1.一种节能电机运行优化分析方法，其特征在于，所述分析方法包括如下步骤：S1：实时监测电机的负载及运行状态，获取所述电机的监测数据；

S2：通过机器学习算法和所述监测数据，建立能耗预测模型，确定不同控制策略下的电机预测能耗；

S3：所述电机预测能耗通过优化算法，确定能够实现最大能效比的电机工作参数；

S4：根据所述电机工作参数，实时调整所述电机的运行参数，并重复步骤S1‑S3；

获取所述电机的监测数据，具体如下：

S1.1：根据所述电机的结构和运行环境，设置多维度传感器；

S1.2：对所述多维度传感器获取的数据信息进行抗干扰处理；

S1.3：将抗干扰处理后的数据信息，通过时间序列分析，确定数据间的时序依赖关系；

对所述多维度传感器获取的数据信息进行抗干扰处理，具体如下S1.2.1：根据所述多维度传感器获取的数据信息，确定每个数据对应的滤波后的数据值，具体为：；

其中： 为滤波后的信号在当前时刻n的值，为衰减因子， 为多维度传感器获取的数据， 为滤波后信号在前一时刻n‑1的值；

S1.2.2：重新步骤S1.2.1，不断更新所述滤波后的数据值；

确定数据间的时序依赖关系，具体如下：S1.3.1：根据所述抗干扰处理后的数据信息，确定AR模型的阶数，所述AR模型具体为：；

其中： 为时间序列在时间点t的值， 为自回归系数在时间点 的值， 为时间序列在时间点 的值， 为自回归系数在时间点 的值， 为时间序列在时间点的值， 为自回归系数在时间点 的值， 为时间序列在时间点 的值， 为白噪声；

S1.3.2：通过统计建模工具和所述AR模型的阶数，对所述AR模型的参数进行估计；

S1.3.3：通过自相关图，确定出所述AR模型的自回归项的阶数，具体为：;

其中： 为AR模型的自回归项的第一阶数的自相关系数， 为序列长度， 为时间序列在时间点t的值， 为序列的平均值， 为时间序列在时间点 的值，t为时间点；

S1.3.4：根据所述AR模型的自回归项的阶数，建立所述AR模型，并通过所述AR模型确定数据间的时序依赖关系；

建立所述能耗预测模型，具体如下：

S2.1：对所述监测数据进行标准化处理；

S2.2：选择并训练机器学习模型，确定最终的机器学习模型；

S2.3：将标准化处理后的所述监测数据作为最终的机器学习模型的输入，建立所述能耗预测模型；

对所述监测数据进行标准化处理，具体如下：S2.1.1：通过四分位数范围规则，对所述监测数据进行清洗，具体为：;

其中： 为四分位距， 为上四分位数， 为下四分位数；

S2.1.2：通过Z‑score标准化算法，对清洗后的所述监测数据进行标准化处理，具体为：;

其中： 为标准化后的监测数据， 为清洗后的监测数据，为数据集的平均值，为标准差；

确定最终的所述机器学习模型，具体如下：S2.2.1：根据抗干扰处理后的所述监测数据，选择初级机器学习模型；

S2.2.2：通过贝叶斯优化方法，确定出所述初级机器学习模型对应的最佳超参数组合；

S2.2.3：将所述最佳超参数组合对应的机器学习模型，通过K折交叉验证方法进行验证，确定出最终的所述机器学习模型。

2.根据权利要求1所述的一种节能电机运行优化分析方法，其特征在于，确定能够实现最大能效比的电机工作参数，具体如下：S3.1：将待优化参数转化为最大化能效比；

S3.2：通过梯度上升公式，获取所述待优化参数对应的梯度向量，所述梯度上升公式具体为：;

其中： 为待优化参数对应的梯度向量，为一个待优化参数， 为另一个待优化参数。

3.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至2任一项中所述的方法。