基于PSO的改进的PID控制器在VAV空调系统温度控制中的应用

陈孟元



基于PSO的改进的PID控制器在VAV空调系统温度控制中的应用

陈孟元1,2

（1.安徽工程大学，安徽，芜湖 241000; 2. 安徽省电气传动与控制重点实验室，安徽，芜湖 241000）

以变风量空调系统的温度控制作为研究对象，在现有的研究基础上，提出了粒子群优化算法改进的BP神经网络PID控制方法。应用BP神经网络进行PID参数在线整定，粒子群优化算法提高BP神经网络的学习速率和收敛性，结合三者各自的优势以提高变风量空调系统的控制性能。

VAV系统；温度控制；粒子群优化算法；BP神经网络；PID控制

变风量空调系统(Variable Air Volume Air Condition System，简称VAV空调系统)是通过改变送风量使某一区域的温度保持在设定温度的一种空调系统[1]。近年来，变风量空调系统由于其节能优势正受到越来越多的关注，成为研究的热点。一个良好的变风量空调系统，除了精确的设计计算，合理的系统布置，到位的施工安装外，选择一个最佳的控制方法也很关键[2]。由于VAV空调系统具有非线性、大滞后和时变性等特点，对于该系统常规PID控制方法存在着参数整定不良、抗干扰能力差等缺点，不能达到预期的控制效果，寻找一种好的控制策略势在必行。本文基于人工智能控制思想，结合粒子群优化算法机理，引入BP神经网络PID控制算法，设计了一种粒子群优化算法改进的BP神经网络PID控制器，并将其应用于VAV空调系统的温度控制中。

1 VAV空调系统温度控制原理

变风量空调系统中的温度控制是通过特殊的送风装置来实现的，这种送风装置又称为“末端装置”。末端控制装置以室内调节区域温度的波动为控制信号来控制送风机的送风量，从而适应房间温度的变化[3]。

图1 “末端装置”控制回路框图

VAV空调系统“末端装置”框图如图1所示。从该框图可以看出，控制回路含两个控制器：主控制器为温控器，副控制器为风控器，两个控制器是串级连接的。通过串级控制可以改善反馈控制回路的性能，当温度传感器检测出房间内温度的变化，把信息反馈到温控器，将检测到的实际温度和设定温度根据比较值输出信号作为所需风量的设定值，风量控制器根据设定值调节风阀，改变风量，以促使温度返回到其设定值上。

2 VAV空调系统数学模型

2.1 空间模型

设被调空间温度均匀分布，即不考虑由送风温差而导致的房间局部温度差异。根据能量守恒定律，即一定时间内进入空间的能量减去空间流出的能量应等于空间内能量的变化，得到空间模型的微分方程[4]表达式为：

系统受到干扰而处于不稳定状态时，

经过拉氏变换，为

简化处理后可以得到调节通道的传递函数为：

根据空调房间特性参数的估算公式，对于孔板送风的情况有：

2.2 传感器数学模型

温度传感器模型[5]可以如式(8)：

2.3 风阀执行器的数学模型

执行器是自动控制系统的重要组成部分，其性能好坏直接影响控制质量。风阀执行器的作用就是控制风阀全开或全关，或控制其开在某个角度，或可以在某个角度范围进行调节，来控制风量。本系统采用的是电动调节阀，其微分方程为：

3 粒子群优化算法改进的神经网络PID控制

粒子群优化算法 (Particle Swarm Optimization，PSO)是由美国的Kenned和Eberhar于1995年提出的一种优化算法，该算法通过模拟鸟群觅食行为的规律和过程，建立了一种基于群智能方法的演化计算技术。由于此算法在多维空间函数寻优、动态目标寻优时有实现容易，鲁棒性好，收敛快等优点在科学和工程领域已取得很好的研究成果[6]。

粒子群优化神经网络是结合粒子群优化算法和梯度下降法来加速收敛和防止陷入部分极小点。具体算法如下[7]：

（1）由输入节点数目由被控对象的输入变量确定s；

（2）隐含层神经元3个，近似比例、积分和微分的作用；

（4）将PID控制器和被控对象串连成闭环系统；

（5）运行搭建的系统，在采样周期内

⑦+ 1；

循环运行①-⑦。

按照粒子群优化算法的基本原理和算法流程，应用粒子群优化算法改进BP神经网络实现PID参数寻优[8]。建立如图2所示的基于粒子群优化神经网络参数KP、KI、KD自学习的PID控制器结构图。

图2 粒子群优化BP神经网络PID控制的模型结构

4 系统仿真

根据以上分析，在MATLAB的Simulink中作出粒子群优化算法改进的BP神经网络PID控制系统的仿真模型，如图3所示。图4为根据图3模型运行得到的粒子群优化算法改进的BP神经网络PID控制器的房间温度控制仿真曲线。

图3 粒子群优化算法改进BP神经网络PID控制仿真模型

图4 粒子群优化BP神经网络PID控制器房间温度控制仿真曲线

为了更加直观地看到不同控制器的控制效果，将使用PID控制器、BPNN PID控制器与本文设计的PSO-BPNN PID控制器的房间温度控制仿真曲线进行对比，如图5所示。

图5 三种控制器的房间温度控制仿真曲线

表1 VAV系统温度控制三种PID控制器性能评价

三种PID控制器的VAV系统房间温度控制的性能指标评价如表1所示。可以得出：BP神经网络PID控制器结合了神经网络控制和PID控制两者的优点，与常规PID控制器比较，具有峰值时间短震荡次数少，超调量小，响应速度快等特点。利用BP神经网络的自学习能力，自动调节权值，达到在线改变KP、KI、KD三个参数，降低系统误差的目的。将BP神经网络PID控制策略应用于VAV空调系统的温度控制中，系统稳定，室内温度波动小，对于动态系统而言是一种较好的控制策略。改进的BP神经网络PID控制器应用粒子群优化算法代替最速下降法进行BP神经网络的网络权值训练，可以弥补一般最速下降算法的收敛速度慢和容易陷入局部极小的缺点。另一方面一般BP神经网络PID控制器虽然能缩短系统的稳定时间，然而由于网络训练算法的缺陷，系统的稳定性仍然不是很理想，利用粒子群优化算法进行BP神经网络的权值训练，可以很快地实现PID控制参数的寻优过程，并且在寻优过程中很好避免局部寻优的假象。因此从三种控制器的房间温度控制仿真曲线中可以看出PSO-BP神经网络PID控制器稳定时间快、超调量小，房间温度能够更快进入稳定。

5 结论

本文针对VAV空调系统温度控制具有非线性、不确定性等特点，而传统PID控制难以在线调整控制参数，自适应能力差，对系统的控制快速性和准确性差的特点，提出将基于粒子群优化算法的神经网络PID控制器应用于该系统。在分析得到房间模型和VAV系统各环节的数学模型后，分别设计了PID控制器、BP神经网络PID控制器和粒子群优化算法改进的BP神经网络PID控制器，运用MATLAB中的Simulink建立了系统的仿真模型并进行了仿真研究，对比传统PID控制，可得以下结论：粒子群优化算法改进的BP神经网络PID控制器既结合了BP神经网络控制和常规PID控制的特点，能够利用BP神经网络根据输入输出的变化实现PID控制参数KP、KI、KD的在线整定，达到很好的控制效果；又能够利用粒子群优化算法全局搜索能力强的优点来克服BP算法收敛速度慢、易陷入局部最小点的缺点，在商场VAV系统的温度控制中能达到很好的控制效果，为VAV空调系统的温度控制提供了一种新的思路。

[1] 徐征,刘筱屏,何海亮．温湿度独立控制空调系统节能性实例分析[J].暖通空调,2007,37(6):129-132.

[2] 何建平.变风量空调系统控制方法对比研究[J].制冷与空调,2009,23(2):83-85.

[3] Aktacir M A, Büyükalaca O, lmaz T Y. A case study for influence of building thermal insulation on cooling load and air-conditioning system in the hot and humid regions[J]. Applied Energy, 2010, 87(2): 599-607.

[4] 曹方,王伟,王介生,等.基于HS-PSO算法的PID控制器参数自整定[J]．控制工程,2011,18(3):352-355.

[5] 时子青,陈向东,龚静,等.一种新型MEMS温度传感器[J].传感器与微系统,2011,30(9):149-192.

[6] Zhan Z H. Adaptive particle swarm optimization. Systems, Man, and Cybernetics, Part B: Cybernetics[J]. IEEE Transactions on, 2009, 39(6): 1362-1381.

[7] 任子武,伞冶,陈俊风.改进PSO算法及在PID参数整定中应用研究[J].系统仿真学报,2006,18(10):2870-2873.

[8] Feng Z X, Ren Q C, Yu J Q. The Modeling and Simulation of VAV System Based on BP Neural Network[J]. Advanced Materials Research, 2012, 374: 109-112.

RESEARCH OF THE IMPROVED BP-NN PID CONTROLLER BASED ON PSO FOR THE VAV AIR-CONDITIONING SYSTEM

CHEN Meng-yuan1,2

(1. Anhui Polytechnic University, Wuhu, Anhui 241000, China; 2. Key Laboratory of Anhui Electric Drive and Control, Wuhu, Anhui 241000, China)

Based on the existed research, we took the temperature control of AVA air-conditioning system as research object and put forward the BP neural network’s control theory of PID based on the particle swarm optimization. By applying BP neural network on the online installation of PID parameter, particle swarm optimization can improves the study speed and convergence of BP neural network. Combining all the three advantages，we improve the control performance of AVA air-conditioning system.

VAV system; temperature control; particle swarm optimization; BP neural network; PID control

1674-8085(2014)01-0055-05

TM351

A

10.3969/j.issn.1674-8085.2014.01.012

2013-01-18；

2013-06-19

安徽省自然科学基金项目（11040606M153）；芜湖市科技计划基金项目（芜科计[2011]47号文）；安徽省高校自然科学基金项目(KJ2013A041)；国家级大学生创新创业训练计划项目(201210363003)

陈孟元(1984-)，男，安徽芜湖人，讲师，硕士，主要从事检测技术及其自动化研究(E-mail: mychen @ahpu.edu.cn).