宋双双

电力拖动系统是现代工业自动化的核心驱动单元，其负载状态的时变性与不确定性对系统的控制精度、能效优化及运行可靠性提出了严峻挑战。传统控制策略在面对复杂多变的负载工况时存在参数自适应性差、响应滞后等局限。本文系统梳理了机器学习方法在电力拖动系统负载预测与控制领域的研究进展，重点分析了基于深度学习的时序预测模型、强化学习自适应控制策略以及模型预测控制与神经网络融合技术的研究现状与适用场景。研究表明：长短期记忆网络（LSTM）及其变体在负载时序预测中表现出良好的非线性拟合能力；深度强化学习可动态调整电机控制参数，实现负载突变工况下的自适应优化；模型预测控制与深度学习结合可有效提升系统在多变量约束条件下的动态响应性能。当前该领域的研究正向模型轻量化、在线学习和多模态感知融合等方向深入发展。

电力拖动系统；负载预测；机器学习；深度学习；预测控制

[1] 尹春杰,肖发达,李鹏飞,等.基于LSTM神经网络的区域微网短期负荷预测[J].计算机与现代化,2022(4):7-11. [2] 李晓静,张永华,魏小兵,等.基于深度学习的TBM运行参数预测及小样本扩充研究[J].应用基础与工程科学学报,2025,33(3):727-742. [3] 倪建辉,张菁,张昊立,等.基于时序特征灰度图与多任务学习的综合能源负荷短期预测[J].电气工程学报,2024,19(2):186-199. [4] 孔武斌,刘迪,范兴纲,等.航空发动机多电控制系统源-网-荷架构与关键技术[J].航空学报,2025,46(2):1-39. [5] 钱育树,孔钰婷,黄聪.电力负荷预测研究综述[J].四川电力技术,2023,46(4):37-43,58.

点击下载PDF