CN104019520B - 基于spsa的制冷系统最小能耗的数据驱动控制方法 - Google Patents

Abstract

本发明涉及一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，包括：根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；建立系统的在线神经网络辨识模型；根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值；建立神经网络控制器；膨胀阀控制回路完成对蒸发器过热度的控制。本发明计算简单，参数少，易实现，控制效果较好。

Description

基于SPSA的制冷系统最小能耗的数据驱动控制方法

所属技术领域

本发明涉及一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，属于空调系统优化控制领域。

背景技术

目前，我国的制冷设备所消耗的电能占到全国总耗电量的6％～7％，而制冷机是其中耗能最大的部分，在中央空调系统中约占系统能耗一半的比例。空调制冷系统的负荷会随着室外气象参数的变化而变化，而现有的制冷设备，一般都将最佳效率点设定在额定容量输出上，这就导致实际运行过程中的制冷机组会长时间处于部分负荷状态，运行效率不高，制冷设备经常运行在低于额定容量的状态，就会浪费大量的能源[1]。因此，在我国，降低制冷设备的能耗可以作为缓解能源紧张的一个重要途径[2]。制冷机作为空调器系统的核心部分，占有很大的能量消耗比例，因此，制冷系统控制方法是整个空调系统运行的关键，提高制冷机组部分负荷的运行效率，实现变工况条件下机组运行的优化控制，是制冷行业亟待解决的一个重要问题。

人们对于节能概念的理解，在制冷技术发展的不同阶段是有所不同的。截止到八十年代初，系统的优化设计一直是制冷系统节能研究的重点，即通过压缩机、换热器等部件效率的提高及系统的优化来提高机组的能效比。近年来，随着研究的深入，研究人员逐渐认识到在非标准工况下进行最优控制也同样可以作为降低能耗的一种重要手段。因此，制冷系统节能主要包括系统的优化设计和优化控制两个重要方面。但就目前而已，制冷系统的优化设计已经比较成熟，而优化控制方面则相对落后。

制冷系统中压缩机的特性、热交换器的传热效率、参数的状态等容易受到干扰而发生变化。目前在实际应用中，仍大多采用PID及其改进算法来进行控制器的设计。虽然大部分系统能够在PID控制下达到稳定运行，但当被控对象含有时滞耦合等复杂的非线性环节时，就不能取得满意的控制效果。单体设备中，电子膨胀阀对蒸发器过热度的控制以及压缩机对于制冷量的调节大部分仍是通过PID控制实现的。采用PID一般能够较好地实现压缩机对制冷量的稳定控制，但由于蒸发器过热度容易受到负荷、运行工况等条件变化的影响，而PID控制器参数的整定是建立在简化、稳定的模型基础上的，因此采用简单的PID算法控制蒸发器过热度，很多情况下难以达到满意的控制效果[3]。

由以上分析可见，目前对于暖通空调制冷系统的优化控制方法还有待进一步的完善和创新，有必要结合制冷系统的强非线性、参数强耦合、机理建模过于复杂且难以用于实时控制等特点。

参考文献

[1]Bill F.制冷与可持续发展[J].制冷学报，2003(2)：22—26.

[2]李建华，康相玖，陶海臣，等.变频控制在中央空调系统的节能可行性分析[J].制冷与空调，2003，3(1)：44—47.

[3]Alleyne A,Brennan S,Rasmussen B,et al.Controls and experimentslessons learned[J].IEEE control systems magazine,2003,23(5):20-34.

发明内容

本发明的目的在于解决现有技术中存在的问题，提出一种基于同步扰动随机近似(SPSA)的制冷系统最小能耗的数据驱动控制方法。该方法计算简单，参数少，易实现，并且能够有效地避免对制冷系统复杂的建模过程，同时也能够避免系统模型不准确所可能导致的控制效果差等问题。为了实现上述目的，本发明采取以下技术方案：

一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：

a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；

b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；

c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，β_j为遗忘因子，e_j为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；

d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值y_d(k+1)；

e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-N)}、以及过热度的设定值y_d(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新；

f.膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值y_d(k+1)，使用更新过的神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制。

作为优选实施方式，步骤e中，更新神经网络控制器的连接权值的方法如下：计算控制器参数神经网络控制器所产生的控制量，记做其中θ_k为神经网络控制器的连接权值、为上一时刻的控制器连接权值的估计值、c_k为趋于0的序列或值等于常数的标量系数、Δ_k＝[Δ_k1,Δ_k2,...,Δ_kL]^T为一个随机向量，并将分别作为两次输入信号加入至系统的在线神经网络辨识模型中，记录其相应的输出，记做将的值代入到控制器的优化目标函数中，计算得到再将代入进梯度估计公式中，其中，l＝1,2,...,L，L为控制器参数的个数，进而得到梯度的估计值最后将代入到控制器参数更新公式中，其中a_k为标量系数，计算得到k时刻控制器连接权值的估计值从而完成控制器参数即神经网络控制器连接权值的更新。

本发明的有益效果如下：

第一，采用跟随负荷变化的变过热度设定值的控制方式，可以增强系统的动态稳定性，并提高蒸发器的效率，同时较大幅度提高系统的制冷量和系统的能效系数。

第二，选用电子膨胀阀，其调节更为迅速和稳定，可以实现对蒸发器过热度快速、有效的控制；

第三，针对电子膨胀阀及蒸发器模型的复杂性，本发明采用了基于SPSA的数据驱动控制算法来实现电子膨胀阀对蒸发器过热度的控制，可以有效地解决传统控制算法对系统模型的依赖问题，同时避免系统模型不准确而导致的控制性能差等问题，从而最终达到更好的控制效果。

附图说明

图1为制冷系统节能控制方案示意图

图2为制冷系统总体控制结构图

图3为蒸发器出口制冷剂最小稳定信号(MSS)曲线

图4为基于SPSA的数据驱动控制算法结构框图

图5为在线神经网络辨识器结构框图

具体实施方式

本发明是针对现有技术中存在的问题，提出的改进策略。下面结合附图，从制冷机节能控制方案、变负荷工况下最小稳定过热度的实验获取、变最小过热度控制、电子膨胀阀对过热度的数据驱动控制等方面对本发明进一步说明。

首先，选取制冷机双回路节能控制方案，如图1所示，其相应的控制结构图如图2所示。第一个回路是恒定冷冻水供水温度控制，根据系统负荷的变化调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配。第二个回路是变最小过热度控制，根据系统负荷与最小过热度之间的曲线得到不同负荷下蒸发器过热度的设定值，并通过调节电子膨胀阀使蒸发器过热度跟随给定值。

恒冷冻水供水温度控制是通过压缩机变频调节制冷量来实现的。空调制冷系统中冷冻水系统的供回水温度差与流量的乘积与系统负荷成正比，能够反应系统实际需求的冷量大小，再根据系统的实际需求来调节变频压缩机的工作频率，从而调节系统的制冷能力，使冷冻水供水温度恒定。

本发明中除了传统的压缩机变频节能外，还设计了变最小过热度控制的环节，以达到更好的节能效果。压缩机控制环路中压缩机频率随输入变量即制冷系统冷负荷的变化而不断变化，以改变制冷机组的产冷量。膨胀阀控制回路中以制冷负荷所对应的最小稳定过热度为设定值，由于系统的制冷量是在压缩机的动态调节下不断变化的，故膨胀阀控制回路过热度的设定值也随之变化，此时就需要对膨胀阀进行不断的动态调节，从而使蒸发器的过热度跟踪上设定值。这其中所涉及到的关键操作环节的说明如下：

(1)变负荷工况下最小稳定过热度的实验获取

蒸发器的热负荷决定了被控系统能够稳定运行的最小过热度，通过对膨胀阀控制的蒸发器在不同负荷下的实验研究，可以得到系统负荷与最小稳定信号的关系曲线，如图3所示，称为最小稳定信号(MSS)曲线。在制冷负荷-过热度坐标平面上，MSS曲线是膨胀阀与蒸发器组合控制的稳定边界，MSS曲线以左属于不稳定区，以右为稳定工作区，MSS曲线上则是临界稳定值。

基于上述机理分析，通过实验手段可得到各负荷下电子膨胀阀调节蒸发器的最小稳定过热度。实验步骤如下：

1)逐渐减小压缩机频率，改变系统实际制冷量，利用系统稳定后所检测得到的供回水温差及冷冻水流量计算系统实际冷负荷。

2)在每一压缩机频率下，为电子膨胀阀控制过热度回路设置一个较高的过热度作为初始值。设置一定的温度步长(0.2℃)，逐渐减小过热度设定值，并观察过热度的波动幅度及蒸发器状态参数(如蒸发压力)的情况。当过热度的波动幅度达到±0.5℃，且蒸发器状态参数出现固定振幅的自激振荡时，则该负荷下的最小稳定过热度即为此时的过热度设定值加0.2℃。

3)记录系统各种制冷量条件下的最小稳定过热度，并拟合成MSS曲线。

(2)基于SPSA的数据驱动控制

基于SPSA的控制算法，运算过程中的每次迭代只需两次闭环实验的测量数据就可以得到的估计值进而产生控制信号u(k)，整个控制过程无需被控对象的模型信息。算法的整体控制结构框图在图4中给出。

基于SPSA的控制算法在参数估计过程中需要向被控系统中加入随机扰动信号，而这样的扰动会对被控系统产生不同程度的干扰，从而影响控制效果。在本发明中，为了避免此种情况的发生，设计了利用在线神经网络辨识器进行控制器参数估计的过程，从而有效地避免随机扰动信号对空调控制系统的影响。在控制算法运行过程中，为被控系统训练在线的神经网络辨识器模型，如图5所示，其中TDLm和TDLn分别为长度为m和n的时间窗。这里选用径向基函数神经网络(RBF网络)作为系统的在线辨识模型，并使用高斯函数作为激活函数：

其中，δ_i为扩展常数。

控制器的参数估计过程中计算梯度估计值所用到的测量值即是将随机扰动信号加入到神经网络辨识器模型中而计算得到的。这样，算法在每一步运行时所要用到的随机扰动信号就被加入到了虚拟的神经网络辨识器中，从而有效地避免了扰动信号对实际空调系统的影响。

经过以上分析，本发明中基于SPSA的电子膨胀阀对过热度的数据驱动控制具体可按照如下步骤进行：

Step 1根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配。

Step 2用实验手段获得不同负荷下电子膨胀阀调节蒸发器的最小稳定过热度，并拟合MSS曲线。

Step 3建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出，训练神经网络，从而使得辨识模型的输出能够逼近实际系统的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，β_j为遗忘因子，e_j为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统。

Step 4根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值y_d(k+1)。

Step 5以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-N)}、以及过热度的设定值y_d(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新。

Step 6更新神经网络控制器的连接权值：计算控制器参数神经网络控制器所产生的控制量，记做其中θ_k为神经网络控制器的连接权值、为上一时刻的控制器连接权值的估计值、c_k为趋于0的序列或值等于常数的标量系数、Δ_k＝[Δ_k1,Δ_k2,...,Δ_kL]^T为一个随机向量，并将分别作为两次输入信号加入至系统的在线神经网络辨识模型中，记录其相应的输出，记做控制性能指标定义为：J_k＝E[(y(k+1)-y_d(k+1))²]，在每个时刻k寻找能够使得控制性能指标最小的最优控制器参数将的值代入到中，计算得到其中为J_k的估计值，再将代入进梯度估计公式中，其中，l＝1,2,...,L，L为控制器参数的个数，进而得到梯度的估计值最后将代入到控制器参数更新公式中，其中a_k为标量系数，计算得到k时刻控制器连接权值的估计值令从而完成控制器参数即神经网络控制器连接权值的更新。

Step 7膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值y_d(k+1)。以更新过的作为神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制。

Claims (1)

1.一种基于同步扰动随机近似(SPSA)的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：

a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；

b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；

c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，β_j为遗忘因子，e_j为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；

d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值y_d(k+1)；

e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-N)}、以及过热度的设定值y_d(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新；

f.膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值y_d(k+1)，使用更新过的神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制；

上述步骤e中，更新神经网络控制器的连接权值的方法如下：计算控制器参数神经网络控制器所产生的控制量，记做其中θ_k为神经网络控制器的连接权值、为上一时刻的控制器连接权值的估计值、c_k为趋于0的序列或值等于常数的标量系数、Δ_k＝[Δ_k1,Δ_k2,...,Δ_kL]^T为一个随机向量，并将分别作为两次输入信号加入至系统的在线神经网络辨识模型中，记录其相应的输出，记做将的值代入到控制器的优化目标函数中，计算得到再将代入进梯度估计公式中，其中，l＝1,2,...,L，L为控制器参数的个数，进而得到梯度的估计值最后将代入到控制器参数更新公式中，其中a_k为标量系数，计算得到k时刻控制器连接权值的估计值从而完成控制器参数即神经网络控制器连接权值的更新。