1.一种基于储备池计算的永磁同步电动机混沌预测方法，其特征在于，包括以下步骤：步骤1：引入永磁同步电动机数学模型，采用电动机的系统状态变量用于混沌的预测；

永磁同步电动机数学模型为：

为永磁同步电动机系统状态变量，分别表示为d轴定子电流、转子角速度和q轴定子电流；σ和γ为电机系统参数；

步骤2：确定回声状态网络模型的参数，网络模型由输入层、储备池和输出层组成，输入层神经元个数为K＝3，输入向量为：储备池神经元个数为N＝300，状态向量为

r(t)＝(1‑a)r(t‑1)+a tanh(Ar(t‑1)+Win(1；u(t)))    (2)输出层神经元个数为Q＝3，输出向量为：

y(t)＝Wout[1；u(t)；r(t)]    (3)其中， 为永磁同步电动机系统状态变量，分别表示为d轴定子电流、转子角速度和q轴定子电流；参数a是泄漏率，用于控制状态向量r的更新速度，范围在(0,1)之间；

为激活函数；Win为输入层到储备池之间的输入权重矩阵，A是储备层的权重邻接矩阵，两者为随机产生，是范围在[‑σ,σ]的均匀分布矩阵，训练过程中保持不变；Wout为储备池到输出层的权重矩阵，需要通过系统的输入、输出数据训练得到；

步骤3：储备池到输出层的权重矩阵Wout的获得；

步骤4：训练回声状态网络模型，得到输出向量预测模型；

步骤5：利用输出向量预测模型对测试样本进行预测；

所述步骤3的获得方法为：设网络的训练长度为T，训练网络的矩阵为u＝{s(i)|i＝1,

2,...,T}，储备池网络使用s(i)来预测下一项s(i+1)，Wout由下列方程计算得出：T T ‑1

Wout＝YtargetX(XX+βI) ，                              (5)其中，β为网络的正则化系数，用于防止过拟合；I为单位矩阵；X表示为第i项列向量[1；

s(i)；r(i)]；Ytarget为列向量[s(i+1)]；

所述步骤4中，训练回声状态网络模型的方法为：以转子角速度 的时间序列数据作为输入向量输入储备池计算网络，然后进行训练，其中输入矩阵 而 的初始值为随机值，得到输出变量 之后替换其中的ωt′为ωt，即将作为下一个时间点的输入向量，依次迭代，获得系统状态变量作为预测输出值，绘制状态变量值的变化曲线图，即为输出向量预测模型。

2.根据权利要求1所述的永磁同步电动机混沌预测方法，其特征在于：所述步骤4中，训练回声状态网络模型的方法为：采用四阶Runge‑kutta数值方法计算微分方程(1)和(2)，其中步长取h＝0.01，用计算得到的前T个数据组成矩阵来训练网络，把三个状态变量 作为输入向量输入网络，然后根据方程(3)得到输出向量 其中， 为系统状态变量预测输出值，绘制输出向量值的变化曲线图，即为输出向量预测模型。