基于迭代优化的空调温湿度控制算法

文丹

摘  要： 针对空调在保证送风温度的基础上，实现室内负荷的变更与控制系统应对外界随机干扰的需求，文中提出一种基于迭代优化的空调温湿度控制算法。通过建立空调机的二维跟踪框架运行模型来设计迭代学习算法实现空调机运行状态的控制，并通过在迭代优化学习的过程中加入预测控制环节来减小随机干扰带来的影响。仿真实验以及对比不同干扰下的空调运行响应结果表明，所提出的方法不仅能够抵抗周期性干扰的影响，而且在随机干扰环境下仍然能够保持良好的跟踪控制性能。

关键词： 空调; 温湿度控制; 迭代优化; 运行控制; 随机干扰; 仿真实验

中图分类号： TN37+3?34; TM76                  文献标识码： A                       文章编号： 1004?373X（2020）24?0038?04

Air?conditioning temperature?humidity control algorithm based on iterative optimization

WEN Dan

（School of Information Science and Technology， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： A temperature?humidity control algorithm based on iterative optimization is proposed to make the air conditioning realize the change of indoor load and the demand of control system to deal with external random interference on the basis of ensuring the air supply temperature. The iterative learning algorithm is designed by establishing the two?dimensional tracking frame operation model of the air conditioner to control the operation state of the air conditioner， and the predictive control link is added in the process of iterative optimization learning to reduce the influence of random interference. The results of the simulation experiments and the comparison of air?conditioning operation response under different disturbances show that， the proposed method can not only resist the influence of periodic disturbances， but also maintain good tracking control performance in the random interference environment.

Keywords： air?conditioning; temperature?humidity control; iterative optimization; operation control; random interference; simulation experiment

0  引  言

随着对空调需求的不断增加，使得空调机的控制优化逐渐向节能与舒适的方向演变[1?4]。然而，室外环境的变化与室内人员的流动，使得室内环境不断变化，传统的恒风量空调造成了较大的能源浪费[5?6]。因此，实现空调的自适应控制不仅可以保证室内环境的舒适性，还能起到节能的效果。

为了实现空调机的变风控制，国内外学者与机构提出了众多解决方案。如：文献[7]中提出通过控制房间内部温湿度来调整热舒适指标;文献[8]中采用最优化理论控制方法和规则学习控制算法实现室内温湿度的控制;文献[9]中充分考虑到建筑供热节能的能力，提出使用前馈控制算法实现空调节能的目的，并结合气象预测和气候补偿模型实现基于气象参数的空调自适应控制。为了实现舒逸型智能空调控制，文献[10]使用模糊控制技术实现最大化舒适度指标的控制优化。为了保证空调控制的精确度，文献[11]结合PI控制器和模糊控制理论实现系统的无静差控制。

目前，广泛使用的变风量空调机在保证送风温度的基础上实现室内负荷的变化，具有低能高效的优势[12?13]。然而，空调机在实际运行的过程中，外界环境的快速变化会对其产生各种干扰。当空调机控制系统抗干扰能力较低时，不仅会影响系统的静态性能，且会对系统的控制幅度产生较大影响，从而加大空调机的能耗[14?16]。因此，实现空调机在随机干扰条件下的跟踪控制具有实际的应用前景。本文根据变风量空调机的运行特点与规律，提出一种基于迭代学习的预测控制算法。基于二维跟踪框架建立空调机运行模型，使用迭代学习算法对空调机运行状态进行控制。该算法通过在迭代优化学习的过程中加入预测控制环节，来减小随机干扰带来的影响。

式中：[l∈[1，m]]，m为系统预测的参数更新步长;[φ（t+l，k）]为预测初始值，且有

[φ（t+l，k）=i=0t+lWt+l-i，ke（i，0）+（0，0）≤（i，j）≤（t+l，k-1）（Wt+l-i-2，k-j+1B1+Wt+l-i-1，k-jB2）u（i，j）] （13）

令[Ξ=ζt+1|t，k         ?ζt+m|t，k]，[Φ=φt+1|t，k         ?φt+m|t，k]，[u=    ut+1|t，k         ?ut+m-1|t，k]，并定义：

[Gm=  gt，t       0     …     0  ?       ?              ?gt+m，t    …          gt+m，t+mm×m]

式中，[gi，j=Wi-j-1，1B1+Wi-j，0B1]，则式（13）等价于[Ξ=Φ+Gmu]。

因此，可以利用无约束条件下的优化理论得到系统运行过程中某一时刻的控制量，如下：

[u（t，k）=cTu（t+m-1|t，k）=dTΦ（t+m|t，k）] （14）

式中，[cT=[1，0，…，0]m]，则有

[dT=-cT[GTmQGm+Φ]-1GTmQ]     （15）

3  仿真与分析

文中使用变风量空调模型验证所提出算法的有效性。由文献[9]可知，空调温湿度控制由一个单独的控制回路实现。因此本文根据资料数据构建传递函数模型，如下：

[G（s）=-6.534 74s2+4s+1] （16）

定義空调温湿度采样周期T为0.5，将式（16）进行离散化，得到结果如下：

[X（k+1）=AX（k）+BU（k）Y（k）=CX（k）] （17）

式中：[A=0.584 3   -0.047 90.490 5     0.884 6];[B=0.490 5 0.117 2 ];[C=0   1.716 8]。

本文给定温湿度指标值为0.8，测试系统在无外界噪声干扰时整定PID控制、迭代学习控制与文中提出的迭代学习预测控制算法的响应结果，如图1所示。从图中可以看出，整定PID控制方法具有最快的响应速度，调节仅需16.6 s;而迭代学习控制需要24.7 s，迭代学习预测控制算法需要21.2 s。也可以看出，PID控制算法得到的结果较为平整，响应曲线更加稳定。结果表明，在无噪声干扰环境下，使用PID控制算法即可得到较优的控制性能。而文中提出的算法相较于迭代学习控制算法具有更稳定的控制结果。

对于同一温湿度值，本文也测试了各控制算法在给定周期扰动时的控制响应结果，如图2所示。同时，表1给出了各控制算法的摆动幅度。

从图2和表1可以看出，PID控制算法在周期性扰动环境下具有最大的摆动幅度。而文中提出的迭代学习预测控制算法抗干扰能力最强，对于周期扰动具有良好的鲁棒性。

图3给出各控制算法在随机扰动下的控制结果，表2给出了各控制算法的摆动幅度。从图3和表2可以看出，PID算法虽然具有最快的响应速度，但受噪声的影响最大;而本文算法通过加入预测控制，可以有效抵抗噪声扰动，具有更优的跟踪控制能力。

4  结  论

本文提出一种基于迭代学习的预测控制算法，以提升变风量空调机对随机干扰噪声的鲁棒性。在建立空调机运行模型的基础上，使用迭代学习算法对运行状态进行控制，并通过在迭代优化学习的过程中加入预测控制来减小随机干扰所产生的影响。在周期性噪声与随机噪声干扰下的仿真测试结果表明，所提出的算法通过加入预测控制，可以有效抵抗噪声扰动，具有良好的跟踪控制能力。

参考文献

[1] NAKSHATHARAN S S， VUNDER V， P?LDSALU INGA， et al. Modelling and control of ionic electroactive polymer actuators under varying humidity conditions [J]. Actuators， 2018， 7（1）： 7?14.

[2] AO S， SHUDAO Z， MIN W， et al. Simulation and optimization design of atmospheric detection equipment layout based on UAV [J]. Computer measurement & control， 2018， 12（1）： 45?51.

[3] 尹鹏飞，李晋宏.楼宇空调的能量预测与模型研究[J].计算机与数字工程，2019，47（11）：2914?2918.

[4] 贾玉贵，秦景.大型暖通空调关联节能调控模型设计[J].现代电子技术，2017，40（9）：179?182.

[5] CAO Junhuo， WEI Xuying， LI Jinfeng， et al. The regulation and control of ambient temperature on growth rhythm of lycoris radiate [J]. Acta Agriculturae Universitatis Jiangxiensis， 2018（7）： 352?366.

[6] WANG Dan， GU Wei， CAO Jianxin. Research on anti?condensation control in hot and cold impact test [J]. Automation & instrumentation， 2018， 33（1）： 522?530.

[7] 朱启然，李绍勇，李鹏波.空调房间温湿度PID解耦控制系统的仿真研究[J].控制工程，2019，26（5）：851?858.

[8] 李钊，崔凌闯，陈剑波.基于稳态ANN模型和模糊PD控制的变速直膨式空调系统温湿度同时控制方法[J].制冷学报，2018，39（3）：85?91.

[9] 沈乔，胡娟平，薛亚荣.前馈?IMC在变风量空调温度控制中的应用研究[J].工业控制计算机，2013，26（5）：31?33.

[10] 张瑞雪.基于模糊PID控制的温室环境控制系统研究[D].晋中：山西农业大学，2017.

[11] 王建民，朱倩影.空调温控的混合型Fuzzy?PI控制器[J].山东大学学报（工学版），2002，32（5）：456?460.

[12] 华宇剑.基于无中心的变风量空调送风系统模型与节能优化研究[D].西安：西安建筑科技大学，2018.

[13] SIHOMBING P， ASTUTI T P， HERRIYANCE W， et al. Microcontroller based automatic temperature control for oyster mushroom plants [J]. Journal of physics： conference series， 2018， 97（8）： 31?43.

[14] REN J Z， XIANG W， ZHAO L， et al. Research on environmental adjustment of cloud ranch based on BP neural network PID control [J]. Journal of IOP technology， 2018， 10（8）： 56?63.

[15] SOORAKSA P， CHEN G. System as a controlled weather model?physical principle， engineering design and real applications [J]. International journal of bifurcation & Chaos， 2018， 28（4）： 183?192.

[16] HE Liangyu. Realization of the remote control function of temperature and humidity device in the control cabinet of substation [J]. Management & technology of SME， 2018（7）： 620?631.

作者简介：文  丹（1988—），女，广西桂林人，硕士，讲师，研究方向为智能控制。