单相感应电动机自整定优化变频控制的方法及装置

技术领域

本申请涉及电机控制技术领域，尤其涉及一种单相感应电动机自整定优化变频控制的方法及装置。

背景技术

单相感应电动机（single-phase induction motor, SPIM）具有只需单相交流电源供电、结构简单、价格低廉等优点，在小功率系统中得到广泛应用。SPIM通常采用定频恒速运行模式，为了获得更好的运行特性和节能效果，在不少应用场合也需要实施调速控制。但是，目前变频驱动技术主要应用于三相电动机的调速控制，而对于SPIM，受两相定子绕组结构的制约，为了生成理想的圆形旋转磁场，还需对变频器的电路拓扑和输出电压的调制方法作相应的调整和优化。

现有技术通常采用双H桥逆变电路拓扑，能够实现对主、副绕组完全独立的控制，直流母线电压利用率高，但属于非常规变频器结构，成本较高，并且无法在不同的运行状态和负载条件下，自动调整其工作状态以达到最佳效率和稳定性。传统的控制方法往往基于固定的控制策略，难以适应环境变化和负载波动，导致电动机在实际工作过程中无法始终保持在最佳工作点运行，从而影响整体系统的性能和能效。

发明内容

本申请提供了一种单相感应电动机自整定优化变频控制的方法及装置，用于提高了单相感应电动机自整定优化变频控制的准确率并且能够保证在不同转速下均产生基本为圆形的旋转磁场，使单相感应电动机高效与稳定运行。

第一方面，本申请提供了一种单相感应电动机自整定优化变频控制的方法，所述单相感应电动机自整定优化变频控制的方法包括：

对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，得到匝数比；

根据所述匝数比创建所述单相感应电动机对应的初始自整定优化控制模型；

获取所述单相感应电动机的电动机负载数据和运行状态数据；

将所述电动机负载数据和所述运行状态数据输入所述初始自整定优化控制模型进行三相PWM输出电压调整，得到第一相位差；

基于步进搜索法对所述单相感应电动机进行最佳相位差分析，生成第二相位差；

基于所述第一相位差和所述第二相位差对所述初始自整定优化控制模型进行模型优化，得到目标自整定优化控制模型。

第二方面，本申请提供了一种单相感应电动机自整定优化变频控制的装置，所述单相感应电动机自整定优化变频控制的装置包括：

计算模块，用于对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，得到匝数比；

创建模块，用于根据所述匝数比创建所述单相感应电动机对应的初始自整定优化控制模型；

获取模块，用于获取所述单相感应电动机的电动机负载数据和运行状态数据；

调整模块，用于将所述电动机负载数据和所述运行状态数据输入所述初始自整定优化控制模型进行三相PWM输出电压调整，得到第一相位差；

分析模块，用于基于步进搜索法对所述单相感应电动机进行最佳相位差分析，生成第二相位差；

优化模块，用于基于所述第一相位差和所述第二相位差对所述初始自整定优化控制模型进行模型优化，得到目标自整定优化控制模型。

本申请第三方面提供了一种单相感应电动机自整定优化变频控制的设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述单相感应电动机自整定优化变频控制的设备执行上述的单相感应电动机自整定优化变频控制的方法。

本申请的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的单相感应电动机自整定优化变频控制的方法。

本申请提供的技术方案中，通过对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，以及根据这些数据创建相应的自整定优化控制模型，能够根据电动机的实时电气参数和运行状态动态调整控制策略。这种自适应性确保了电动机在不同的负载条件和运行状态下都能以接近最佳效率和稳定性运行。通过将电动机负载数据和运行状态数据输入自整定优化控制模型进行三相PWM输出电压调整，得到最佳的相位差分析，能够优化电动机的运行状态，减少能量损失，从而提升电动机的运行效率。特别是在变负载条件下，能够快速响应负载变化，调整电动机到最佳工作点，实现能效最大化。将步进搜索法得到的实现主、副相电流与匝数成反比的最佳电压相位差，过程简单，实现容易，然后进行最佳相位差分析，并根据分析结果优化控制模型，这一过程增强了电动机的运行稳定性。通过精确控制PWM输出电压的相位差，电动机的运行更加平稳，减少了过载和过热的风险，延长了电动机的使用寿命。基于三层贝叶斯网络结构，利用智能算法对控制模型进行优化和参数调整，使得电动机控制策略的制定和执行更加智能化，进而提高了单相感应电动机自整定优化变频控制的准确率并且能够保证在不同转速下均产生基本为圆形的旋转磁场，使单相感应电动机高效与稳定运行。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以基于这些附图获得其他的附图。

图1为本申请实施例中单相感应电动机自整定优化变频控制的方法的一个实施例示意图；

图2为本申请实施例中单相感应电动机自整定优化变频控制的装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种单相感应电动机自整定优化变频控制的方法及装置。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中单相感应电动机自整定优化变频控制的方法的一个实施例包括：

步骤S101、对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，得到匝数比；

可以理解的是，本申请的执行主体可以为单相感应电动机自整定优化变频控制的装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，基于预设的目标电压对单相感应电动机的主绕组进行测试，通过施加一个已知的电压值并采集相应的第一电流值，得到主绕组在此工作条件下的实际电流响应。根据目标电压和第一电流值对主绕组进行等效阻抗计算，得到第一等效阻抗参数，反映主绕组在特定电压下的电阻特性。根据目标电压对副绕组进行测试，并采集副绕组的第二电流值。获取副绕组在相同测试条件下的电流响应，确保两组绕组测试的可比性。采集到第二电流值后，基于目标电压和第二电流值对副绕组进行等效阻抗计算，计算得到的第二等效阻抗参数反映了副绕组在特定电压下的电阻特性。根据第一等效阻抗参数和第二等效阻抗参数对单相感应电动机的主绕组和副绕组进行匝数比计算。匝数比是主绕组和副绕组匝数之间的比例，直接影响到电动机的性能和效率。

步骤S102、根据匝数比创建单相感应电动机对应的初始自整定优化控制模型；

具体的，定义单相感应电动机对应的三层贝叶斯网络结构，三层贝叶斯网络结构包括：输入节点、隐藏节点以及输出节点。利用所得的匝数比，该模型可以设置各节点的初始概率值，为单相感应电动机提供一个高度适应其特性的控制模型。在模型中，根据匝数比设置输入节点的第一初始概率值，匝数比作为电动机设计和性能的关键参数，为模型提供了电动机的基本工作状态信息。设置隐藏节点中功率效率参数的第二初始概率值，这些隐藏节点起到桥接输入与输出的中介作用，通过对功率效率参数的概率设定，在模型中嵌入电动机在不同工作状态下的性能预期，进而影响到模型的决策过程。之后，设置输出节点中输出电压调整策略的第三初始概率值，直接关联到电动机控制的最终目标，即如何调整输出电压以优化电动机的工作效率和稳定性。对这三层贝叶斯网络结构进行网络结构和连接权重集成，确保各节点和层之间的正确连接，并设定连接权重，以反映不同参数间的相互影响和依赖关系，得到单相感应电动机对应的初始自整定优化控制模型。确保模型能够根据输入的电动机运行数据和匝数比，通过网络结构的概率推理，得出最优的电压调整策略。

步骤S103、获取单相感应电动机的电动机负载数据和运行状态数据；

具体的，通过安装在电动机上的各类传感器，如电流传感器、电压传感器和温度传感器，实时监测电动机在运行过程中的电流、电压以及温度等参数，这些参数直接反映了电动机的运行状态和负载情况。这些传感器收集的数据，经过模拟信号到数字信号的转换后，被传输到数据采集系统中。数据处理系统对采集到的原始数据进行预处理，包括滤波、去噪声和校准等步骤，消除数据传输过程中可能产生的噪声干扰和传感器自身的偏差，确保后续分析和控制决策的准确性。在预处理完成后，对处理后的数据进行分析，包括计算电动机的实际功率、效率、负载率等关键性能指标。将电动机负载数据和运行状态数据整合到自整定优化变频控制系统中，作为控制决策的基础。通过数据处理算法和计算能力，还需要控制系统能够灵活地适应不同的运行条件和负载变化，以实现对单相感应电动机的高效、精确控制。

步骤S104、将电动机负载数据和运行状态数据输入初始自整定优化控制模型进行三相PWM输出电压调整，得到第一相位差；

具体的，分别对电动机的负载数据和运行状态数据进行曲线拟合，从大量的原始数据中提取出反映电动机运行规律的关键信息，通过数学模型将离散数据转化为连续的电动机负载曲线和运行状态曲线，直观地展示电动机在不同工作条件下的性能。分别对电动机负载曲线和运行状态曲线进行曲线特征点识别，包括电动机运行的关键状态如最大负载点、最低效率点等，这些特征点集合反映了电动机运行过程中的重要性能指标。通过识别电动机负载曲线和运行状态曲线上的特征点，得到电动机负载特征点集和运行状态特征点集。将电动机负载特征点集和运行状态特征点集进行特征融合，综合考虑电动机负载情况和运行状态，得到一个全面反映电动机当前工作条件的目标特征集合。融合过程是在多维数据空间中进行的，通过数据融合技术综合不同来源的信息，提高最终控制策略的准确性和可靠性。将目标特征集合输入初始自整定优化控制模型，通过该模型进行输出电压调整策略分析，模型根据输入的特征集合运用预设的算法和规则，分析确定最优的输出电压调整策略，通过调整输出电压来优化电动机的运行效率和性能。基于目标输出电压调整策略，对单相感应电动机进行三相PWM输出电压调整，并据此计算得到相应的第一相位差。三相PWM技术被用于控制电动机的供电电压和频率，通过调整PWM波形的相位差，实现对电动机运行状态的精确控制。

步骤S105、基于步进搜索法对单相感应电动机进行最佳相位差分析，生成第二相位差；

具体的，设定初始相位差，初始相位差作为步进搜索法中步进搜索的起点。根据初始相位差对单相感应电动机进行性能分析，得到相应的第一电动机性能响应参数，响应参数反映了电动机在初始相位差条件下的运行性能。按照预先设定的步长，逐步增加测试相位差，并针对每一个新的测试相位差重复性能分析过程，得到对应的第二电动机性能响应参数。通过连续的试验和分析，探索不同相位差对电动机性能的影响，找到性能响应最佳的相位差值。在每一轮测试中，对电动机进行性能评估，包括效率、输出功率和稳定性等关键指标的变化，确保能够全面评估不同相位差设置下电动机的运行表现。通过反复的测试和性能分析，得到大量的性能响应数据。在这个数据基础上，采用步进搜索法进行多轮测试，并利用数据处理和分析技术，对比不同测试相位差下的电动机性能响应参数，迭代地缩小搜索范围，逐渐逼近在给定工作条件下表现最佳的最优相位差，得到第二相位差。

步骤S106、基于第一相位差和第二相位差对初始自整定优化控制模型进行模型优化，得到目标自整定优化控制模型。

具体的，对第一相位差和第二相位差进行差值计算，得到相位差差值，相位差差值反映了两次测量中相位调整的具体变化量，还为确定初始自整定优化控制模型的优化方向提供依据。通过预置的遗传算法对初始自整定优化控制模型进行参数种群初始化，生成多个基于优化方向的第一模型参数。遗传算法通过模拟自然界生物进化过程中的选择、交叉和变异等机制，有效地在参数空间中搜索最优解。分别计算每个第一模型参数的第一适应度值，适应度值反映了该参数集在当前优化任务中的性能表现。根据第一适应度值，进行一轮模型参数筛选，确保只有那些表现最优的参数集才能进入下一轮的优化过程。对筛选后得到的第二模型参数进行交叉和变异操作，通过模拟生物进化中的遗传多样性，生成具有新特性的第三模型参数。并分别计算每个第三模型参数的第二适应度值，根据第二适应度值进行最优参数求解，从候选参数中找到最适合当前电动机控制需求的参数集，得到目标模型参数。通过目标模型参数对初始自整定优化控制模型进行模型优化，得到能够控制单相感应电动机运行的目标自整定优化控制模型。

其中，对初始自整定优化控制模型进行模型参数范围预测。这决定了遗传算法搜索优化空间的广度和深度，模型参数范围数值的预测基于对电动机工作原理的理解，还需考虑到实际运行中可能遇到的各种条件和限制，从而确保所预测的参数范围既有实际应用的广泛性，也不脱离电动机性能改善的实际需求。通过预置的遗传算法根据优化方向和模型参数范围数值对初始自整定优化控制模型进行参数点预测。遗传算法通过模拟自然选择、遗传交叉和变异等过程逐代改进参数种群，以期找到最优解。在这个阶段，算法会生成多个可能的模型参数点数值，每个参数点数值都是初始自整定优化控制模型潜在的优化候选。根据模型参数点数值创建初始自整定优化控制模型对应的初始化参数种群，其中包含多个第一模型参数。初始化参数种群实际上构成了遗传算法优化过程的起点，每个第一模型参数都代表着一个潜在的解决方案或模型状态，它们将在后续的遗传算法运行过程中被不断评估、筛选和改进。通过这样的方式，遗传算法能够在参数优化的广阔空间中进行高效的搜索，不断地逼近最优参数配置，最终实现对初始自整定优化控制模型的有效优化，并生成目标自整定优化控制模型。

本申请实施例中，通过对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，以及根据这些数据创建相应的自整定优化控制模型，能够根据电动机的实时电气参数和运行状态动态调整控制策略。这种自适应性确保了电动机在不同的负载条件和运行状态下都能以接近最佳效率和稳定性运行。通过将电动机负载数据和运行状态数据输入自整定优化控制模型进行三相PWM输出电压调整，得到最佳的相位差分析，能够优化电动机的运行状态，减少能量损失，从而提升电动机的运行效率。特别是在变负载条件下，能够快速响应负载变化，调整电动机到最佳工作点，实现能效最大化。将步进搜索法得到的实现主、副相电流与匝数成反比的最佳电压相位差，过程简单，实现容易，然后进行最佳相位差分析，并根据分析结果优化控制模型，这一过程增强了电动机的运行稳定性。通过精确控制PWM输出电压的相位差，电动机的运行更加平稳，减少了过载和过热的风险，延长了电动机的使用寿命。基于三层贝叶斯网络结构，利用智能算法对控制模型进行优化和参数调整，使得电动机控制策略的制定和执行更加智能化，进而提高了单相感应电动机自整定优化变频控制的准确率并且能够保证在不同转速下均产生基本为圆形的旋转磁场，使单相感应电动机高效与稳定运行。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）基于预设的目标电压对单相感应电动机的主绕组进行测试，并采集主绕组的第一电流值；

（2）根据目标电压和第一电流值对主绕组进行等效阻抗计算，得到第一等效阻抗参数；

（3）根据目标电压对单相感应电动机的副绕组进行测试，并采集副绕组的第二电流值；

（4）根据目标电压和第二电流值对副绕组进行等效阻抗计算，得到第二等效阻抗参数；

（5）根据第一等效阻抗参数和第二等效阻抗参数对单相感应电动机的主绕组和副绕组进行匝数比计算，得到匝数比。

具体的，基于预设的目标电压对单相感应电动机的主绕组进行测试。将特定的电压值施加到主绕组，并测量此时流经绕组的电流，得到第一电流值。根据目标电压和第一电流值对主绕组进行等效阻抗计算。等效阻抗通过电压和电流的比值计算，反映了在给定电压下电动机主绕组对电流的阻抗情况，得到第一等效阻抗参数。基于预设的目标电压对副绕组进行测试，并且采集此时的电流值，得到第二电流值。保持与主绕组测试相同的准确度，并确保两次测试条件的一致性，以便于后续的比较分析。根据目标电压和第二电流值对副绕组进行等效阻抗计算，得到第二等效阻抗参数。通过计算，得到主绕组和副绕组在相同条件下的电气性能指标。根据第一等效阻抗参数和第二等效阻抗参数计算匝数比。匝数比的计算基于对主绕组和副绕组电气性能的综合分析，考虑到等效阻抗在很大程度上反映了绕组中电流流动的难易程度，间接与绕组的匝数有关。匝数比通过等效阻抗的比值估算，在相同的测试条件下，等效阻抗的比值与匝数比是成正比的。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）定义单相感应电动机对应的三层贝叶斯网络结构，三层贝叶斯网络结构包括：输入节点、隐藏节点以及输出节点；

（2）根据匝数比设置输入节点的第一初始概率值，设置隐藏节点中功率效率参数的第二初始概率值，以及设置输出节点中输出电压调整策略的第三初始概率值；

（3）对三层贝叶斯网络结构进行网络结构和连接权重集成，得到单相感应电动机对应的初始自整定优化控制模型。

具体的，定义单相感应电动机对应的三层贝叶斯网络结构，将电动机的运行状态和控制逻辑抽象化，其中包括输入节点、隐藏节点以及输出节点。输入节点代表电动机运行的初始状态或外部条件，如匝数比，这是电动机设计中的关键参数，直接影响到电动机的性能和效率。通过将匝数比的值或其对应的概率分布设定为输入节点的第一初始概率值，为网络提供关于电动机基本构造的初始信息。通过隐藏节点处理输入信息并预测电动机的内部状态，例如，功率效率参数。这个参数是衡量电动机性能的关键指标，影响到电动机运行的经济性和可靠性。通过为隐藏节点中的功率效率参数设定第二初始概率值，引入对电动机内部运行效率的预测，这种预测基于电动机的设计参数和运行条件。之后，输出节点代表电动机控制系统的决策或行动，比如输出电压调整策略。策略是基于电动机当前的运行状态和预期的运行目标，旨在通过调整输出电压来优化电动机的运行性能。将输出电压调整策略的可能性设定为第三初始概率值，即表明了在给定的电动机状态和内部效率预测下，采取特定调整策略的可能性。对三层贝叶斯网络结构进行网络结构和连接权重集成。包括确定不同节点之间的依赖关系和影响力度，即连接权重。例如，输入节点（匝数比）对隐藏节点（功率效率）的影响程度，以及隐藏节点对输出节点（调整策略）的影响力度。这些权重反映了不同参数间相互作用的复杂性和强度，需要通过对电动机运行数据的分析来设定。通过以上步骤，构建一个初始自整定优化控制模型，模型能够反映电动机的基本设计参数和性能指标，还能预测在不同运行条件下电动机的最优控制策略。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）分别对电动机负载数据和运行状态数据进行曲线拟合，得到电动机负载曲线和运行状态曲线；

（2）分别对电动机负载曲线和运行状态曲线进行曲线特征点识别，得到电动机负载特征点集和运行状态特征点集；

（3）对电动机负载特征点集和运行状态特征点集进行特征融合，得到目标特征集合；

（4）将目标特征集合输入初始自整定优化控制模型，通过初始自整定优化控制模型进行输出电压调整策略分析，得到目标输出电压调整策略；

（5）基于目标输出电压调整策略对单相感应电动机进行三相PWM输出电压调整，并计算得到对应的第一相位差。

具体的，收集电动机负载数据和运行状态数据，这些数据通过各种传感器实时监测和记录，包括电流、电压、温度等参数。这些数据反映了电动机在不同工作条件下的表现。通过对数据进行曲线拟合，得到反映电动机负载和运行状态随时间变化的连续曲线，即电动机负载曲线和运行状态曲线。分别对电动机负载曲线和运行状态曲线进行曲线特征点识别，从曲线中识别出具有代表性的特征点，比如负载峰值、最低效率点等。这些特征点集合反映了电动机运行过程中的关键状态，有助于理解电动机的性能。例如，负载峰值可能指示电动机承受的最大工作负载，而最低效率点则可能揭示电动机潜在的性能改进空间。对电动机负载特征点集和运行状态特征点集进行特征融合。特征融合过程中，综合考虑各个特征点之间的相互关系和影响。通过综合分析负载特征和运行状态特征，形成一个全面反映电动机运行特性的目标特征集合。将目标特征集合输入初始自整定优化控制模型。模型根据输入的特征集合，通过内置的算法进行输出电压调整策略分析。分析过程可能涉及到数学模型和机器学习算法，旨在找到最优的电压调整策略，以提高电动机的运行效率和性能。例如，模型可能确定在特定负载条件下调整输出电压可以减少能耗而不牺牲输出功率。基于模型分析得到的目标输出电压调整策略，对单相感应电动机进行三相PWM输出电压调整。利用PWM（脉冲宽度调制）技术精确控制电动机的输出电压，以实现模型推荐的最优电压调整策略。在调整过程中，计算对应的第一相位差，相位差是衡量调整效果的重要指标，反映了调整前后电动机性能的改变。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）设定初始相位差，并将初始相位差作为步进搜索法中步进搜索的起点；

（2）根据初始相位差对单相感应电动机进行性能分析，得到对应的第一电动机性能响应参数；

（3）按照设定的步长增加生成对应的测试相位差，并根据测试相位差对单相感应电动机进行性能分析，得到对应的第二电动机性能响应参数；

（4）根据第一电动机性能响应参数和第二电动机性能响应参数对单相感应电动机进行多轮测试和最优相位差求解，得到第二相位差。

具体的，设定初始相位差，相位差是电动机优化过程开始的基准点。初始相位差的设定基于对电动机性能和运行特性的初步理解，基于先前经验的估计值，或是通过初步实验得到的近似最优值。将初始相位差作为步进搜索法中的起点，通过逐步调整和测试寻找最优的相位差设置。基于初始相位差对单相感应电动机进行性能分析，评估在这个特定相位差下电动机的运行表现。测量电动机的多个性能响应参数，如效率、功率因数和输出功率等，这些参数的测量结果为第一电动机性能响应参数。按照预先设定的步长对相位差进行调整，生成新的测试相位差。在每次相位差调整后，对电动机进行性能分析，测量和记录新的性能响应参数，得到第二电动机性能响应参数。通过这种方式，得到多个基于不同相位差设置的电动机性能数据。根据第一电动机性能响应参数和第二电动机性能响应参数对单相感应电动机进行多轮测试和最优相位差求解，识别出性能最优化时的相位差设置。对多轮测试数据进行综合分析，使用统计和优化算法评估不同相位差下的性能变化趋势，确定最优的相位差，即第二相位差。这个过程可能需要多次迭代，每一轮迭代都基于前一轮的分析结果来调整相位差，直至找到性能最优化的相位差设置。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）对第一相位差和第二相位差进行差值计算，得到相位差差值；

（2）根据相位差差值确定初始自整定优化控制模型的优化方向；

（3）通过预置的遗传算法根据优化方向对初始自整定优化控制模型进行参数种群初始化，生成多个第一模型参数；

（4）分别计算每个第一模型参数的第一适应度值，并根据第一适应度值对多个第一模型参数进行模型参数筛选，得到多个第二模型参数；

（5）对多个第二模型参数进行交叉和变异操作，生成多个第三模型参数，并分别计算每个第三模型参数的第二适应度值；

（6）根据第二适应度值对多个第三模型参数进行最优参数求解，得到目标模型参数；

（7）通过目标模型参数对初始自整定优化控制模型进行模型优化，得到目标自整定优化控制模型。

具体的，对第一相位差和第二相位差进行差值计算，这决定了后续优化的具体方向。相位差差值实际上反映了电动机在当前设置下的性能变化，为确定优化方向提供了直接的依据。例如，如果差值指示当前相位差设置导致性能下降，那么优化方向将是寻找能够改善性能的相位差设置。根据相位差差值确定初始自整定优化控制模型的优化方向。解读差值结果，并据此设定优化目标，优化方向指明了需要改进的性能指标（如提高效率或减少能耗）。通过预置的遗传算法根据确定的优化方向对初始自整定优化控制模型进行参数种群初始化，生成多个第一模型参数。通过随机生成多个可能的解决方案（即模型参数）作为算法的起点。这些第一模型参数代表了电动机控制模型可能的配置。算法分别计算每个第一模型参数的第一适应度值，这些适应度值衡量了每组参数在优化目标上的表现。根据第一适应度值，进行模型参数筛选，剔除性能较差的参数组，保留那些能够更好地满足优化方向的第二模型参数。对经过筛选的第二模型参数进行交叉和变异操作，模拟生物遗传过程中的基因重组和突变，生成具有新特性的第三模型参数。每个第三模型参数再次被计算适应度值，得到第二适应度值，以评估它们在新的参数配置下的性能表现。根据第二适应度值对所有第三模型参数进行最优参数求解。从所有候选解中找到最佳的参数设置，即那些能够最大化电动机性能指标的目标模型参数。通过将目标模型参数应用于初始自整定优化控制模型，最终获得经过优化的目标自整定优化控制模型。

在一具体实施例中，执行步骤通过预置的遗传算法根据优化方向对初始自整定优化控制模型进行参数种群初始化，生成多个第一模型参数的过程可以具体包括如下步骤：

（1）对初始自整定优化控制模型进行模型参数范围预测，得到模型参数范围数值；

（2）通过预置的遗传算法根据优化方向和模型参数范围数值对初始自整定优化控制模型进行参数点预测，得到多个模型参数点数值；

（3）根据多个模型参数点数值创建初始自整定优化控制模型对应的初始化参数种群，初始化参数种群包括多个第一模型参数。

具体的，对初始自整定优化控制模型进行模型参数范围预测，确定控制模型参数可能的最大和最小值，即模型参数的范围。范围的确定基于对电动机工作原理的理解以及先前的实验数据。例如，如果系统正在调整电动机的输出电压，模型参数范围可能基于电动机安全工作电压的上下限。模型参数范围直接影响到遗传算法搜索过程的效率和结果的有效性。通过预置的遗传算法根据优化方向和模型参数范围数值对初始自整定优化控制模型进行参数点预测。遗传算法随机生成多个参数点，这些参数点遍布在之前预测的参数范围内。每个参数点代表了一种可能的模型配置，即电动机在特定设置下的工作状态。例如，每个参数点可能代表一个特定的输出电压和频率组合。根据模型参数点数值创建初始自整定优化控制模型对应的初始化参数种群。初始化参数种群包括了多个第一模型参数，这些参数代表了电动机控制模型的不同潜在状态。初始化种群的多样性确保了算法有足够的搜索空间来探索最优解。例如，种群中的参数可能包括不同的电压调整策略和相位差设置，这些参数共同定义了电动机的初始运行条件。

上面对本申请实施例中单相感应电动机自整定优化变频控制的方法进行了描述，下面对本申请实施例中单相感应电动机自整定优化变频控制的装置进行描述，请参阅图2，本申请实施例中单相感应电动机自整定优化变频控制的装置一个实施例包括：

计算模块201，用于对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，得到匝数比；

创建模块202，用于根据匝数比创建单相感应电动机对应的初始自整定优化控制模型；

获取模块203，用于获取单相感应电动机的电动机负载数据和运行状态数据；

调整模块204，用于将电动机负载数据和运行状态数据输入初始自整定优化控制模型进行三相PWM输出电压调整，得到第一相位差；

分析模块205，用于基于步进搜索法对单相感应电动机进行最佳相位差分析，生成第二相位差；

优化模块206，用于基于第一相位差和第二相位差对初始自整定优化控制模型进行模型优化，得到目标自整定优化控制模型。

通过上述各个组成部分的协同合作，通过对单相感应电动机的主绕组和副绕组进行等效阻抗测试和匝数比计算，以及根据这些数据创建相应的自整定优化控制模型，能够根据电动机的实时电气参数和运行状态动态调整控制策略。这种自适应性确保了电动机在不同的负载条件和运行状态下都能以接近最佳效率和稳定性运行。通过将电动机负载数据和运行状态数据输入自整定优化控制模型进行三相PWM输出电压调整，得到最佳的相位差分析，能够优化电动机的运行状态，减少能量损失，从而提升电动机的运行效率。特别是在变负载条件下，能够快速响应负载变化，调整电动机到最佳工作点，实现能效最大化。将步进搜索法得到的实现主、副相电流与匝数成反比的最佳电压相位差，过程简单，实现容易，然后进行最佳相位差分析，并根据分析结果优化控制模型，这一过程增强了电动机的运行稳定性。通过精确控制PWM输出电压的相位差，电动机的运行更加平稳，减少了过载和过热的风险，延长了电动机的使用寿命。基于三层贝叶斯网络结构，利用智能算法对控制模型进行优化和参数调整，使得电动机控制策略的制定和执行更加智能化，进而提高了单相感应电动机自整定优化变频控制的准确率并且能够保证在不同转速下均产生基本为圆形的旋转磁场，使单相感应电动机高效与稳定运行。

本申请还提供一种单相感应电动机自整定优化变频控制的设备，所述单相感应电动机自整定优化变频控制的设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述单相感应电动机自整定优化变频控制的方法的步骤。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述单相感应电动机自整定优化变频控制的方法的步骤。

需要说明的是，本发明的方法及装置适用于常规的三相变频器或逆变器，通过相应的软件程序即能容易地实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，系统和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。