基于神经网络模型的中央空调房间温度预测控制

任　爽,刘　航,菅　锐

(沈阳化工大学a.信息工程学院,b.工业与艺术设计系,辽宁沈阳　110142)



基于神经网络模型的中央空调房间温度预测控制

任爽a,刘航a,菅锐b

(沈阳化工大学a.信息工程学院,b.工业与艺术设计系,辽宁沈阳110142)

摘要:使用BP神经网络建立了中央空调房间神经网络模型,并对系统进行了预测控制.仿真实验表明,利用神经网络建立的系统预测模型鲁棒性强,跟踪能力好.同时,将预测控制选为中央空调房间温度控制器能很好地控制这种非线性系统.

关键词:BP神经网络; 预测控制; 中央空调系统; 最小二乘法

神经网络辨识方法在对非线性系统、复杂系统模型辨识时模拟效果准确,鲁棒性强,因而将神经网络用于建立非线性系统预测模型是行之有效的[1].文献[2-3]在提出总风量控制法后,在控制系统形式上避免使用压力测量装置,减少了一个风机的闭环控制环节,但是这种方法控制风机和末端之间耦合度相对较大,即当房间负荷发生变化后,风机和该房间的末端风阀同时调节,系统的阻力特性变化较大,流量调节波动性也较大,致使末端频繁动作,造成系统不稳定.本文由于采用神经网络预测控制,具有很强的扰动能力,保证了系统的稳定性.Z.F.Roberto等用预测控制对中央空调系统的热舒适度进行了最优控制,并根据PMV指标绘制出最适宜人体温度的曲线图[4].同时,可应用全局最优控制方法建立空调系统的模型,该模型能很好地辨识系统的性能特征,对降低冷冻水系统供水水泵和风机泵能耗有很大帮助[5].

1　基于神经网络的预测控制

本文以节能低耗为原则,采用BP神经网络,充分利用其自学习、自组织能力建立了空气处理单元系统的预测模型,从而避免了对被控对象建模不够精确的问题,并对大型中央空调系统采用预测控制进行了控制.仿真实验表明,将神经网络建模和预测控制方法相结合具有良好的自适应性,取得了很好的控制效果.

1.1多步预测模型

人工神经网络是一个并行分布的网络信息处理结构,设网络结构中每个神经元有一个单一输出,它可以连接到其他多个神经元,其输入有多条通路,每个连接通路对应一个连接权系数,这里使用多层前馈型神经网络,如图1所示.

图1　多层前馈型神经网络图

图1中,q为神经网络的层数,第1层是输入层,有n+m个输入数据,wj(j=1,…,q)是第j层上的权值,这里取双曲线为神经元变换函数,即

1.2滚动优化

性能指标表示如下:

根据预测控制的滚动优化,预测控制规律可取为

1.3权系数在线计算

采用一种类似于递推最小二乘法的在线学习算法.对输出层定义如下性能指标:

式中,nq是输出层的单节点,ρ是遗忘因子,d(t)被定义为这个节点希望的输入并由下式给出:

2神经网络预测控制在中央空调系统中的应用

2.1中央空调控制策略

中央空调实验系统由中央空调实验装置、数据采集箱、研华工控机组成.中央空调实验装置由一台制冷机、一个冷却塔、一个空气处理单元和两个小房间构成.中央空调实验装置通过端子同数据采集箱连接,数据采集箱的另一端连接到研华工控机.中央空调实验系统如图2所示.

图2　中央空调实验系统

中央空调实验装置框图如图3所示.

图3　中央空调实验装置框图

中央空调实验装置由三大部分组成:①空气处理设备,是对空气进行过滤和各种热、湿处理的主要设备;②空气输送设备,包括送风机、回风机、风道系统,以及装在风道上的风量调节阀等配件;③空气分布装置,是指设在空调房间内的各种类型的送风口和回风口.

系统相关设备的主要参数有:制冷机的额定制冷量为8.5kW,冷冻水泵的额定功率为0.75kW,送风机和回风机的额定功率为0.25kW.制冷机、风机和水泵均配有欧姆龙变频,制冷机实验调速范围为额定速率的35.1～60.0Hz,风机和水泵的调速范围为额定速率的0～50Hz(实际运行过程中,风机为30～50Hz,冷冻水泵为10～50Hz),硬件为温湿度传感器(VECTOR ADS-H1T1)、压力传感器(Huba Control 5436)、变送器等测量设备.数据采集箱的数据采集卡使用研华PCI-1710.

对于中央空调控制系统,本文采用基于BP神经网络的模型预测控制方法,其结构框图如图4所示.图4中,tr(k)为给定的输入温度,u(k)为控制信号,t(k)为对象的输出,tm(k)为模型预测输出,e(k)为预测误差,tp(k)为反馈校正输出.

图4　空调房间温度神经网络预测控制框图

控制系统分为预测模型、反馈校正和滚动优化三部分.通过传感器对实际系统的室内温度、冷冻水进水阀门开度进行数据采集,共得到200对输入输出数据.对数据进行分组,前150对为第一组,作为数据训练集,用于辨识系统模型;后50对为第二组,作为被控对象的数据训练集.

预测模型主要是根据对象的过去的输入和输出信息以及未来的输入信息预测其未来输出.反馈校正可以弥补模型预测的不足,消除实际系统中存在的非线性、时变和随机干扰等负面因素,使得控制系统具有鲁棒性.滚动优化是采用向前推进式的有限时段优化策略.在每一采样时刻,优化性能指标只涉及从该时刻到未来固定时间区间的信息.当到下一采样时刻时,这个固定时段区间向前推移,重新计算新的控制输入和预测输出信息,是一种在线更新策略.神经网络预测控制流程图如图5所示.

利用MATLAB中的nntool工具箱构建被控对象的模型,模型选型为BP神经网络,输入、输出数据在P/T矩阵读取,以上两矩阵记录了实时采集的数据,包括阀门在k和k-1时刻的开度以及k与k-1时刻的房间温度和k+1时刻的房间温度.训练算法选择最小二乘法,同时设置隐含层、输出层各为一层的神经网络,其中,隐含层的节点数选为7.具体参数设计如图6所示.

图5　神经网络预测控制流程图

图6　神经网络辨识被控对象的参数设计

2.2仿真研究

为了进行中央空调系统的预测控制,首先要辨识系统模型,进行实验设计:采用阀门开度作为系统的输入,房间温度作为系统的输出,采样周期为0.1s,所辨识的模型用于代替真实对象的模型.

神经网络预测控制器中的神经网络采用三层BP神经网络,即输入层、隐含层和输出层.输入层取4个节点:当前k时刻的室内温度、冷冻水进水阀门开度以及k-1时刻的房间温度、冷冻水进水阀门开度.隐含层节点数为7.输出层节点个数为1,即房间下一k+1时刻的温度.系统Simulink结构图如图7所示.

神经网络预测控制器的参数选择如图8所示.

控制器神经网络模型的参数选择如图9所示.

通过对中央空调分析可知,在定负荷工况下,应用变风量(即令送风温度和冷冻水供水温度为定值,分别为16.8和7.3℃)改变空气质量流量和冷冻水质量流量来满足系统冷负荷的要求,该方法对AHU具有很好的节能效果.房间温度设定为26℃,对应的送风量为590m3/h,分别考虑三种情况:预测步数取20,控制步长为3;预测步长为15时,控制步长为3;预测步数取20,控制步长为5. 不同参数下系统性能分析如表1所示.

图7　系统Simulink结构图

图8　神经网络预测控制器的参数选择

情况性 能上升时间/s超调量/%调节时间/s情况一7811.53125情况二7534.61330情况三7723.08240

图9　控制器神经网络的参数选择

通过训练样本所得的结果如图10所示.

图10　训练结果图

从表1中可以看出,虽然情况一在上升时间上略慢于另外两种,但是在超调量、调节时间性能上都有明显的优势,故采用第一种情况对系统进行控制,控制效果如图11所示.

当冷却盘管的冷负荷为定值时,空气流量越大,冷冻水的流量越小,因此,随着风扇能耗的增加,冷冻水的能耗降低.设定冷冻水水泵的额定功率为0.73kW,风扇的额定功率为0.28kW,冷负荷为3.97kW,室外温度为36℃,相对湿度为72%.应用预测控制仿真可得到如图11所示的温度输出曲线与控制输出曲线.本实验在满足人体舒适度的情况下,将房间温度设定为26℃.

图11　仿真房间的温度输出和控制输出

3　结　　语

由于中央空调系统本身的特性(非线性、时变性、滞后性),对其建立数学模型是十分困难的,并且采用传统方法建立的模型不能达到预期的节能效果.本文应用神经网络建模方法对中央空调系统建立了预测模型,在此基础上,结合预测控制的滚动优化和反馈校正,最终有效地克服了被控对象的非线性、时变等不确定性因素.

通过对模型及控制器进行仿真实验,实验结果表明,神经网络预测控制方法对房间温度的控制效果明显,从而提高了室内人员的热舒适度要求,满足了节能要求.

参考文献:

[1] 张秀玲,赵文保,李少清,等. 基于人工蜂群算法的Elman网络板形预测[J]. 沈阳大学学报:自然科学版, 2012,24(3):38-42.

(Zhang Xiuling, Zhao Wenbao, Li Shaoqing, et al. Flatness Prediction Based on Elman Network with Artificial Bee Colony Algorithm[J]. Journal of Shenyang University: Natural Science, 2012,24(3):38-42.)

[2] 王剑明,张虹,王建伟. 多区域变风量空调系统神经网络预测控制研究[J]. 系统仿真学报, 2009,21(16):5057-5060.

(Wang Jianming, Zhang Hong, Wang Jianwei. Neural Network Model Predictive Control of Multi-Zone VAV Air Conditioning System[J]. Journal of System Simulation, 2009,21(16):5057-5060.)

[3] 朱栋华,徐慧影. 基于模糊神经网络变风量空调系统风量预测研究[J]. 建筑节能, 2010,38(227):22-24.

(Zhu Donghua, Xu Huiying. Predictive Control of VAV Air-Condition System Based on Fuzzy Neural Network[J]. Construction Conserves Energy, 2010,38(227):22-24.)

[4] Roberto Z F, Gustavo H C O, Nathan M. Predictive Controllers for Thermal Comfort Optimization and Energy Savings[J]. Energy and Buildings, 2008,40(7):1353-1365.

[5] Ye Y, Jing C. Global Optimization of a Central Air-conditioning System Using Decomposition-Coordination Method[J]. Energy and Buildings, 2010,42(5):570-583.

【责任编辑:李艳】

HVAC Room Temperature Prediction Control Based on Neural Network Model

RenShuanga,LiuHanga,JianRuib

(a. College of Information Engineering, b. School of Industrial and Art Design, Shenyang University of Chemical Technology, Shenyang 110142, China)

Abstract:A model of an HVAC system is built by using the BP neural network and the system is controlled by a generalized predictive control method. The simulation experiment shows that the neural network prediction model is robustness and it has a good tracking capability; the generalized predictive control has been chosen as an excellent controller of this nonlinear system.

Key words:BP neural network; predictive control; HVAC; least squares method

作者简介:任爽(1987-),女,辽宁沈阳人,沈阳化工大学助理工程师.

基金项目:辽宁省自然科学基金资助项目(201102089);沈阳科技局资助项目(No.F102-223-4-00;No.F11-256-4-00).

收稿日期:2014-12-19

文章编号:2095-5456(2015)03-0233-05

中图分类号:TP273

文献标志码:A