本發(fā)明涉及人工智能技術，尤其涉及基于人工智能的永磁電機能效優(yōu)化與節(jié)能控制方法及系統(tǒng)。

背景技術：

1、永磁電機因其高效率、高功率密度和良好的動態(tài)性能而在工業(yè)和交通領域得到廣泛應用。隨著能源效率和環(huán)保要求的不斷提高，對永磁電機的能效優(yōu)化和節(jié)能控制提出了更高的要求。傳統(tǒng)的永磁電機控制方法主要依賴于固定的數(shù)學模型和經驗參數(shù)，難以適應復雜多變的運行環(huán)境和負載條件。

2、近年來，隨著人工智能技術的快速發(fā)展，基于機器學習和深度學習的智能控制方法為永磁電機的能效優(yōu)化提供了新的思路和手段。然而，現(xiàn)有的智能控制方法仍存在一些局限性和不足之處。

3、首先，現(xiàn)有的永磁電機建模方法往往只考慮單一物理場，難以全面反映電機在實際運行過程中的復雜電磁、熱力和機械耦合效應，導致控制精度和可靠性受到限制。

4、其次，傳統(tǒng)的強化學習算法在處理永磁電機這類具有連續(xù)狀態(tài)和動作空間的復雜控制問題時，常常面臨收斂速度慢、樣本利用效率低的問題，難以實現(xiàn)快速、精確的實時控制。

5、最后，現(xiàn)有的永磁電機矢量控制方法通常采用固定增益的p?i控制器，難以適應電機參數(shù)變化和外部擾動，特別是在弱磁控制區(qū)域，難以實現(xiàn)磁鏈的精確跟蹤和控制，影響電機的整體性能和效率。

技術實現(xiàn)思路

1、本發(fā)明實施例提供基于人工智能的永磁電機能效優(yōu)化與節(jié)能控制方法及系統(tǒng)，能夠解決現(xiàn)有技術中的問題。

2、本發(fā)明實施例的第一方面，

3、提供基于人工智能的永磁電機能效優(yōu)化與節(jié)能控制方法，包括：

4、采用多維傳感器陣列采集永磁電機運行過程中的實時運行數(shù)據(jù)，基于互信息熵準則對所述實時運行數(shù)據(jù)進行特征提取與降維處理，得到永磁電機的電機特征參數(shù)；構建包含電磁場分布、熱場分布、應力場分布的多物理場耦合模型；將所述電機特征參數(shù)與所述多物理場耦合模型進行動態(tài)映射匹配，建立具有自適應特征融合能力的永磁電機數(shù)字孿生模型；

5、基于所述永磁電機數(shù)字孿生模型構建雙層深度強化學習神經網絡，所述雙層深度強化學習神經網絡包括高層策略網絡和低層執(zhí)行網絡；所述高層策略網絡采用長短時記憶網絡結構，用于生成永磁電機的全局優(yōu)化目標；所述低層執(zhí)行網絡采用深度確定性策略梯度算法，將所述全局優(yōu)化目標分解為多個子目標；針對每個子目標構建獎勵函數(shù)，所述獎勵函數(shù)包含能效指標、動態(tài)響應指標和穩(wěn)定性指標；采用優(yōu)先級經驗回放機制對所述雙層深度強化學習神經網絡進行訓練，得到最優(yōu)磁鏈控制策略和最優(yōu)轉矩控制策略；基于所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略，采用自適應粒子群算法對控制參數(shù)進行多目標尋優(yōu)；

6、將優(yōu)化后的控制參數(shù)輸入具有模型預測功能的永磁電機矢量控制器；所述永磁電機矢量控制器基于滑模變結構控制原理，構建包含轉矩環(huán)、磁鏈環(huán)和電流環(huán)的三閉環(huán)控制結構；實時計算永磁電機的磁鏈觀測值與給定值的偏差，采用自適應模糊神經網絡對d軸電流進行實時補償。

7、構建包含電磁場分布、熱場分布、應力場分布的多物理場耦合模型；將所述電機特征參數(shù)與所述多物理場耦合模型進行動態(tài)映射匹配，建立具有自適應特征融合能力的永磁電機數(shù)字孿生模型包括：

8、將所述電機特征參數(shù)中的定子電流和轉子位置輸入麥克斯韋方程組，采用有限元法將計算域劃分為多個網格單元，通過newton-raphson迭代求解所述網格單元的磁通密度；基于所述磁通密度計算各網格單元的渦流損耗和磁滯損耗，得到電磁損耗分布；

9、將所述電磁損耗分布與所述電機特征參數(shù)中的溫度信號相結合，建立熱傳導方程；求解所述熱傳導方程得到各網格單元的瞬時溫度分布；基于所述瞬時溫度分布通過熱膨脹系數(shù)計算各網格單元的熱應力分布；

10、將所述磁通密度產生的電磁力與所述熱應力分布疊加，結合所述電機特征參數(shù)中的振動信號，建立應力平衡方程；求解所述應力平衡方程得到各網格單元的應力分布，所述應力分布包括徑向應力和切向應力；

11、構建二階多項式全局趨勢函數(shù)和高斯核局部偏差函數(shù)，將所述電機特征參數(shù)作為輸入變量，將所述磁通密度、所述瞬時溫度分布和所述應力分布作為輸出變量，通過動態(tài)映射匹配建立具有自適應特征融合能力的永磁電機數(shù)字孿生模型。

12、基于所述永磁電機數(shù)字孿生模型構建雙層深度強化學習神經網絡，所述雙層深度強化學習神經網絡包括高層策略網絡和低層執(zhí)行網絡；所述高層策略網絡采用長短時記憶網絡結構，用于生成永磁電機的全局優(yōu)化目標；所述低層執(zhí)行網絡采用深度確定性策略梯度算法，將所述全局優(yōu)化目標分解為多個子目標包括：

13、基于所述永磁電機數(shù)字孿生模型構建雙層深度強化學習神經網絡，所述雙層深度強化學習神經網絡包括高層策略網絡和低層執(zhí)行網絡；將所述永磁電機數(shù)字孿生模型的所述磁通密度、所述瞬時溫度分布和所述應力分布作為狀態(tài)輸入信號；基于所述狀態(tài)輸入信號對所述高層策略網絡和所述低層執(zhí)行網絡進行預訓練，得到網絡初始參數(shù)；

14、采用長短時記憶網絡構建所述高層策略網絡，所述高層策略網絡包括輸入門單元、遺忘門單元和輸出門單元；所述輸入門單元基于當前時刻狀態(tài)輸入信號和前一時刻隱層狀態(tài)計算輸入重要度，所述遺忘門單元基于前一時刻記憶單元狀態(tài)計算歷史信息保留比例，所述輸出門單元基于更新后的記憶單元狀態(tài)計算輸出選擇比例；將計算得到的所述輸入重要度、所述歷史信息保留比例和所述輸出選擇比例輸入價值函數(shù)，生成永磁電機的全局優(yōu)化目標；

15、采用深度確定性策略梯度算法構建所述低層執(zhí)行網絡，將所述全局優(yōu)化目標分解為電磁優(yōu)化子目標、熱管理子目標和振動控制子目標。

16、針對每個子目標構建獎勵函數(shù)，所述獎勵函數(shù)包含能效指標、動態(tài)響應指標和穩(wěn)定性指標；采用優(yōu)先級經驗回放機制對所述雙層深度強化學習神經網絡進行訓練，得到最優(yōu)磁鏈控制策略和最優(yōu)轉矩控制策略包括：

17、針對所述電磁優(yōu)化子目標、所述熱管理子目標和所述振動控制子目標構建多目標獎勵函數(shù)；所述多目標獎勵函數(shù)包含能效指標獎勵項、動態(tài)響應指標獎勵項和穩(wěn)定性指標獎勵項；所述能效指標獎勵項由電機效率參數(shù)和功率因數(shù)參數(shù)的加權和構成；所述動態(tài)響應指標獎勵項由定子溫升參數(shù)與最大允許定子溫升的比值、轉子溫升參數(shù)與最大允許轉子溫升的比值的加權和構成；所述穩(wěn)定性指標獎勵項由轉矩脈動系數(shù)與參考轉矩脈動系數(shù)的比值、徑向力波動系數(shù)與參考徑向力波動系數(shù)的比值的加權和構成；

18、基于所述多目標獎勵函數(shù)對應的獎勵值構建經驗轉換元組，所述經驗轉換元組包含當前狀態(tài)參數(shù)、所述獎勵值和下一狀態(tài)參數(shù)；將所述經驗轉換元組存入經驗轉換元組存儲庫；基于所述當前狀態(tài)參數(shù)、所述獎勵值和所述下一狀態(tài)參數(shù)計算時序差分誤差；根據(jù)所述時序差分誤差的絕對值與預設偏置參數(shù)的和值確定所述經驗轉換元組的優(yōu)先級參數(shù)；

19、根據(jù)所述優(yōu)先級參數(shù)計算所述經驗轉換元組的采樣概率，所述采樣概率與所述優(yōu)先級參數(shù)的冪次項成正比；基于所述采樣概率從所述經驗轉換元組存儲庫中抽取訓練樣本；根據(jù)所述訓練樣本在所述經驗轉換元組存儲庫中的采樣概率計算重要性采樣權重，所述重要性采樣權重與所述采樣概率的冪次項成反比；

20、將所述訓練樣本和所述重要性采樣權重輸入雙層深度強化學習神經網絡；所述雙層深度強化學習神經網絡的高層策略網絡基于所述訓練樣本生成全局優(yōu)化目標；基于所述全局優(yōu)化目標構建磁鏈和轉矩的狀態(tài)空間模型，通過強化學習算法對所述磁鏈和所述轉矩的控制參數(shù)進行優(yōu)化，得到優(yōu)化后的控制參數(shù)，基于所述優(yōu)化后的控制參數(shù)將所述全局優(yōu)化目標分解成最優(yōu)磁鏈控制策略和最優(yōu)轉矩控制策略。

21、基于所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略，采用自適應粒子群算法對控制參數(shù)進行多目標尋優(yōu)包括：

22、接收所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略的控制參數(shù)；基于所述控制參數(shù)構建四維目標優(yōu)化函數(shù)，所述四維目標優(yōu)化函數(shù)包括磁鏈波動系數(shù)、轉矩脈動系數(shù)、損耗系數(shù)和溫升率系數(shù)；

23、將所述控制參數(shù)編碼為粒子位置向量，基于所述四維目標優(yōu)化函數(shù)構建多目標尋優(yōu)空間；對所述多目標尋優(yōu)空間進行初始采樣，獲取初始粒子群的位置分布；計算初始粒子群的適應度值，基于所述適應度值確定初始非支配解集；

24、計算所述初始粒子群的種群多樣性指標，所述種群多樣性指標由所有粒子到群體質心的歐式距離平均值確定；計算所述初始粒子群的適應度變化率指標，所述適應度變化率指標由相鄰兩次迭代的最優(yōu)適應度值變化量與當前適應度值的比值確定；

25、將所述種群多樣性指標和所述適應度變化率指標輸入模糊自適應系統(tǒng)；所述模糊自適應系統(tǒng)基于預設的模糊規(guī)則動態(tài)調整粒子群算法的慣性權重系數(shù)和學習因子系數(shù)；將調整后的所述慣性權重系數(shù)和所述學習因子系數(shù)代入粒子速度更新方程；

26、基于更新后的粒子速度計算新的粒子位置；將所述新的粒子位置解碼為控制參數(shù)；將解碼后的所述控制參數(shù)輸入所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略；基于所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略的輸出響應計算新的四維目標優(yōu)化函數(shù)值；

27、對所有粒子進行非支配排序，確定每個粒子的非支配等級；在相同非支配等級內計算粒子的擁擠度距離；所述擁擠度距離用于衡量四維目標優(yōu)化函數(shù)的空間中解的分布密集程度；基于所述非支配等級和所述擁擠度距離更新精英檔案集；

28、判斷所述精英檔案集是否超出預設容量；當所述精英檔案集超出預設容量時，基于所述擁擠度距離刪除最擁擠區(qū)域的解；保留非支配等級高于預設等級閾值且所述擁擠度距離大于預設距離的解；

29、重復執(zhí)行模糊自適應調整、粒子群更新和精英檔案集維護過程，直至達到預設迭代次數(shù)或收斂條件；從所述精英檔案集中提取帕累托最優(yōu)解集；將所述帕累托最優(yōu)解集中的最優(yōu)控制參數(shù)應用于所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略，實現(xiàn)永磁電機控制參數(shù)的多目標尋優(yōu)。

30、將優(yōu)化后的控制參數(shù)輸入具有模型預測功能的永磁電機矢量控制器；所述永磁電機矢量控制器基于滑模變結構控制原理，構建包含轉矩環(huán)、磁鏈環(huán)和電流環(huán)的三閉環(huán)控制結構；實時計算永磁電機的磁鏈觀測值與給定值的偏差，采用自適應模糊神經網絡對d軸電流進行實時補償包括：

31、將優(yōu)化后的控制參數(shù)輸入具有模型預測功能的永磁電機矢量控制器；所述永磁電機矢量控制器基于滑模變結構控制原理，構建包含轉矩環(huán)、磁鏈環(huán)和電流環(huán)的三閉環(huán)控制結構；所述三閉環(huán)控制結構通過協(xié)調控制實現(xiàn)系統(tǒng)的穩(wěn)定運行和動態(tài)響應性能；在控制過程中實時計算永磁電機的磁鏈觀測值與磁鏈給定值的偏差，采用自適應模糊神經網絡對d軸電流進行實時補償，提高系統(tǒng)的控制精度；

32、實時采集永磁電機的定子電流和轉子位置信號；根據(jù)所述定子電流和所述轉子位置信號計算所述磁鏈觀測值；將所述磁鏈觀測值與所述磁鏈給定值進行比較得到磁鏈偏差；基于所述磁鏈偏差計算磁鏈偏差變化率；構建具有在線學習能力的自適應模糊神經網絡，所述自適應模糊神經網絡的輸入為所述磁鏈偏差和所述磁鏈偏差變化率；所述自適應模糊神經網絡能夠根據(jù)系統(tǒng)運行狀態(tài)自適應調整網絡參數(shù)；

33、在所述自適應模糊神經網絡中，采用高斯函數(shù)對輸入變量進行模糊化處理，實現(xiàn)所述輸入變量的隸屬度計算；基于曼德尼推理機制執(zhí)行模糊規(guī)則匹配，建立系統(tǒng)的模糊控制規(guī)則庫；通過對所述模糊控制規(guī)則庫的實時匹配獲取d軸電流補償量；將所述d軸電流補償量與原始d軸電流給定值疊加，得到補償后的d軸電流給定值。

34、本發(fā)明實施例的第二方面，

35、提供基于人工智能的永磁電機能效優(yōu)化與節(jié)能控制系統(tǒng)，包括：

36、第一單元，用于采用多維傳感器陣列采集永磁電機運行過程中的實時運行數(shù)據(jù)，基于互信息熵準則對所述實時運行數(shù)據(jù)進行特征提取與降維處理，得到永磁電機的電機特征參數(shù)；構建包含電磁場分布、熱場分布、應力場分布的多物理場耦合模型；將所述電機特征參數(shù)與所述多物理場耦合模型進行動態(tài)映射匹配，建立具有自適應特征融合能力的永磁電機數(shù)字孿生模型；

37、第二單元，用于基于所述永磁電機數(shù)字孿生模型構建雙層深度強化學習神經網絡，所述雙層深度強化學習神經網絡包括高層策略網絡和低層執(zhí)行網絡；所述高層策略網絡采用長短時記憶網絡結構，用于生成永磁電機的全局優(yōu)化目標；所述低層執(zhí)行網絡采用深度確定性策略梯度算法，將所述全局優(yōu)化目標分解為多個子目標；針對每個子目標構建獎勵函數(shù)，所述獎勵函數(shù)包含能效指標、動態(tài)響應指標和穩(wěn)定性指標；采用優(yōu)先級經驗回放機制對所述雙層深度強化學習神經網絡進行訓練，得到最優(yōu)磁鏈控制策略和最優(yōu)轉矩控制策略；基于所述最優(yōu)磁鏈控制策略和所述最優(yōu)轉矩控制策略，采用自適應粒子群算法對控制參數(shù)進行多目標尋優(yōu)；

38、第三單元，用于將優(yōu)化后的控制參數(shù)輸入具有模型預測功能的永磁電機矢量控制器；所述永磁電機矢量控制器基于滑模變結構控制原理，構建包含轉矩環(huán)、磁鏈環(huán)和電流環(huán)的三閉環(huán)控制結構；實時計算永磁電機的磁鏈觀測值與給定值的偏差，采用自適應模糊神經網絡對d軸電流進行實時補償。

39、本發(fā)明實施例的第三方面，

40、提供一種電子設備，包括：

41、處理器；

42、用于存儲處理器可執(zhí)行指令的存儲器；

43、其中，所述處理器被配置為調用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。

44、本發(fā)明實施例的第四方面，

45、提供一種計算機可讀存儲介質，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

46、本技術的有益效果如下：

47、通過采用多維傳感器陣列采集永磁電機運行數(shù)據(jù)，結合互信息熵準則進行特征提取與降維處理，構建多物理場耦合模型，并建立具有自適應特征融合能力的數(shù)字孿生模型。這種方法能夠全面準確地反映永磁電機的運行狀態(tài)，為后續(xù)的優(yōu)化控制提供可靠的數(shù)據(jù)基礎和模型支持，從而提高控制策略的精確性和適應性。

48、采用雙層深度強化學習神經網絡，結合長短時記憶網絡和深度確定性策略梯度算法，實現(xiàn)了全局優(yōu)化目標的生成和分解。通過構建包含能效、動態(tài)響應和穩(wěn)定性指標的獎勵函數(shù)，并使用優(yōu)先級經驗回放機制進行訓練，得到最優(yōu)的磁鏈和轉矩控制策略。這種方法能夠有效平衡永磁電機的多個性能指標，實現(xiàn)全局最優(yōu)控制，顯著提升電機的綜合性能。

49、將優(yōu)化后的控制參數(shù)應用于具有模型預測功能的矢量控制器，采用三閉環(huán)控制結構和滑模變結構控制原理，并引入自適應模糊神經網絡對電流進行實時補償。這種控制方法能夠有效提高永磁電機的控制精度和動態(tài)響應能力，同時增強系統(tǒng)的魯棒性和抗干擾能力，最終實現(xiàn)永磁電機的高效節(jié)能運行。