1.一种重力储能电机控制方法，其特征在于，包括以下步骤：
S1：建立总控制系统框架，通过时序任务循环，循环加载控制项目模块；
S2：设计数据收集模块，选择传感器并安装配置；
S3：实施数据预处理模块，清洗和修复传感器数据；
S4：构建模型训练及更新模块，使用机器学习算法训练模型并持续更新；
S5：设计多目标优化模块，选择适当的算法进行系统性优化；
S6：开发预测模块，使用时间序列分析和回归模型进行状态预测；
S7：构建自适应供电策略模块，监测电网状态和资源评估，调整供电策略。
2.根据权利要求1所述的重力储能电机控制方法，其特征在于：所述S3中，所述清洗和修复传感器数据的步骤具体为：
S301：在数据预处理模块中，数据清洗单元对数据进行平滑处理，通过计算窗口内数据的平均值来减小噪声的影响，通过使用相邻数据点之间的线性关系来估计缺失值并进行修复；
S302：数据缩放单元通过将数据映射到[0，1]之间的范围，将特征值按比例缩放，使其具有统一的尺度，将数据转换为均值为0、标准差为1的分布，以消除特征之间的量纲差异；
S303：通过计算协方差矩阵的特征向量和特征值，将原始数据转换为新的特征空间，选择主成分来表示数据的主要信息，将数据投影到一个低维空间，使得不同类别的样本在投影后能够更好地区分开，提高分类性能。
3.根据权利要求1所述的重力储能电机控制方法，其特征在于：所述S4中，所述构建模型训练及更新模块，使用机器学习算法训练模型并持续更新的步骤具体为：
S401：模型建立单元选择算法并准备训练数据集，将预处理模块提供的特征数据以及相应的标签或目标值组成训练样本；
S402：使用选择的算法对训练样本进行模型训练，通过学习样本之间的关系和特征之间的权重来建立模型；
S403：根据模型训练的结果评估其性能，并进行必要的调优和验证；
S404：模型更新单元收集新的数据样本，包括特征数据和相应的标签或目标值，用于模型的更新；
S405：使用在线学习算法，将新的数据样本逐步纳入训练过程中，不断更新模型的参数，通过递增地更新模型权重来适应新数据的特征，使用增量学习算法，将新的数据样本与旧的训练数据结合，重新训练模型；
S406：对更新后的模型进行评估和验证。
4.根据权利要求1所述的重力储能电机控制方法，其特征在于：所述S5中，所述选择适当的算法进行系统性优化的步骤具体为：
S501：目标设定单元确定系统需要优化的目标，所述优化的目标包括最大化某一指标、最小化某一成本、在不同目标之间寻求平衡；
S502：针对每个目标定义相应的优化函数或指标，度量系统在每个目标上的性能；
S503：给出每个目标的权重，反映其相对重要性，并基于用户偏好设定权重，根据设定的优化目标和权重，生成最终的优化问题；
S504：优化算法单元定义约束条件，所述约束条件包括系统的性能约束、资源限制、安全要求；
S505：选择优化算法利用选定的优化算法对目标函数进行优化，通过迭代过程不断搜索最优解的参数组合，得到系统的最优参数配置。
5.根据权利要求1所述的重力储能电机控制方法，其特征在于：所述S6中，所述使用时间序列分析和回归模型进行状态预测的步骤具体为：
S601：状态预测单元使用已建立的模型确定需要预测的状态变量，包括重力储能电机的速度、输出功率；
S602：基于已有的数据和历史记录，建立合适的模型用于状态预测；
S603：使用选定的预测算法对重力储能电机的状态进行预测，根据历史数据和模型的输入，推断未来的状态值；
S604：参数调整单元根据状态预测单元的输出，获取预测的重力储能电机未来状态的数值；
S605：确定目标状态，即期望重力储能电机实现状态；
S606：通过调整重力储能电机的运行参数，使其逐步接近目标状态；
S607：基于当前状态和目标状态之间的差距，选择调整策略；
S608：不断迭代S604‑S607步骤，直到达到期望的目标状态，或在指定范围区间下停止调整。
6.根据权利要求1所述的重力储能电机控制方法，其特征在于：所述S7中，所述监测电网状态和资源评估，调整供电策略的步骤具体为：
S701：电网监测单元对电网数据进行处理，降低噪声的影响，获取平滑的电网状态信息，对电网数据进行分析，捕捉电网状态的变化趋势和规律；
S702：资源评估单元分析历史数据和相应的负载需求特征，预测未来的负载需求，对可用能源资源进行评估和分配，考虑能源供给的可靠性、成本效益等因素
S703：策略调整单元根据预定义的规则和条件，对电网监测和资源评估的结果进行分析和判断，制定相应的初阶段供电策略调整方案，建立系统模型并预测未来的电网状态和负载需求，制定更精确的供电策略调整方案。
7.一种重力储能电机控制系统，其特征在于：所述一种重力储能电机控制系统包括总控制系统，所述总控制系统包括数据收集模块、数据预处理模块、模型训练及更新模块、多目标优化模块、预测模块和自适应供电策略模块，所述数据收集模块、数据预处理模块、模型训练及更新模块、优化模块、预测模块和自适应供电策略模块在被所述总控制系统运行时，使得所述总控制系统执行如权利要求1‑6中任一项所述的重力储能电机控制方法；
所述总控制系统提供了统一平台，用于集成和协调各个控制步骤，可以通过时序任务循环加载各个控制项目模块，以实现对重力储能电机的综合控制。
8.根据权利要求7所述的重力储能电机控制系统，其特征在于：所述数据收集模块包括传感器组件和数据传输通道，所述传感器组件包括电机温度传感器、功率传感器、速度传感器、扭矩传感器、转子位移传感器，各传感器所采集数据在数据收集单元中，采用蓝牙或LoRaWAN，以实现无线数据传输；
所述数据预处理模块包括数据清洗单元、数据缩放单元、特征提取单元，其中：
所述数据清洗单元所采用算法包括滑动窗口平均、线性插值；
所述数据缩放单元所采用算法包括最大最小值缩放、标准化；
所述特征提取单元所采用算法包括主成分分析(PCA)、线性判别分析(LDA)；
所述模型训练及更新模块包括模型建立单元、模型更新单元，其中：
所述模型建立单元所采用算法包括线性回归、支持向量机(SVM)、神经网络；
所述模型更新单元所采用算法包括在线学习算法、增量学习算法。
9.根据权利要求7所述的重力储能电机控制系统，其特征在于：所述多目标优化模块包括目标设定单元、优化算法单元，其中：
所述目标设定单元所采用算法包括多目标优化算法、加权线性规划；
所述优化算法单元所采用优化算法包括遗传算法、粒子群优化算法；
所述预测模块包括状态预测单元、参数调整单元，其中：
所述状态预测单元所采用算法包括时间序列预测、回归分析；
所述参数调整单元所采用算法包括基于模型的优化算法、迭代调整算法。
10.根据权利要求7所述的重力储能电机控制系统，其特征在于：所述自适应供电策略模块包括电网监测单元、资源评估单元、策略调整单元，其中：
所述电网监测单元所采用算法包括滤波算法、趋势分析算法；
所述资源评估单元所采用算法包括负载预测算法、能源资源分配算法；
所述策略调整单所采用算法包括基于规则的决策算法、模型预测控制算法。