CN116683822B - 一种动态负载跟踪变频器节能控制方法及系统 - Google Patents
一种动态负载跟踪变频器节能控制方法及系统 Download PDFInfo
- Publication number
- CN116683822B CN116683822B CN202310973669.8A CN202310973669A CN116683822B CN 116683822 B CN116683822 B CN 116683822B CN 202310973669 A CN202310973669 A CN 202310973669A CN 116683822 B CN116683822 B CN 116683822B
- Authority
- CN
- China
- Prior art keywords
- current
- motor
- machine learning
- learning model
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 118
- 238000010801 machine learning Methods 0.000 claims abstract description 102
- 230000032683 aging Effects 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims description 86
- 238000009413 insulation Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0077—Characterised by the use of a particular software algorithm
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P27/00—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage
- H02P27/04—Arrangements or methods for the control of AC motors characterised by the kind of supply voltage using variable-frequency supply voltage, e.g. inverter or converter supply voltage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Control Of Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种动态负载跟踪变频器节能控制方法及系统，涉及变频器节能技术领域，通过在测试环境中预先收集若干组电流预测训练数据，使用电流预测训练数据训练计算电流值的第一机器学习模型，将第一机器学习模型载入待控制电动机的控制后台，待控制电动机的控制后台实时获取电动机的老化程度因素数据以及实时负载率，获得实时的输入电压电流训练数据，待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型，基于第二机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压；降低了电动机的空载率，实现智能节能效果。
Description
技术领域
本发明涉及变频器节能控制技术，具体是一种动态负载跟踪变频器节能控制方法及系统。
背景技术
电动机的负载曲线一般是一个抛物线，抛物线的谷点是最佳运行点(既节能点)负载减轻时抛物线会随着变动。如果负载减轻时及时适当降低电压，电动机即可运行在抛物线的谷点，既是最佳的节能点上，电压的最佳化可使电流最小化和视在功率、有功功率、无功功率均最小化；电流最小化可以带来以下益处:
(1)电动机的铁损、铜损会随之大幅度下降，发热量下降，电动机的寿命大大延长；
(2)功率因数(PF)可大大提高，无功功率几乎全部被消除；
然而常规变频器是通过改变电动机的频率来确定电压的(V/F 特性)，从而控制转速和转矩，此功能也是电机节能器所具备的基本功能。常规变频器对电动机提供电压的多少是和电动机的负荷状况无关的。由电动机的特性得知，供给电动机的电压越高，电力的消耗越大，而供给电动机的电压过低时，又会因转矩过低而不能正常工作。因此常规变频器在正常运行时，为了避免电压过低，往往把电压值设定的较高，这样导致了电能的浪费。节电器是在线检测电动机负载率的变化，根据负载的实际需求，实时调整电动机的输入功率，保证电动机在最佳节能状态运行；
而进一步的，由于电压电流曲线一般是电动机出厂时由厂家实验测试获得的，难以全面评估出在不同的老化程度和不同的负载率的情况下，电动机实际的电压和电流曲线，且电压电流曲线也并非是一个确切的函数，难以通过求导等数学方法找到最佳点；
申请公开号为CN112954978A的中国专利公开了一种智能节能变频器控制系统，包括变频器本体、风扇、变频器温度检测单元、环境温度检测单元以及控制器。所述风扇用于向变频器本体送风；所述变频器温度检测单元设于变频器本体上，用于检测变频器本体的实时温度；且所述变频器温度检测单元将变频器温度发送至控制器；所述环境温度检测单元设于风扇上，用于检测变频器本体以及风扇所处环境的实时温度；且所述环境温度检测单元将环境温度发送至控制器。控制器依据变频器温度、环境温度以及两者之间的温度差实时调节风扇的转速，即在满足变频器散热需求的前提下，降低风扇的功率，以减少能源的消耗；该发明并未能考虑到如何降低电动机的空载率；
为此，本发明提出一种动态负载跟踪变频器节能控制方法及系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种动态负载跟踪变频器节能控制方法及系统，降低了电动机的空载率，实现智能节能效果。
为实现上述目的，本发明的技术方案如下：
第一方面，本发明提出一种动态负载跟踪变频器节能控制方法，包括以下步骤：
步骤一：在测试环境中预先收集若干组电流预测训练数据；
步骤二：使用电流预测训练数据训练计算电流值的第一机器学习模型；
步骤三：将第一机器学习模型载入待控制电动机的控制后台；待控制电动机的控制后台实时获取电动机的老化程度因素数据以及实时负载率；
步骤四：基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
步骤五：待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；
步骤六：待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压，以获得较优的功率因数；
其中，所述测试环境为测试人员通过主动控制测试电动机中影响实时输入电流的若干属性值的变化，以收集输入电流值的数据收集环境；在实验环境中收集电流预测训练数据，提高训练数据的准确性和可控性；
其中，所述电流预测训练数据包括在每次测试环境中收集数据时，测试电动机的训练特征以及电流数据；
其中，所述训练特征包括老化程度因素数据、负载率以及输入电压；
其中，所述老化程度因素数据为在上一次老化数据采集时计算的绝缘电阻误差比、振动声级误差比以及温度误差比；
进行老化数据的采集的方式为：
使用绝缘电阻测试仪测量测试电动机的绝缘电阻值；
使用振动声级计测量测试电动机的振动声级；
使用温度传感器测量测试电动机的温度；
绝缘电阻误差比的计算方式为：将上一次老化数据采集时采集的绝缘电阻值除以初始绝缘电阻值；所述初始绝缘电阻值为第一次老化数据采集时的绝缘电阻值；
振动声级误差比的计算方式为：将上一次老化数据采集时采集的振动声级除以初始振动声级；所述初始振动声级为第一次老化数据采集时的振动声级；
温度误差比的计算方式为：将上一次老化数据采集时采集的温度除以初始温度值；所述初始温度值为第一次老化数据采集时的温度；
所述负载率为电动机平均负载与最大负载之比，在不同的负载率的情况下，电压电流曲线有所不同；所述输入电压通过在电动机的输入侧使用电压传感器实时获得；
所述电流数据为在每次测试环境中收集训练特征时，对应的电动机的输入电流值，该输入电流值通过在电动机的输入侧使用电流传感器实时获得；
使用电流预测训练数据训练计算电流值的第一机器学习模型的方式为：
将每组训练特征组成第一特征向量形式，并将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组训练特征对应的预测的输入电流值为输出，以训练特征对应的电流数据为预测目标，以最小化所有训练特征的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一机器学习模型是SVM模型或多项式回归模型；所述第一特征向量中的元素包括绝缘电阻误差比、振动声级误差比、温度误差比、负载率以及输入电压；
待控制电动机的控制后台获得实时的输入电压电流训练数据的方式为：
预设电压采集次数N，将每次采样的编号标记为n，其中，n=1,2,3,...,N；将待控制电动机的实时负载率标记为f，预设采样上限U以及采样下限D；
对于第n次采样，将电动机的采样电压设置为Un；
当n时，采样电压Un的计算公式为/>；其中，/>；其中，c和e分别为预设的比例系数，其中ln(n)为对n使用以自然常数为底的对数函数进行计算；
当n>时，采样电压Un的计算公式为；
将待控制电动机的老化程度因素数据、实时负载率以及第n个采样电压输入至第一机器学习模型中，获得第一机器学习模型输出的预测的第n个采样电流；
将第n个采样电压以及预测的第n个采样电流作为一组电压电流组合，所有N个电压电流组合作为输入电压电流训练数据；
生成第二机器学习模型的方式为：
将输入电压电流训练数据中每组电压电流组合的采样电压作为第二机器学习模型的输入，所述第二机器学习模型以每个采样电压对应的预测的采样电流为输出，以每组电压电流组合中采样电压对应的采样电流为预测目标，以最小化所有采样电压的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二机器学习模型是SVM模型或多项式回归模型；
获得控制输入电压包括以下步骤：
步骤Y1：预设下降步长x，将电动机当前电压值标记为u，电动机当前电流值标记为i，计算电压初始下降值u1，其中电压初始下降值u1为u+x或u-x中的任意一个，将电压初始下降值u1输入至第二机器学习模型中，获得第二机器学习模型输出的预测的采样电流；将该采样电流标记为i1；
步骤Y2：计算下降梯度值h，其中下降梯度值h的公式为；将当前电压值u更新为u1，将电压初始下降值u1更新为u1+h，将当前电流值i更新为采样电流i1，重新将电压初始下降值u1输入至第二机器学习模型中，获得新的采样电流i1；循环执行步骤Y2，直至采样电流i1收敛；采样电流i1收敛的判断方式为本次循环中获得的采样电流i1与上一轮循环中获得的采样电流i1的差值小于预设的误差系数；
步骤Y3：将循环结束时的当前电压值u作为控制输入电压。
第二方面，本发明提出一种动态负载跟踪变频器节能控制系统，基于上述的一种动态负载跟踪变频器节能控制方法实现，包括训练数据收集模块、第一机器学习模型训练模块以及电动机后台控制模块；其中，各个模块之间通过有线和/或无线网络方式连接；
其中，所述训练数据收集模块主要用于在测试环境中预先收集若干组电流预测训练数据，并将电流预测训练数据发送至第一机器学习模型训练模块；
其中，所述第一机器学习模型训练模块主要用于使用电流预测训练数据训练计算电流值的第一机器学习模型，并将第一机器学习模型发送至电动机后台控制模块；
所述电动机后台控制模块主要用于实时获取电动机的老化程度因素数据以及实时负载率，基于老化程度因素数据、实时负载率以及第一机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压，以获得较优的功率因数；
其中，获得控制输入电压的方式为：
基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；
待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压。
第三方面，本发明提出一种计算机终端，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的动态负载跟踪变频器节能控制方法。
第四方面，本发明提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的动态负载跟踪变频器节能控制方法。
与现有技术相比，本发明的有益效果是：
本发明通过在测试环境中预先收集若干组电流预测训练数据，再使用电流预测训练数据训练计算电流值的第一机器学习模型，第一机器学习模型用于实现根据电动机的老化程度、负载率以及电动机的实时输入电压来预测电动机的输入电流，待控制电动机的控制后台实时获取电动机的老化程度因素数据以及实时负载率，基于老化程度因素数据、实时负载率以及第一机器学习模型，控制后台获得实时的输入电压电流训练数据，基于输入电压电流训练数据，生成第二机器学习模型，第二机器学习模型是用来利用输入电压和输入电流数据的集合来进行输入电压电流曲线的拟合，从而将离散的输入电压电流集合转化为连续的输入电压电流曲线，最后基于第二机器学习模型，获得控制输入电压；实现自动根据电动机的实时负载率，智能生成对应电压电流曲线，并基于梯度下降算法实现在电压电流曲的函数为未知的情况下，也能计算出近乎最优解，从而降低电动机的空载率，实现智能节能效果。
附图说明
图1为本发明的实施例1中动态负载跟踪变频器节能控制方法的流程图；
图2为本发明的实施例1中电动机在不同的负载率下的电压电流曲线示例图；
图3为本发明的实施例2中动态负载跟踪变频器节能控制系统的模块连接关系图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，一种动态负载跟踪变频器节能控制方法，包括以下步骤：
步骤一：在测试环境中预先收集若干组电流预测训练数据；
步骤二：使用电流预测训练数据训练计算电流值的第一机器学习模型；
需要说明的是，第一机器学习模型用于实现根据电动机的老化程度、负载率以及电动机的实时输入电压来预测电动机的输入电流；
步骤三：将第一机器学习模型载入待控制电动机的控制后台；待控制电动机的控制后台实时获取电动机的老化程度因素数据以及实时负载率；
步骤四：基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
步骤五：待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；
需要说明的是，第二机器学习模型是用来利用输入电压和输入电流数据的集合来进行输入电压电流曲线的拟合，从而将离散的输入电压电流集合转化为连续的输入电压电流曲线；
步骤六：待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压，以获得较优的功率因数；
其中，所述测试环境为测试人员通过主动控制测试电动机中影响实时输入电流的若干属性值的变化，以收集输入电流值的数据收集环境；在实验环境中收集电流预测训练数据，提高训练数据的准确性和可控性；需要说明的是，测试电动机的数量至少为1个；
其中，所述电流预测训练数据包括在每次测试环境中收集数据时，测试电动机的训练特征以及电流数据；
其中，所述训练特征包括老化程度因素数据、负载率以及输入电压；
其中，所述老化程度因素数据为在上一次老化数据采集时计算的绝缘电阻误差比、振动声级误差比以及温度误差比；
在一个优选的实施例中，老化数据采集可以是通过预设老化测量周期，每经过一个老化测量周期，对测试电动机进行老化数据的采集；
在另一个优选的实施例中，老化数据采集可以是预设一个测量时间t，在每次启动测试电动机后，经过测量时间t进行老化数据的采集；
进行老化数据的采集的方式为：
使用绝缘电阻测试仪测量测试电动机的绝缘电阻值；
使用振动声级计测量测试电动机的振动声级；
使用温度传感器测量测试电动机的温度；
绝缘电阻误差比的计算方式为：将上一次老化数据采集时采集的绝缘电阻值除以初始绝缘电阻值；所述初始绝缘电阻值为第一次老化数据采集时的绝缘电阻值；
振动声级误差比的计算方式为：将上一次老化数据采集时采集的振动声级除以初始振动声级；所述初始振动声级为第一次老化数据采集时的振动声级；
温度误差比的计算方式为：将上一次老化数据采集时采集的温度除以初始温度值；所述初始温度值为第一次老化数据采集时的温度；
所述负载率为电动机平均负载与最大负载之比，在不同的负载率的情况下，电压电流曲线有所不同；需要说明的是，电动机的负载率的实时测量方法是本领域的常规技术手段，目前存在较多的相关研究对负载率进行实时测算，本发明在此不再赘述；
进一步的，所述输入电压通过在电动机的输入侧使用电压传感器实时获得；
所述电流数据为在每次测试环境中收集训练特征时，对应的电动机的输入电流值，该输入电流值通过在电动机的输入侧使用电流传感器实时获得；
使用电流预测训练数据训练计算电流值的第一机器学习模型的方式为：
将每组训练特征组成第一特征向量形式，并将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组训练特征对应的预测的输入电流值为输出，以训练特征对应的电流数据为预测目标，以最小化所有训练特征的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一机器学习模型可以是SVM模型或多项式回归模型；需要说明的是，所述第一特征向量中的元素包括绝缘电阻误差比、振动声级误差比、温度误差比、负载率以及输入电压；
待控制电动机的控制后台获得实时的输入电压电流训练数据的方式为：
预设电压采集次数N，将每次采样的编号标记为n，其中，n=1,2,3,...,N；将待控制电动机的实时负载率标记为f，预设采样上限U以及采样下限D；
对于第n次采样，将电动机的采样电压设置为Un；
当n时，采样电压Un的计算公式为/>；其中，/>；其中，c和e分别为预设的比例系数，其中ln(n)为对n使用以自然常数为底的对数函数进行计算；
需要说明的是，如图2所示的电动机在不同的负载率下的电压电流曲线示例图，展示了电动机在负载率分别在30%、50%以及100%时，其电压电流曲线的电压的上下限存在不同的范围；为此，和/>分别为在负载率为f时，采样电压的下限和上限，以适应在不同负载率下，输入电压电流曲线的极值点的位置发生偏移的特征；进一步的，当时，/>，即在电压值/>和/>的中点位置；再进一步的，当n越小时，采样电压Un的增长速率越快，n越大时，采样电压Un的增长速率越慢，从而保证在越接近中点位置，采集的点越多，从而可以更准确地评估电压电流曲线的极值点；例如，图2中三条电压电流曲线均具有越接近中点（x、y、z点）电流越小，从而越能实现节能效果，而越偏离中点（x1、x2、y1、y2、z1和z2点），电流越大，从而越难以实现节能效果；
当n>时，采样电压Un的计算公式为
；
需要说明的是，当时，Un为/>，即负载率为f时，电压的最大可采样的值；进一步的，当n越小时，采样电压Un增长速率越慢，从而保证在越接近中点位置，采集的点越多；从而可以更准确地评估电压电流曲线的极值点；
将待控制电动机的老化程度因素数据、实时负载率以及第n个采样电压输入至第一机器学习模型中，获得第一机器学习模型输出的预测的第n个采样电流；
将第n个采样电压以及预测的第n个采样电流作为一组电压电流组合，所有N个电压电流组合作为输入电压电流训练数据；
生成第二机器学习模型的方式为：
将输入电压电流训练数据中每组电压电流组合的采样电压作为第二机器学习模型的输入，所述第二机器学习模型以每个采样电压对应的预测的采样电流为输出，以每组电压电流组合中采样电压对应的采样电流为预测目标，以最小化所有采样电压的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二机器学习模型可以是SVM模型或多项式回归模型；
需要说明的是，预测误差的计算公式为:，其中，/>为特征数据的编号，/>为预测误差，/>为第/>组特征数据对应的预测值，/>为第/>组特征数据对应的实际值；例如：对于第一机器学习模型，训练特征对应特征数据，预测的输入电流值对应预测值，训练特征对应的电流数据为实际值；对于第二机器学习模型，每个采样电压对应特征数据，预测的采样电流对应预测值，电压电流组合中，采样电压对应的采样电流对应实际值；
获得控制输入电压包括以下步骤：
步骤Y1：预设下降步长x，将电动机当前电压值标记为u，电动机当前电流值标记为i，计算电压初始下降值u1，其中电压初始下降值u1为u+x或u-x中的任意一个，将电压初始下降值u1输入至第二机器学习模型中，获得第二机器学习模型输出的预测的采样电流；将该采样电流标记为i1；
步骤Y2：计算下降梯度值h，其中下降梯度值h的公式为；将当前电压值u更新为u1，将电压初始下降值u1更新为u1+h，将当前电流值i更新为采样电流i1，重新将电压初始下降值u1输入至第二机器学习模型中，获得新的采样电流i1；循环执行步骤Y2，直至采样电流i1收敛；需要说明的是，采样电流i1收敛的判断方式为本次循环中获得的采样电流i1与上一轮循环中获得的采样电流i1的差值小于预设的误差系数；
步骤Y3：将循环结束时的当前电压值u作为控制输入电压。
实施例2
如图3所示，一种动态负载跟踪变频器节能控制系统，基于上述的方法实施例实现，包括训练数据收集模块、第一机器学习模型训练模块以及电动机后台控制模块；其中，各个模块之间通过有线和/或无线网络方式连接；
其中，所述训练数据收集模块主要用于在测试环境中预先收集若干组电流预测训练数据，并将电流预测训练数据发送至第一机器学习模型训练模块；
其中，所述第一机器学习模型训练模块主要用于使用电流预测训练数据训练计算电流值的第一机器学习模型，并将第一机器学习模型发送至电动机后台控制模块；
所述电动机后台控制模块主要用于实时获取电动机的老化程度因素数据以及实时负载率，基于老化程度因素数据、实时负载率以及第一机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压，以获得较优的功率因数；
其中，获得控制输入电压的方式为：
基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；
待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压。
实施例3
本实施例提供一种计算机终端，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的动态负载跟踪变频器节能控制方法。
实施例4
本实施例提供一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的动态负载跟踪变频器节能控制方法。
上述的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (11)
1.一种动态负载跟踪变频器节能控制方法，其特征在于，包括以下步骤：
步骤一：在测试环境中预先收集若干组电流预测训练数据；
步骤二：使用电流预测训练数据训练计算电流值的第一机器学习模型；其中，所述第一机器学习模型用于实现根据电动机的老化程度、负载率以及电动机的实时输入电压来预测电动机的输入电流；
步骤三：将第一机器学习模型载入待控制电动机的控制后台；待控制电动机的控制后台实时获取电动机的老化程度因素数据以及实时负载率；
步骤四：基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
步骤五：待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；其中，所述第二机器学习模型利用输入电压和输入电流数据的集合来进行输入电压电流曲线的拟合，将离散的输入电压电流集合转化为连续的输入电压电流曲线；
步骤六：待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压；
待控制电动机的控制后台获得实时的输入电压电流训练数据的方式为：
预设电压采集次数N，将每次采样的编号标记为n，其中，n=1,2,3,...,N；将待控制电动机的实时负载率标记为f，预设采样上限U以及采样下限D；
对于第n次采样，将电动机的采样电压设置为Un；
将待控制电动机的老化程度因素数据、实时负载率以及第n个采样电压输入至第一机器学习模型中，获得第一机器学习模型输出的预测的第n个采样电流；
将第n个采样电压以及预测的第n个采样电流作为一组电压电流组合，所有N个电压电流组合作为输入电压电流训练数据；
采样电压Un的设置方式为：
当时，采样电压Un的计算公式为：
;
其中，；其中，c和e分别为预设的比例系数，其中ln(n)为对n使用以自然常数为底的对数函数进行计算；
当时，采样电压Un的计算公式为。
2.根据权利要求1所述的一种动态负载跟踪变频器节能控制方法，其特征在于，所述测试环境为测试人员通过主动控制测试电动机中影响实时输入电流的若干属性值的变化，以收集输入电流值的数据收集环境；
所述电流预测训练数据包括在每次测试环境中收集数据时，测试电动机的训练特征以及电流数据；
所述训练特征包括老化程度因素数据、负载率以及输入电压；
所述老化程度因素数据为在上一次老化数据采集时计算的绝缘电阻误差比、振动声级误差比以及温度误差比；
所述负载率为电动机平均负载与最大负载之比，在不同的负载率的情况下，电压电流曲线有所不同；所述输入电压通过在电动机的输入侧使用电压传感器实时获得；
所述电流数据为在每次测试环境中收集训练特征时，对应的电动机的输入电流值，输入电流值通过在电动机的输入侧使用电流传感器实时获得。
3.根据权利要求2所述的一种动态负载跟踪变频器节能控制方法，其特征在于，进行老化数据的采集的方式为：
使用绝缘电阻测试仪测量测试电动机的绝缘电阻值；
使用振动声级计测量测试电动机的振动声级；
使用温度传感器测量测试电动机的温度。
4.根据权利要求3所述的一种动态负载跟踪变频器节能控制方法，其特征在于，绝缘电阻误差比的计算方式为：将上一次老化数据采集时采集的绝缘电阻值除以初始绝缘电阻值；所述初始绝缘电阻值为第一次老化数据采集时的绝缘电阻值；
振动声级误差比的计算方式为：将上一次老化数据采集时采集的振动声级除以初始振动声级；所述初始振动声级为第一次老化数据采集时的振动声级；
温度误差比的计算方式为：将上一次老化数据采集时采集的温度除以初始温度值；所述初始温度值为第一次老化数据采集时的温度。
5.根据权利要求4所述的一种动态负载跟踪变频器节能控制方法，其特征在于，使用电流预测训练数据训练计算电流值的第一机器学习模型的方式为：
将每组训练特征组成第一特征向量形式，并将第一特征向量作为第一机器学习模型的输入，所述第一机器学习模型以每组训练特征对应的预测的输入电流值为输出，以训练特征对应的电流数据为预测目标，以最小化所有训练特征的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第一机器学习模型是SVM模型或多项式回归模型；所述第一特征向量中的元素包括绝缘电阻误差比、振动声级误差比、温度误差比、负载率以及输入电压。
6.根据权利要求5所述的一种动态负载跟踪变频器节能控制方法，其特征在于，生成第二机器学习模型的方式为：
将输入电压电流训练数据中每组电压电流组合的采样电压作为第二机器学习模型的输入，所述第二机器学习模型以每个采样电压对应的预测的采样电流为输出，以每组电压电流组合中采样电压对应的采样电流为预测目标，以最小化所有采样电压的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测误差之和达到收敛时停止训练；所述第二机器学习模型是SVM模型或多项式回归模型。
7.根据权利要求6所述的一种动态负载跟踪变频器节能控制方法，其特征在于，获得控制输入电压包括以下步骤：
步骤Y1：预设下降步长x，将电动机当前电压值标记为u，电动机当前电流值标记为i，计算电压初始下降值u1，其中电压初始下降值u1为u+x或u-x中的任意一个，将电压初始下降值u1输入至第二机器学习模型中，获得第二机器学习模型输出的预测的采样电流；将预测的采样电流标记为i1；
步骤Y2：计算下降梯度值h，其中下降梯度值h的公式为；将当前电压值u更新为u1，将电压初始下降值u1更新为u1+h，将当前电流值i更新为采样电流i1，重新将电压初始下降值u1输入至第二机器学习模型中，获得新的采样电流i1；循环执行步骤Y2，直至采样电流i1收敛；
步骤Y3：将循环结束时的当前电压值u作为控制输入电压。
8.根据权利要求7所述的一种动态负载跟踪变频器节能控制方法，其特征在于，采样电流i1收敛的判断方式为本次循环中获得的采样电流i1与上一轮循环中获得的采样电流i1的差值小于预设的误差系数。
9.一种动态负载跟踪变频器节能控制系统，其基于权利要求1-8中任意一项所述的一种动态负载跟踪变频器节能控制方法实现，其特征在于，包括训练数据收集模块、第一机器学习模型训练模块以及电动机后台控制模块；其中，各个模块之间通过有线和/或无线网络方式连接；
所述训练数据收集模块用于在测试环境中预先收集若干组电流预测训练数据，并将电流预测训练数据发送至第一机器学习模型训练模块；
所述第一机器学习模型训练模块用于使用电流预测训练数据训练计算电流值的第一机器学习模型，并将第一机器学习模型发送至电动机后台控制模块；
所述电动机后台控制模块用于实时获取电动机的老化程度因素数据以及实时负载率，基于老化程度因素数据、实时负载率以及第一机器学习模型，获得控制输入电压，将控制输入电压作为变频器调整待控制电动机的输入电压；
获得控制输入电压的方式为：
基于老化程度因素数据、实时负载率以及第一机器学习模型，待控制电动机的控制后台获得实时的输入电压电流训练数据；
待控制电动机的控制后台使用输入电压电流训练数据，生成第二机器学习模型；
待控制电动机的控制后台基于第二机器学习模型，获得控制输入电压。
10.一种计算机终端，其特征在于，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-8中任意一项所述的动态负载跟踪变频器节能控制方法。
11.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-8中任意一项所述的动态负载跟踪变频器节能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973669.8A CN116683822B (zh) | 2023-08-04 | 2023-08-04 | 一种动态负载跟踪变频器节能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973669.8A CN116683822B (zh) | 2023-08-04 | 2023-08-04 | 一种动态负载跟踪变频器节能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116683822A CN116683822A (zh) | 2023-09-01 |
| CN116683822B true CN116683822B (zh) | 2023-10-17 |
Family
ID=87791356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310973669.8A Active CN116683822B (zh) | 2023-08-04 | 2023-08-04 | 一种动态负载跟踪变频器节能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116683822B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079230A (zh) * | 2014-07-07 | 2014-10-01 | 神王伟国 | 异步电动机效率优化控制的方法、装置、系统及电动汽车 |
| CN104333292A (zh) * | 2014-11-19 | 2015-02-04 | 柯润能（天津）科技发展有限公司 | 一种负载跟踪型节电装置 |
| CN204886664U (zh) * | 2015-08-27 | 2015-12-16 | 西门子（中国）有限公司 | 一种变频器检测装置 |
| CN206932006U (zh) * | 2017-06-22 | 2018-01-26 | 北方节能股份有限公司 | 一种具有能耗监测功能的电机节电装置 |
| CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
| CN114710069A (zh) * | 2022-03-28 | 2022-07-05 | 山东凯信德电子科技有限公司 | 一种永磁电动机变频器高效节能运行控制方法 |
| CN115372852A (zh) * | 2022-09-19 | 2022-11-22 | 南方电网科学研究院有限责任公司 | 基于前馈神经网络的蓄电池健康状态预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9429002B2 (en) * | 2015-01-28 | 2016-08-30 | Baker Hughes Incorporated | Systems and methods for adjusting operation of an ESP motor installed in a well |
| JP2022136663A (ja) * | 2021-03-08 | 2022-09-21 | 本田技研工業株式会社 | 二次電池の状態推定モデルの学習方法、状態推定方法、および状態推定装置 |
-
2023
- 2023-08-04 CN CN202310973669.8A patent/CN116683822B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079230A (zh) * | 2014-07-07 | 2014-10-01 | 神王伟国 | 异步电动机效率优化控制的方法、装置、系统及电动汽车 |
| CN104333292A (zh) * | 2014-11-19 | 2015-02-04 | 柯润能（天津）科技发展有限公司 | 一种负载跟踪型节电装置 |
| CN204886664U (zh) * | 2015-08-27 | 2015-12-16 | 西门子（中国）有限公司 | 一种变频器检测装置 |
| CN206932006U (zh) * | 2017-06-22 | 2018-01-26 | 北方节能股份有限公司 | 一种具有能耗监测功能的电机节电装置 |
| CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
| CN114710069A (zh) * | 2022-03-28 | 2022-07-05 | 山东凯信德电子科技有限公司 | 一种永磁电动机变频器高效节能运行控制方法 |
| CN115372852A (zh) * | 2022-09-19 | 2022-11-22 | 南方电网科学研究院有限责任公司 | 基于前馈神经网络的蓄电池健康状态预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116683822A (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109642536B (zh) | 控制或处理系统和方法 | |
| CN107388661B (zh) | 太阳能空调系统及其功率控制方法和装置 | |
| CN101440776B (zh) | 确定风力发电设备的电变量的特征曲线的方法和装置 | |
| CN103492891B (zh) | 在风电场中使用的能量储存系统的容量和充电状态的准确估计 | |
| CN108709287B (zh) | 一种空调系统冷负荷预测方法及冷水机组群控的策略 | |
| CN109973300B (zh) | 风力发电机组功率控制方法及装置 | |
| JP5075701B2 (ja) | 制御機器および電力推定方法 | |
| CN110552850A (zh) | 一种基于风速提前测量的风电机组有功调节方法及装置 | |
| CN112070353B (zh) | 一种精确检测数据中心能效的方法及系统 | |
| CN115361841A (zh) | 一种适应数据中心全工况操作的屏蔽泵控制系统及其方法 | |
| CN116683822B (zh) | 一种动态负载跟踪变频器节能控制方法及系统 | |
| JP2021027800A (ja) | 発電制御装置 | |
| CN104965174A (zh) | 交流电机能效及运行性能综合测试系统 | |
| CN108917090B (zh) | 一种空调机组性能测试方法 | |
| CN114992772B (zh) | 空调温控负荷集群可调节潜力评估方法、装置及存储介质 | |
| CN106094523B (zh) | 基于效率和均流指标面积和最大的并联供电系统优化方法 | |
| CN112943557B (zh) | 风电场、风力发电机组及其运行状态的预测方法和设备 | |
| CN115573937B (zh) | 一种基于电流预判的充电桩风机控制方法、装置及设备 | |
| CN106253355B (zh) | 并联供电系统电源模块数量模糊控制方法 | |
| CN106026205B (zh) | 基于效率和均流性能面积和最大的并联供电系统优化控制方法 | |
| CN106160015B (zh) | 基于效率和均流性能黄金分割的并联供电系统模块数量控制方法 | |
| CN111405824B (zh) | Ups散热方法、装置及ups散热系统 | |
| CN106160013B (zh) | 一种均流偏差期望最小的并联供电系统灰色优化控制方法 | |
| CN106160019B (zh) | 基于效率和均流指标面积和最大的并联供电系统最优点确定方法 | |
| EP4257822A1 (en) | Method for operating a wind turbine and system for wind power generation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |