[发明专利]一种任意负载状态下感应电机功率因数的估算方法

权利要求书

1.一种任意负载状态下感应电机功率因数的估算方法，其特征在于包括如下步骤：

S1：获取若干电机在不同负载下运行的电压U、电流I、有功功率P、无功功率Q；

S2：通过获取的数据计算不同负载下电机的功率因数，并制作数据集，其中输入变量为负载率，输出变量为该负载下电机的功率因数；

S3：将数据集按照交叉验证法划分为训练集、验证集和测试集；

S4：将训练集和验证集输入到支持向量回归算法中，训练出估算功率因数的回归模型，并判断模型的准确性；重复上述步骤直至将数据集全部放入一遍输入模型，以所有误差平均值作为该模型的泛化误差；

S5：选择具有最小泛化误差的模型作为最终模型，并将测试集输入此模型中，将输出结果与真实值进行比对，以此作为迭代训练的依据，在整个训练集上再次训练该模型，从而得到最终的功率因数估算模型。

2.根据权利要求1所述的一种任意负载状态下感应电机功率因数的估算方法，其特征在于：所述步骤S2计算电机功率因数的公式如下：

Q＝P*tanΦ

P＝S*cosΦ

tanΦ＝Q/P

cosΦ＝P/S

其中，P为有功功率，Q为无功功率，U为电压，I为电流，S为视在功率，cosΦ是电机的功率因数。

3.根据权利要求1所述的一种任意负载状态下感应电机功率因数的估算方法，其特征在于：所述步骤S3的具体过程如下：

1.随机将数据集等分成k份，标记为R₁,R₂,…,R_k；

2.对于每一个回归模型M_i，算法执行k次，每次选择一个R_i作为验证集，而剩余数集作为训练集来训练回归模型M_i，把训练得到的模型在R_i上进行测试验证，每次都会得到一个误差t，最后对k次得到的误差求平均，就可以得到回归模型M_i下的泛化误差；

3.选择具有最小泛化误差的模型作为最终模型，并将测试集输入此模型中，将输出结果与真实值进行比对，以此作为迭代训练的依据，在整个训练集上再次训练该模型，从而得到最终的功率因数估算模型。

4.根据权利要求3所述的一种任意负载状态下感应电机功率因数的估算方法，其特征在于：所述数据集按照6:2:2划分为训练集、验证集、测试集。

5.根据权利要求1所述的一种任意负载状态下感应电机功率因数的估算方法，其特征在于：所述步骤S4的具体过程如下：

1.将回归模型表示为Y＝f(x)＝wΦ(x)+b，其中Φ(x)是高位空间中的超平面，x是一个m维特征空间，w和b是解决回归问题的支持向量系数；x代表输入变量即负载率，f(x)代表输出变量即功率因数；

2.确定回归模型的参数w和b，通过最小化公式中的正则化经验风险函数和损失函数来求出，公式如下：

其中，为经验风险误差，C是被称为支持向量回归容量的超参数，L_ε(t_i-y_i)为损失函数，t_i是数据集中的输出变量即真实值，y_i是通过算法估计的预测值，ε是表示训练数据点覆盖函数的超维圆柱体大小的超参数，为正则化项；

3.引入超参数松弛变量最优化问题被重新表达，公式变换为：

该公式满足如下条件：

其中为拉格朗日乘子的系数；利用拉格朗日乘数法可以通过求偏导数得到w；求偏导的过程如下：

4.为了得到b的值，除了需要已经计算得出的w以外，还需要一个支持向量E，计算公式如下：

其中为支持向量系数；

5.将w和b的公式代入f(x)中，并利用核函数解决最小化问题，f(x)的公式转换为：

其中为K(X_i,X_j)核函数，