CN103322647A - 一种中央空调的冷却水供水温度预测控制方法 - Google Patents

Abstract

一种中央空调的冷却水供水温度预测控制方法，包括如下步骤：（1）记录当前冷却水供水的温度和冷却塔风机的频率，设定冷却水的供水目标温度为32℃；（2）建立预测模型，采用两层的BP神经网络模型；（3）神经网络预测模型的学习；（4）反馈校正；（5）参考曲线选取；（6）优化计算：采用RBF神经网络，设

通梯度下降法学习网络的各个参数，计算出下一步最优控制量u(k+1)，以此作为冷却塔风机的下一步频率。本发明提出一种动态性能良好、节能效果明显的中央空调的冷却水供水温度预测控制方法。

Description

一种中央空调的冷却水供水温度预测控制方法

技术领域

本发明适用于一种中央空调水系统的变频节能控制，尤其是一种中央空调的冷却水供水温度的控制方法。

背景技术

目前，国内外空调、制冷设备普遍采用DDC控制器，通过调节流量阀（电子膨胀阀）来改变输出制冷量，而实际中央空调总是处于最大负荷上运转，这样很大一部分能量都被浪费掉了。而且调节流量阀门普遍采用传统的常规PID控制算法，但是由于空调系统的时变特性，传统的PID控制并不能得到理想的控制效果。再加上空调系统的非线性、大滞后等特性，单纯的采用传统PID控制很难胜任。

现有的中央空调冷却水系统包括冷却水泵和冷却塔风机，而由于冷却水系统不直接影响室内温度的变化，所以一般都不加控制，直接将冷却水泵和冷却塔风机置于额定转速下运行，这样必然造成能量的浪费。而即便施加控制也是采用传统的PID控制，这样并不能解决系统的大滞后特性，存在的缺陷是：动态性能差、节能效果较差。

发明内容

为了克服已有中央空调冷却水控制系统的动态性能较差、节能效果较差的不足，本发明提出一种动态性能良好、节能效果明显的中央空调的冷却水供水温度预测控制方法。

本发明解决其技术问题所采用的技术方案是：

冷却水系统采用定温差控制，冷却水供水温度为32℃，由冷却塔风机变频调速控制。本发明的控制算法采用独立的神经网络预测控制。

一种中央空调的冷却水供水温度预测控制方法，所述预测控制方法包括如下步骤：

（1）记录当前冷却水供水温度和冷却塔风机的频率，设定冷却水供水温度的目标温度为32℃；

（2）建立预测模型，采用两层的BP神经网络模型，设温度预测值有如下表达式：

y_m(k)＝f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]

y_m(k+1)＝f[u(k),u(k-1),...,u(k+1-m),y_m(k),y(k-1),..,y(k+1-n)]

y_m(k+p)＝f[u(k+p-1),u(k+p-2),...u,(k+p-m),y_m(k+p-1),...y,_m(k),y(k-1),..,y(k+p-n)]

其中，y_m(k)为第k次模型温度输出值，u(k-1)为第k-1次冷却塔风机频率值，y(k-1)为第k-1次实际温度值，m、n分别为输入和输出的维度，p为预测步长；设在以后的j步中，u(k+j)＝u(k+j-1)＝...＝u(k+1)＝u(k)则有：

x(k+j)＝[u(k),u(k),...,u(k-1),...,u(k+j-m),y_m(k+j-1),...,y_m(k),y(k-1),..,y(k+j-n)]^T

w＝[w₁,w₂,...,w_m+n]^T

则：y_m(k+j)＝g[w*x(k+j)]j＝1,2,...,p

其中，x(k+j)为第k+j次模型的输入变量，p为预测步长。

g(x)取单极性sigmoid函数，

（3）神经网络预测模型的学习，过程如下：

采集各个控制对象的阶跃响应d_p(k),k=1,2,…,n，p表示样本个数m中的每一个，然后根据预测模型的对应阶跃响应输出y_p(k),k=1,2,…,n；采用梯度下降法来修正参数w；

$j\left(k\right)=\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{[y_p\left(k\right)-d_p\left(k\right)]}^2,$ j(k)对w求导得：

$\mathrm{\Δj}\left(k\right)\≈\▿j\left(k\right)\mathrm{\Δw}\left(k\right)=\underset{j=1}{\overset{m+n}{\mathrm{\Σ}}}\frac{\∂j\left(k\right)}{{\∂w}_j}{\mathrm{\Δw}}_j\left(k\right),$ 若按下式选择Δw_j(k)，

其中j＝1,2,...,m+n；η＞0（4-1）

则Δj(k)≤0，所以只要保证Δw_j(k)按式（4-1）来调整，则j(k)就会随着这一调整一直减小；当其误差达到设定范围内后便可停止学习，保存好学习好的w参数；

（4）反馈校正：设预测模型输出与实际输出之间的误差为：e(k)＝y(k)-y_m(k)，修正后的反馈为：y_c(k+p)＝y_m(k+p)+he(k)，其中，h为修正因子；

（5）参考曲线选取：参考曲线选为：y_r(k+i)＝αⁱy(k)+(1-αⁱ)y_r，i=1,2,…,p，其中

T为采样周期，t为时间常数，y(k)为现时刻实际输出，y_r为设定值；

（6）优化计算：采用非线性RBF神经网络来实现滚动优化，设

x(k)＝[y_r(k+p);y_c(k+p),...,y_c(k+p-n+1);u(k),...,u(k-m)]^T

$h_j\left(k\right)=\exp (-\frac{{\left|\right|x-c_j\left|\right|}^2}{{\mathrm{\σ}}_j^2})$ $u(k+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j\left(k\right)h_j\left[x\left(k\right)\right]$

其中y_r为参考轨迹；x为N维输入向量；c_j为RBF的中心向量；σ_j为隐节点的宽度；m为隐层节点个数；控制指标为：

通过使控制指标E达到最小，按照梯度下降法调节，来调节连接权值系数、函数的中心向量和隐节点的宽度；根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1)，以此作为冷却塔风机的下一步频率。

本发明的有益效果主要表现在：动态性能提高、节能效果明显。

附图说明

图1是中央空调的组成原理结构图。

图2是中央空调的冷却水控制结构图。

图3是中央空调的控制系统网络拓扑结构图

图4是中央空调的神经网络预测控制结构图。

图5是中央空调的神经网络预测控制算法流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图4，一种中央空调的冷却水供水温度预测控制方法，所述预测控制方法包括如下步骤：

（1）记录当前冷却水供水温度和冷却塔风机的频率，设定冷却水供水温度的目标温度为32℃；

（2）建立预测模型，采用两层的BP神经网络模型，设温度预测值有如下表达式：

y_m(k)＝f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]

y_m(k+1)＝f[u(k),u(k-1),...,u(k+1-m),y_m(k),y(k-1),..,y(k+1-n)]

y_m(k+p)＝f[u(k+p-1),u(k+p-2),...u,(k+p-m),y_m(k+p-1),...y,_m(k),y(k-1),..,y(k+p-n)]

其中，y_m(k)为第k次模型温度输出值，u(k-1)为第k-1次冷却塔风机（或冷却水泵）频率值，y(k-1)为第k-1次实际温度值，m、n分别为输入和输出的维度，p为预测步长。

设在以后的j步中，u(k+j)＝u(k+j-1)＝...＝u(k+1)＝u(k)则有：

x(k+j)＝[u(k),u(k),...,u(k-1),...,u(k+j-m),y_m(k+j-1),...,y_m(k),y(k-1),..,y(k+j-n)]^T

w＝[w₁,w₂,...,w_m+n]^T

则：y_m(k+j)＝g[w*x(k+j)]j＝1,2,...,p

其中，x(k+j)为第k+j次模型的输入变量，p为预测步长。

g(x)取单极性sigmoid函数，

（3）神经网络预测模型的学习，过程如下：

采集各个控制对象的阶跃响应d_p(k),k=1,2,…,n，p表示样本个数m中的每一个，然后根据预测模型的对应阶跃响应输出y_p(k),k=1,2,…,n；采用梯度下降法来修正参数w；

$j\left(k\right)=\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{[y_p\left(k\right)-d_p\left(k\right)]}^2,$ j(k)对w求导得：

$\mathrm{\Δj}\left(k\right)\≈\▿j\left(k\right)\mathrm{\Δw}\left(k\right)=\underset{j=1}{\overset{m+n}{\mathrm{\Σ}}}\frac{\∂j\left(k\right)}{{\∂w}_j}{\mathrm{\Δw}}_j\left(k\right),$ 若按下式选择Δw_j(k)，

其中j＝1,2,...,m+n；η＞0（4-1）

则Δj(k)≤0，所以只要保证Δw_j(k)按式（4-1）来调整，则j(k)就会随着这一调整一直减小；当其误差达到设定范围内后便可停止学习，保存好学习好的w参数；

（4）反馈校正：设预测模型输出与实际输出之间的误差为：e(k)＝y(k)-y_m(k)，修正后的反馈为：y_c(k+p)＝y_m(k+p)+he(k)，其中，h为修正因子；

（5）参考曲线选取：参考曲线选为：y_r(k+i)＝αⁱy(k)+(1-αⁱ)y_r，i=1,2,…,p，其中

T为采样周期，t为时间常数，y(k)为现时刻实际输出，y_r为设定值；

（6）优化计算：采用非线性RBF神经网络来实现滚动优化，设

x(k)＝[y_r(k+p);y_c(k+p),...,y_c(k+p-n+1);u(k),...,u(k-m)]^T

$h_j\left(k\right)=\exp (-\frac{{\left|\right|x-c_j\left|\right|}^2}{{\mathrm{\σ}}_j^2})$ $u(k+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j\left(k\right)h_j\left[x\left(k\right)\right]$

其中y_r为参考轨迹；x为N维输入向量；c_j为RBF的中心向量；σ_j为隐节点的宽度；m为隐层节点个数。控制指标为：

通过使控制指标E达到最小，按照梯度下降法调节，来调节连接权值系数、函数的中心向量和隐节点的宽度，它不增加隐神经元的数目，又可提高优化的速度和精度。从而根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1)，以此作为冷却塔风机的下一步频率。

根据图2所示连接控制器和变频器以及冷却塔风机水泵。控制器通过RS485网络控制控制变频器，从而调节冷却塔风机的速度，使其跟当前负荷所一致。

如图3控制系统包括最多255个子系统，各个子系统通过RS485构成局域网，通过一个触摸屏监控整个局域网。每个子系统包括一个线控板和最多16个模块控制板，之间通过RS485构成控制网。线控板用于人工交互控制室内温度调节，控制板控制各个控制对象变频器，构成一个控制单元。

Claims (1)

1.一种中央空调的冷却水供水温度预测控制方法，其特征在于：所述预测控制方法包括如下步骤：

（1）记录当前冷却水供水温度和冷却塔风机的频率，设定冷却水供水温度的目标温度为32℃；

（2）建立预测模型，采用两层的BP神经网络模型，设温度预测值有如下表达式：

y_m(k)＝f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]

y_m(k+1)＝f[u(k),u(k-1),...,u(k+1-m),y_m(k),y(k-1),..,y(k+1-n)]

y_m(k+p)＝f[u(k+p-1),u(k+p-2),...u,(k+p-m),y_m(k+p-1),...y,_m(k),y(k-1),..,y(k+p-n)]

其中，y_m(k)为第k次模型温度输出值，u(k-1)为第k-1次冷却塔风机频率值，y(k-1)为第k-1次实际温度值，m、n分别为输入和输出的维度，p为预测步长；

设在以后的j步中，u(k+j)＝u(k+j-1)＝...＝u(k+1)＝u(k)则有：

x(k+j)＝[u(k),u(k),...,u(k-1),...,u(k+j-m),y_m(k+j-1),...,y_m(k),y(k-1),..,y(k+j-n)]^T

w＝[w₁,w₂,...,w_m+n]^T

则：y_m(k+j)＝g[w*x(k+j)]j＝1,2,...,p

其中，x(k+j)为第k+j次模型的输入变量，p为预测步长；

g(x)取单极性sigmoid函数，

（3）神经网络预测模型的学习，过程如下：

采集各个控制对象的阶跃响应d_p(k),k=1,2,…,n，p表示样本个数m中的每一个，然后根据预测模型的对应阶跃响应输出

y_p(k),k=1,2,…,n；采用梯度下降法来修正参数w；

$j\left(k\right)=\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{[y_p\left(k\right)-d_p\left(k\right)]}^2,$ j(k)对w求导得：

$\mathrm{\Δj}\left(k\right)\≈\▿j\left(k\right)\mathrm{\Δw}\left(k\right)=\underset{j=1}{\overset{m+n}{\mathrm{\Σ}}}\frac{\∂j\left(k\right)}{{\∂w}_j}{\mathrm{\Δw}}_j\left(k\right),$ 若按下式选择Δw_j(k)，

其中j＝1,2,...,m+n；η＞0（4-1）

则Δj(k)≤0，所以只要保证Δw_j(k)按式（4-1）来调整，则j(k)就会随着这一调整一直减小；当其误差达到设定范围内后便可停止学习，保存好学习好的w参数；

（4）反馈校正：设预测模型输出与实际输出之间的误差为：

e(k)＝y(k)-y_m(k)，修正后的反馈为：y_c(k+p)＝y_m(k+p)+he(k)，其中，h为修正因子；

（5）参考曲线选取：参考曲线选为：y_r(k+i)＝αⁱy(k)+(1-αⁱ)y_r，i=1,2,…,p，其中

T为采样周期，t为时间常数，y(k)为现时刻实际输出，y_r为设定值；

（6）优化计算：采用非线性RBF神经网络来实现滚动优化，设

x(k)＝[y_r(k+p);y_c(k+p),...,y_c(k+p-n+1);u(k),...,u(k-m)]^T

$h_j\left(k\right)=\exp (-\frac{{\left|\right|x-c_j\left|\right|}^2}{{\mathrm{\σ}}_j^2})$ $u(k+1)=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j\left(k\right)h_j\left[x\left(k\right)\right]$

其中y_r为参考轨迹；x为N维输入向量；c_j为RBF的中心向量；σ_j为隐节点的宽度；m为隐层节点个数；控制指标为：

通过使控制指标E达到最小，按照梯度下降法调节，来调节连接权值系数、函数的中心向量和隐节点的宽度；根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1)，以此作为冷却塔风机的下一步频率。

Images