一种节能电机运行优化分析方法、系统及存储介质与流程

本发明涉及电机控制，具体是一种节能电机运行优化分析方法、系统及存储介质。

背景技术：

1、在当今快速发展的工业自动化和智能家居领域，电机作为不可或缺的动力源泉，其应用范围涵盖了从重型工业机械到家用电器的广泛领域。随着技术进步和环境保护意识的增强，能效成为衡量电机性能的关键指标之一。电机在不同工况下，尤其是面对动态变化的负载条件，其能效表现直接关系到能源的利用效率和运营成本，进而影响到系统的经济性和环境可持续性。

2、传统电机控制策略多基于固定模式或简单的反馈调节机制，这些方法在处理复杂多变的负载需求时显得力不从心。例如，在轻载或变载的情况下，电机往往无法高效转换电能，易造成大量不必要的电能消耗。这种非优化运行方式不仅增加了能源开支，还可能会出现电机过热、寿命缩短等问题，从而限制了系统的整体效能。

3、为了克服上述挑战，近年来，研究者和工程师们致力于探索更为智能和灵活的电机控制解决方案。这些努力聚焦于开发能够实时监测电机工作状态，准确评估负载特性，并据此自动调节电机运行参数（如电压、电流、频率等）的先进技术。目标在于确保电机始终在最佳工作点运行，最大化能效比，同时维持所需的输出性能和稳定性。然而，实现这一目标面临着多重技术障碍，包括但不限于高精度传感器的使用、复杂算法的设计与实时处理能力、以及控制系统与电机硬件的高效集成。因此，目前亟需一种新型的电机运行优化方法，以解决当前难题。

技术实现思路

1、本发明的目的在于提供一种节能电机运行优化分析方法、系统及存储介质，以解决上述背景技术中提出的问题。

2、本发明的技术方案是：一种节能电机运行优化分析方法，所述分析方法包括如下步骤：

3、s1：实时监测电机的负载及运行状态，获取所述电机的监测数据；

4、s2：通过机器学习算法和所述监测数据，建立能耗预测模型，确定不同控制策略下的电机预测能耗；

5、s3：所述电机预测能耗通过优化算法，确定能够实现最大能效比的电机工作参数；

6、s4：根据所述电机工作参数，实时调整所述电机的运行参数，并重复步骤s1-s3。

7、更进一步地讲，获取所述电机的监测数据，具体如下：

8、s1.1：根据所述电机的结构和运行环境，设置多维度传感器；

9、s1.2：对所述多维度传感器获取的数据信息进行抗干扰处理；

10、s1.3：将抗干扰处理后的数据信息，通过时间序列分析，确定数据间的时序依赖关系。

11、更进一步地讲，对所述多维度传感器获取的数据信息进行抗干扰处理，具体如下：

12、s1.2.1：根据所述多维度传感器获取的数据信息，确定每个数据对应的滤波后的数据值，具体为：；

13、其中：为滤波后的信号在当前时刻的值，为衰减因子，为多维度传感器获取的数据，为滤波后信号在前一时刻的值；

14、s1.2.2：重新步骤s1.2.1，不断更新所述滤波后的数据值。

15、更进一步地讲，确定数据间的时序依赖关系，具体如下：

16、s1.3.1：根据所述抗干扰处理后的数据信息，确定ar模型的阶数，所述ar模型具体为：；

17、其中：为时间序列在时间点的值，为自回归系数在时间点的值，为时间序列在时间点的值，为自回归系数在时间点的值，为时间序列在时间点的值，为自回归系数在时间点的值，为时间序列在时间点的值，为白噪声；

18、s1.3.2：通过统计建模工具和所述ar模型的阶数，对所述ar模型的参数进行估计；

19、s1.3.3：通过自相关图，确定出所述ar模型的自回归项的阶数，具体为：

20、；

21、其中：为ar模型的自回归项的第一阶数的自相关系数，为序列长度，为时间序列在时间点的值，为序列的平均值，为时间序列在时间点t-1的值，为时间点；

22、s1.3.4：根据所述ar模型的自回归项的阶数，建立所述ar模型，并通过所述ar模型确定数据间的时序依赖关系。

23、更进一步地讲，建立所述能耗预测模型，具体如下：

24、s2.1：对所述监测数据进行标准化处理；

25、s2.2：选择并训练机器学习模型，确定最终的机器学习模型；

26、s2.3：将标准化处理后的所述监测数据作为最终的机器学习模型的输入，建立所述能耗预测模型。

27、更进一步地讲，对所述监测数据进行标准化处理，具体如下：

28、s2.1.1：通过四分位数范围规则，对所述监测数据进行清洗，具体为：

29、；

30、其中：为四分位距，为上四分位数，为下四分位数；

31、s2.1.2：通过z-score标准化算法，对清洗后的所述监测数据进行标准化处理，具体为：

32、；

33、其中：为标准化后的监测数据，为清洗后的监测数据，为数据集的平均值，为标准差。

34、更进一步地讲，确定最终的所述机器学习模型，具体如下：

35、s2.2.1：根据抗干扰处理后的所述监测数据，选择初级机器学习模型；

36、s2.2.2：通过贝叶斯优化方法，确定出所述初级机器学习模型对应的最佳超参数组合；

37、s2.2.3：将所述最佳超参数组合对应的机器学习模型，通过k折交叉验证方法进行验证，确定出最终的所述机器学习模型。

38、更进一步地讲，确定能够实现最大能效比的电机工作参数，具体如下：

39、s3.1：将待优化参数转化为最大化能效比；

40、s3.2：通过梯度上升公式，获取所述待优化参数对应的梯度向量，所述梯度上升公式具体为：；

41、其中：为待优化参数对应的梯度向量，为一个待优化参数，为另一个待优化参数。

42、一种节能电机运行优化分析系统，所述节能电机运行优化分析系统包括：

43、传感器单元，用于获取电机的监测数据；

44、第一处理单元，用于对所述电机的监测数据进行处理；

45、第二处理单元，用于根据处理后的电机监测数据，获取能够实现最大能效比的电机工作参数；

46、执行单元，用于根据能够实现最大能效比的电机工作参数，实时调整所述电机的运行参数。

47、一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述的方法。

48、本发明通过改进在此提供一种节能电机运行优化分析方法、系统及存储介质，与现有技术相比，具有如下改进及优点：

49、其一：本发明通过设置多维度传感器并进行抗干扰处理，确保了监测数据的高精度和可靠性，同时采用ar模型确定数据间的时序依赖关系，可以提高对电机运行状态的动态变化预测精度，从而有助于更精确地预测电机能耗趋势；

50、其二：本发明通过标准化处理和数据清洗，确保了机器学习模型训练的准确性，提高了模型的泛化能力和预测效果，同时通过机器学习与贝叶斯优化，实现了对电机控制策略的智能化选择和超参数优化，从而确保了能耗预测模型的高效性和准确性，进一步提升了电机能效比；

51、其三：本发明通过梯度上升优化算法，自动寻找并调整电机工作参数至最大能效比点，显著降低了非满载状态下的电能浪费，提高了能源利用效率。