基于温度时序输入的永磁同步电机温度预测方法和系统

本发明涉及电机温度预测，尤其是涉及基于温度时序输入的永磁同步电机温度预测方法和系统。

背景技术：

1、通过预测手段估算永磁同步电机(permanent magnet synchronous motor,pmsm)内部温度场信息具有较大的研究价值和良好的应用前景，可以在不影响电机运行的情况下通过电机的结构数据或运行参数进行永磁同步电机内部温度场的预测，延长了电机的使用寿命，增加了电力驱动系统的可靠性。由于机器学习方法是由数据集驱动的，对于基于机器学习算法的永磁同步电机温度预测模型，模型输入的确定对模型的预测精度和计算速度至关重要。

2、目前，永磁同步电机温度预测模型输入集的确定依赖于机理分析和人工经验，通过分析热力场与电场、磁场等的耦合关系来获得常规的模型输入，包括电磁学相关物理量(如电压、电流)、冷却条件(如冷却水温度、流量)、运行工况(如扭矩、转速)等变量。但是常规模型输入并不包含温度时序信息，大多只适用于拥有时序预测能力的机器学习算法这对用于温度预测建模的机器学习算法也提出了限制。

3、如公开号为cn114117895a的发明公开了永磁同步电机转子温度实时预测方法，其基于转子磁链定向的同步旋转坐标系下的运动方程和电流方程的数学模型选取了d轴电压、q轴电压、d轴电流、q轴电流、机械角速度、负载转矩、电机运行的环境温度和冷却液温度共8个变量作为模型输入，建立lstm-cnn网络预测模型预测永磁同步电机转子实时温度。

4、公开号为cn112395815a的发明公开了一种永磁同步电机的温度预测方法，其构建了用于预测永磁同步电机温度的psnlstms模型，模型输入包括连续时刻的环境温度、冷却液温度、电机转速、电机扭矩、d轴电压、q轴电压、d轴电流、q轴电流，共有8个维度的模型输入。

5、公开号为cn112183835a的发明公开了基于机器学习的水导瓦温度趋势预警方法、装置及系统，其通过多次实验和先验经验确定影响水导瓦温度的输入因子，进而建立了基于神经网络的水导瓦温度预测模型，模型输入包括：机组出力、出口油温1、出口油温2、摆度1、摆度2。

6、公开号为cn114444382a的发明公开了基于机器学习算法的风电机组齿轮箱故障诊断分析方法，其获取了风场现场的16个运营参数作为模型输入来预测温度，包括风速、风功率、齿轮箱油温、风向、偏航角、桨距角、电压、电流、发电机瞬时转速、电网有功功率、齿轮箱中间轴驱动端轴承温度、齿轮箱中间轴非驱动端轴承温度、电机侧齿轮箱高速轴轴承温度、齿轮箱润滑油油池温度、齿轮箱润滑油入口温度以及齿轮箱油路滤网前油压。

7、上述方案根据物理机理和先验经验确定电机温度预测模型输入集，包括的模型输入涉及了电场、磁场、热力场和运行工况等相关变量，但其模型输入集本身并不包含温度时间序列，因此只适用于拥有时序预测能力的机器学习算法，对于其他非时序预测的机器学习算法，上述模型输入集不能弥补时序预测能力的缺失。并且，上述方案直接使用了电机运行参数，没有进行输入增广和特征选择，不一定得到的是最佳或者较佳模型输入集。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于温度时序输入的永磁同步电机温度预测方法和系统，弥补了不拥有时序预测能力的机器学习算法的缺陷。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于温度时序输入的永磁同步电机温度预测方法，包括以下步骤：

4、通过数据采集系统获取永磁同步电机运行过程中的参数序列，并提取出常规模型输入；

5、基于所述常规模型输入，选定永磁同步电机运行过程中的某一时刻作为初始时刻，增添温度序列和时间差序列，所述温度序列为初始时刻的电机温度，所述时间差序列为永磁同步电机后续运行时刻中与初始时刻的计时差值；

6、获取永磁同步电机运行过程中的冷却水出入口温度差，作为模型的增广输入；

7、根据所述常规模型输入、温度序列、时间差序列和增广输入，进行特征选择，构建用于永磁同步电机温度预测的模型输入特征集；

8、将所述模型输入特征集载入预先建立的永磁同步电机温度预测模型中，获取永磁同步电机内部温度。

9、进一步地，所述模型输入特征集包括时间差、初始时刻温度、冷却变量、电磁学变量和运行工况，所述冷却变量包括环境温度、冷却水入口温度、冷却水出口温度和冷却水流量。

10、进一步地，所述电磁学变量包括母线电压、母线电流、三相电压和三相电流，所述运行工况包括转速和扭矩。

11、进一步地，结合递归特征消除和主成分分析进行所述特征选择。

12、进一步地，所述永磁同步电机温度预测模型为机器学习模型，该机器学习模型为高斯过程回归模型。

13、本发明还提供一种基于温度时序输入的永磁同步电机温度预测系统，包括：

14、常规模型输入获取模块，用于通过数据采集系统获取永磁同步电机运行过程中的参数序列，并提取出常规模型输入；

15、时序增加模块，用于基于所述常规模型输入，选定永磁同步电机运行过程中的某一时刻作为初始时刻，增添温度序列和时间差序列，所述温度序列为初始时刻的电机温度，所述时间差序列为永磁同步电机后续运行时刻中与初始时刻的计时差值；

16、输入增广模块，用于获取永磁同步电机运行过程中的冷却水出入口温度差，作为模型的增广输入；

17、特征选择模块，用于根据所述常规模型输入、温度序列、时间差序列和增广输入，进行特征选择，构建用于永磁同步电机温度预测的模型输入特征集；

18、温度预测模块，用于将所述模型输入特征集载入预先建立的永磁同步电机温度预测模型中，获取永磁同步电机内部温度。

19、进一步地，所述模型输入特征集包括时间差、初始时刻温度、冷却变量、电磁学变量和运行工况，所述冷却变量包括环境温度、冷却水入口温度、冷却水出口温度和冷却水流量。

20、进一步地，所述电磁学变量包括母线电压、母线电流、三相电压和三相电流，所述运行工况包括转速和扭矩。

21、进一步地，结合递归特征消除和主成分分析进行所述特征选择。

22、进一步地，所述永磁同步电机温度预测模型为机器学习模型，该机器学习模型为高斯过程回归模型。

23、与现有技术相比，本发明具有以下优点：

24、(1)本发明依托电机运行机理和机器学习知识，通过特征工程得到了含温度时序的永磁同步电机温度预测模型输入集，通过获取电机运行时刻的这15个参数值，可以快速精准地预测电机内部温度场信息。经过输入增广和特征选择得到了模型输入集，一方面提高了模型的预测精度和计算速度，充分利用了合适的数据信息；另一方面，也在一定程度上弥补了部分机器学习算法不能进行时序预测的缺陷，使更多的机器学习算法可以用于永磁同步电机的内部温度场预测。

25、(2)本发明增添初始温度序列、时间差序列以构建含温度时序信息的模型输入集，为训练集和测试集中的数据样本添加了温度和时间序列属性，拓宽了机器学习算法在永磁同步电机温度预测领域的使用范围。

26、(3)本发明结合不同的特征选择方法以构建最佳模型输入集，精简了模型输入数目，提取了有益于模型预测精度和计算速度的数据信息，提高了模型性能。

27、(4)根据本发明设计的含温度时序的永磁同步电机温度预测模型输入集，进行了基于机器学习建模和实验验证，证明了其在提高模型性能上展现出来的优越性。

28、具体应用过程如下：利用实验室获得的电机运行数据，利用人工经验和物理知识选取了来自传感器的常规模型输入之后，补充了温度和时间序列，并且进行了模型输入的增广。最后基于上述模型输入，结合递归特征消除和主成分分析方法进行了特征选择，最终建立了含温度时序的永磁同步电机温度预测模型输入集，预测结果对比说明，添加了初始温度序列和时间差序列后的模型预测精度大大提高，进行了特征选择之后的模型预测性能和计算速度也显著提升。