变换的指数，q表示调整因子，n表示节点向量的维度； S3.35：根据相似性度量的结果，筛选出与实时工况相似度最高的N个历史工况节点； 若历史最优工况的标识在节点的筛选结果中，则计算实时工况与历史最优工况的相似度； 若历史最优工况的标识不在节点的筛选结果中，则通过比较步骤S3.34中的相似度得分的大小，综合评估实时工况与历史最优工况的相似度； 所述步骤S4中混合优化算法的步骤包括： S4.1：加载预训练后的机器学习模型和步骤S3中的联合寻优空间内的参数范围，并在联合寻优空间内随机生成M个参数组合作为初始评估点； S4.2：将基于机器学习模型的预测性能指标作为目标函数，并使用目标函数对每个初始评估点进行评估，记录评估结果； S4.3：使用步骤S4.2中得到的初始评估点数据和对应的目标函数值训练贝叶斯优化模型，并在每次迭代中，使用贝叶斯优化模型的预测结果计算采集函数； S4.4：根据采集函数的值选择下一个评估点，对选定的评估点进行目标函数的评估，并记录结果，同时，根据新评估结果，更新贝叶斯优化模型； S4.5：设置迭代次数，当达到预设的迭代次数时，停止迭代，并输出在迭代过程中找到的最优参数组合及其对应的目标函数值作为最终优化结果。

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南京麦杰软件有限公司，其通讯地址为：210012 江苏省南京市雨花台区宁双路28号12楼1225-010室；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”。