CN104111606A - 变风量空调系统室温控制的梯度校正辨识算法 - Google Patents

Abstract

本发明公开了一种变风量空调系统室温控制的梯度校正辨识算法，沿着代价函数的负梯度方向，逐渐修正模型特性参数的估计值，直至代价函数达到最小值。本发明与递推最小二乘参数辨识方法相比，算法明显简单，而且易于实现，因此在线辨识时，其相应的计算量要小于递推最小二乘算法，并且本发明可同时实现对变风量空调系统的过程参数和延迟参数的在线辨识。

Description

变风量空调系统室温控制的梯度校正辨识算法

技术领域

本发明涉及一种变风量空调系统室温控制的梯度校正辨识算法，属于空调控制技术领域。

背景技术

变风量空调系统是通过改变送风量或者调节送风温度来控制某一空调区域温度的一种空调系统。变风量空调系统可根据空调负荷的变化及室内要求参数的改变，自动调节空调送风量，以满足室内人员的舒适度要求或其他工艺要求，同时根据实际送风量自动调节风机的转速，最大限度地减少风机动力，节约能量。而在空调控制领域，被控对象变量(如室内温、湿度)通常具有非线性、纯延迟、时变和强耦合等特性，并受各种不确定干扰因素(人员流动、门窗启闭、设备散热等)影响。通常情况下，一般采用递推最小二乘辨识算法对变风量空调系统的过程参数进行在线辨识，但无法获得纯延迟时间，而延迟时间的辨识对于自适应控制起着至关重要的作用。

发明内容

本发明提供了一种变风量空调系统室温控制的梯度校正辨识算法，通过梯度校正辨识算法实现了对变风量空调系统包括延迟参数和过程参数在内的在线辨识。

为达到上述目的，本发明采用的技术方案如下：

变风量空调系统室温控制的梯度校正辨识算法，包括以下步骤：

1)建立变风量空调系统的离散化模型；

2)建立与所述变风量空调系统的离散化模型相应的离散化的参考对象模型；

3)定义变风量空调系统离散化模型和参考对象模型的广义模型误差：

4)定义代价函数J(θ)，当J(θ)为最小时，参考对象模型待辨识参数的估计值即为变风量空调系统模型相应的特性参数的实际值，

$J\left(\mathrm{\θ}\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{1}{2}{e}^2\left(i\right)---\left(13\right)$

其中，θ表示未知的特性参数，e(i)为广义模型误差，k表示差分阶数；

5)得到梯度校正参数辨识算法下变风量空调系统参考对象模型待辨识参数θ_m(k)的递推公式：

${\mathrm{\θ}}_m(k+1)={\mathrm{\θ}}_m\left(k\right)-R\left(k\right)\·\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\·b_m\left(k\right)\end{array}\right]\·e\left(k\right)---\left(22\right)$

其中，θ_m(k)＝[a_m(k),b_m(k),d_m(k)]^T，R(k)为加权矩阵，e(k)为广义模型误差，

u(k)表示变风量空调系统在k时刻的输入，y(k)表示在k时刻的变风量空调系统实际输出，

定义输入数据向量h(k)为：

$h\left(k\right)=\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\·b_m\left(k\right)\end{array}\right]---\left(23\right);$

6)采用梯度校正参数辨识算法对变风量空调系统参考对象模型待辨识参数θ_m(k)进行在线辨识。

前述的步骤1)变风量空调系统的离散化模型的建立过程包括以下步骤：

1-1)变风量空调系统的数学模型G(s)经简化后，表达式如下：

$G\left(s\right)=\frac{K_s}{T_s\·s+1}{e}^{-\mathrm{\τ}\·s}---\left(1\right)$

其中，K_s为放大系数，T_s为时间常数，τ为变风量空调系统的纯延迟时间，s为拉普拉斯算子；

1-2)对变风量空调系统的数学模型的传递函数进行离散化，得到离散化的变风量空调系统的传递函数G_h(s)如下：

$G_h\left(s\right)=\frac{1-\exp (T\·s)}{s}---\left(2\right)$

其中，T表示采样周期；

1-3)将空调系统的数学模型G(s)经过z变换后，得到离散化模型G(z^-1)：

$G\left(z^{-1}\right)=z(\frac{1-e^{T\·s}}{s}\·\frac{K_s{e}^{(-\mathrm{\τ}\·s)}}{1+T_s\·s})=\frac{B\left(z^{-1}\right)}{A\left(z^{-1}\right)}\·z^{-d}=\frac{b{z}^{-1}}{1-a{z}^{-1}}\·z^{-d}---\left(4\right)$

其中，b＝K_s(1-a)，a，b为变风量空调系统的过程参数，

d＝τ/T为变风量空调系统的延迟参数，a，b，d为变风量空调系统的特性参数。

前述的步骤2)离散化的参考对象模型G_m(z^-1)为：

$G_m\left(z^{-1}\right)=\frac{b_m{z}^{-1}}{1-a_m{z}^{-1}}\·z^{-d_m}---\left(9\right)$

其中，a_m,b_m为变风量空调系统参考对象模型待辨识的过程参数，d_m为空调系统参考对象模型待辨识的延迟参数。

前述的步骤3)广义模型误差e(k)为：

$e\left(k\right)=y\left(k\right)-y_m\left(k\right)=y\left(k\right)-[a_m\·y(k-1)+z^{-d_m}\·b_m\·u(k-1)]---\left(12\right)$

其中，k表示差分阶数，u(k-1)表示变风量空调系统在k-1时刻的输入，y(k)表示在k时刻的变风量空调系统实际输出，y_m(k)为参考对象模型G_m(z^-1)的差分形式。

前述的步骤5)中，所述加权矩阵选取Lyapunov的最佳加权矩阵R^*(k)：

$R^{*}\left(k\right)=\frac{1}{\underset{i}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\Λ}}_i\left(k\right)h_i^2\left(k\right)}\mathrm{diag}[{\mathrm{\Λ}}_1\left(k\right),{\mathrm{\Λ}}_2\left(k\right),...,{\mathrm{\Λ}}_N\left(k\right)]---\left(27\right)$

其中，N表示加权矩阵的维数。

前述的步骤6)采用梯度校正参数辨识算法对变风量空调系统参考对象模型待辨识参数θ_m(k)进行在线辨识的步骤如下：

6-1)     给定参考对象模型特性参数向量的初始值θ_m(1)，即取k＝1；

6-2)     根据式(23)构成输入数据向量h(k)；

6-3)     根据式(27)构成加权矩阵R^*(k)；

6-4)     根据式(12)式计算广义模型误差e(k)；

6-5)     根据式(22)估计新的参考对象模型的特性参数向量θ_m(k+1)；

6-6)     对待辨识参数θ_m(k+1)中的d_m(k+1)进行取整，所述取整遵循如下规则：

$d_m(k+1)=\left\{\begin{array}{cc}{d}_m\left(k\right)+1& d_m(k+1)-d_m\left(k\right)\&GreaterEqual;0.5\\ d_m\left(k\right)& |d_m(k+1)-d_m\left(k\right)|<0.5\\ d_m\left(k\right)-1& d_m(k+1)-d_m\left(k\right)\&le;-0.5\end{array}\right.---\left(28\right)$

6-7)     用k+1替代k，返回步骤6-2)。

前述的在线辨识过程中，当代价函数J(θ)取得最小值的，迭代循环结束，此时的参数向量θ_m(k)与实际值偏差为最小，则此时的θ_m(k)即为变风量空调系统相应的特性参数的实际值。

本发明的梯度校正辨识算法同样是一种递推算法结构，但算法明显简单，而且易于实现，因此在线辨识时，其相应的计算量要小于递推最小二乘算法；并且本发明实现了对变风量空调系统包括延迟参数和过程参数在内的在线辨识。

具体实施方式

下面对本发明进行进一步详细说明。

本发明的变风量空调系统室温控制的梯度校正辨识算法，主要包括以下几个部分。

一、建立变风量空调系统的离散化模型

变风量空调系统数学模型经过简化后，室内温度和控制器的输出之间可以用一阶惯性加纯延迟的环节来表示：

$G\left(s\right)=\frac{K_s}{T_s\&CenterDot;s+1}{e}^{-\mathrm{\&tau;}\&CenterDot;s}---\left(1\right)$

其中，G(s)为变风量空调系统的数学模型，K_s为放大系数，T_s为时间常数，τ为变风量空调系统的纯延迟时间，s为拉普拉斯算子。

变风量空调系统需要连续的进行工作，所以其控制过程必然为一个连续系统。为了能够通过计算机对变风量空调系统模型进行在线辨识，必须对变风量空调系统的数学模型的传递函数表达式(连续过程)进行离散化，为此在连续系统中加入一个采样开关和一个零阶保持器，假定采样周期用T来表示，则变风量空调系统的传递函数G_h(s)可以表示为：

$G_h\left(s\right)=\frac{1-\exp (T\&CenterDot;s)}{s}---\left(2\right)$

假设变风量空调系统的纯延迟时间τ是采样时间T的整数倍，令

d＝τ/T                                     (3)

由于需要对变风量空调系统进行离散信号处理，对数学模型G(s)采用离散信号处理中应用最为广泛的z变换，则变风量空调系统的数学模型G(s)经过z变换后的离散化模型G(z^-1)为：

$G\left(z^{-1}\right)=z(\frac{1-e^{T\&CenterDot;s}}{s}\&CenterDot;\frac{K_s{e}^{(-\mathrm{\&tau;}\&CenterDot;s)}}{1+T_s\&CenterDot;s})=\frac{B\left(z^{-1}\right)}{A\left(z^{-1}\right)}\&CenterDot;z^{-d}=\frac{b{z}^{-1}}{1-a{z}^{-1}}\&CenterDot;z^{-d}---\left(4\right)$

具体推导过程为：

$\begin{array}{c}G\left(z^{-1}\right)=z(\frac{1-e^{T\&CenterDot;s}}{s}\&CenterDot;\frac{K_s\&CenterDot;e^{(-\mathrm{\&tau;}\&CenterDot;s)}}{1+T_s\&CenterDot;s})=z\left(\frac{K_s}{s\&CenterDot;(1+T_s\&CenterDot;s)}\right)(1-z^{-1})z^{-d}\\ =K_{s}z(\frac{1}{s}-\frac{1}{s+\frac{1}{T_s}})(1-z^{-1})z^{-d}=K_s(1-z^{-1})z^{-d}(\frac{z}{z-1}-\frac{z}{z-e^{-T/T_s}})\\ =K_s\frac{z^{-d}(1-e^{-T/T_s})}{z-e^{-T/T_s}}\end{array}---\left(5\right)$

令

$a=e^{-T/T_s}---\left(6\right)$

b＝K_s(1-a)                      (7)

将其转化为z变换的标准化形式：

$G\left(z^{-1}\right)=\frac{B\left(z^{-1}\right)}{A\left(z^{-1}\right)}\&CenterDot;z^{-d}=\frac{b{z}^{-1}}{1-a{z}^{-1}}\&CenterDot;z^{-d}---\left(8\right)$

a，b即为变风量空调系统的过程参数，d为变风量空调系统的延迟参数，a，b，d统称为变风量空调系统的特性参数。

二、建立与变风量空调系统的离散化模型相应的离散化的参考对象模型

根据变风量空调系统的离散化数学模型式(8)，可建立与其相应的离散化的参考对象模型为：

$G_m\left(z^{-1}\right)=\frac{b_m{z}^{-1}}{1-a_m{z}^{-1}}\&CenterDot;z^{-d_m}---\left(9\right)$

在上式中，a_m,b_m和d_m为变风量空调系统参考对象模型待辨识参数，将其用向量θ_m来表示：

θ_m(k)＝[a_m(k),b_m(k),d_m(k)]^T                      (10)

θ_m(k)为离散化的表达形式，k表示差分阶数。

三、定义变风量空调系统离散化模型和参考对象模型的广义模型误差

将参考对象模型式(9)用差分方程来表示：

$y_m\left(k\right)=a_m\&CenterDot;y(k-1)+z^{-d_m}\&CenterDot;b_m\&CenterDot;u(k-1)---\left(11\right)$

其中，k表示差分阶数，u(k-1)表示变风量空调系统在k-1时刻的输入，y(k-1)表示变风量空调系统在k-1时刻的实际输出。

则广义模型误差e(k)为：

$e\left(k\right)=y\left(k\right)-y_m\left(k\right)=y\left(k\right)-[a_m\&CenterDot;y(k-1)+z^{-d_m}\&CenterDot;b_m\&CenterDot;u(k-1)]---\left(12\right)$

四、定义代价函数J(θ)

代价函数是为了获得J(θ)的最小值，也就是取得广义模型误差的最小值，当J(θ)为最小时，参考对象模型待辨识参数的估计值即为变风量空调系统模型相应的特性参数的实际值。

代价函数J(θ)定义为：

$J\left(\mathrm{\&theta;}\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\frac{1}{2}{e}^2\left(i\right)---\left(13\right).$

五、得到梯度校正参数辨识算法下变风量空调系统参考对象模型待辨识参数θ_m(k)的递推公式

梯度校正参数辨识算法可以用如下数学表达式表示：

${\mathrm{\&theta;}}_m(k+1)={\mathrm{\&theta;}}_m\left(k\right)-R\left(k\right)\&CenterDot;\underset{\mathrm{\&theta;}}{\mathrm{grad}}\left[J\left(\mathrm{\&theta;}\right)\right]{|}_{{\mathrm{\&theta;}}_m\left(k\right)}---\left(14\right)$

在上式中R(k)为加权矩阵，它是对称矩阵；表示J(θ)关于θ_m(k)的梯度。对于变风量空调系统参考对象模型，

$\underset{\mathrm{\&theta;}}{\mathrm{grad}}\left[J\left(\mathrm{\&theta;}\right)\right]{|}_{{\mathrm{\&theta;}}_m\left(k\right)}=\frac{d}{\mathrm{d\&theta;}}\left[\frac{1}{2}{e}^2(\mathrm{\&theta;},k)\right]{|}_{{\mathrm{\&theta;}}_m\left(k\right)}=[\frac{\&PartialD;J}{\&PartialD;a_m},\frac{\&PartialD;J}{\&PartialD;b_m},\frac{\&PartialD;J}{\&PartialD;d_m}{]}^T\&CenterDot;e\left(k\right)---\left(15\right)$

结合式(12)、(13)可得

$\frac{\&PartialD;J}{\&PartialD;a_m}=-y(k-1)---\left(16\right)$

$\frac{\&PartialD;J}{\&PartialD;b_m}=-1\&CenterDot;z^{-d_m\left(k\right)}\&CenterDot;u(k-1)---\left(17\right)$

根据z变换的实域位移定理，由式(17)可以推导得：

$\frac{\&PartialD;J}{\&PartialD;b_m}=-u(k-d_m\left(k\right)-1)---\left(18\right)$

另外，

$\frac{\&PartialD;J}{\&PartialD;d_m}=z^{-d_m\left(k\right)}\&CenterDot;\ln z\&CenterDot;b_m\left(k\right)\&CenterDot;u(k-1)=z^{-d_m\left(k\right)}\&CenterDot;s\&CenterDot;T\&CenterDot;b_m\left(k\right)\&CenterDot;u(k-1)---\left(19\right)$

采用欧拉线性变换式对式(19)进行化解，推导获得

$\frac{\&PartialD;J}{\&PartialD;d_m}=(z^{-d_m\left(k\right)}-z^{-d_m\left(k\right)-1})\&CenterDot;b_m\left(k\right)\&CenterDot;u(k-1)=[u(k-d_m(k-1)-1)-u(k-d_m(k-1)-2)]\&CenterDot;b_m\left(k\right)---\left(20\right)$

则

$\underset{\mathrm{\&theta;}}{\mathrm{grad}}\left[J\left(\mathrm{\&theta;}\right)\right]{|}_{{\mathrm{\&theta;}}_m\left(k\right)}=\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\&CenterDot;b_m\left(k\right)\end{array}\right]\&CenterDot;e\left(k\right)---\left(21\right)$

则在梯度校正参数辨识算法下变风量空调系统参考对象模型待辨识参数向量θ_m(k)的递推公式为：

${\mathrm{\&theta;}}_m(k+1)={\mathrm{\&theta;}}_m\left(k\right)-R\left(k\right)\&CenterDot;\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\&CenterDot;b_m\left(k\right)\end{array}\right]\&CenterDot;e\left(k\right)---\left(22\right)$

定义输入数据向量h(k)为：

$h\left(k\right)=\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\&CenterDot;b_m\left(k\right)\end{array}\right]---\left(23\right)$

输入数据向量h(k)的各分量h_i(k)将直接影响参数的估计值，

加权矩阵R(k)的作用是用来控制各输入数据分量对参数估计值的影响程度，梯度校正参数辨识算法的收敛性能直接取决于该加权阵的选择，因此在变风量空调系统的在线辨识过程有效地选择R(k)将对梯度校正参数在线辨识算法起着关键的作用。

加权矩阵R(k)具有如下形式：

R(k)＝c(k)·diag[Λ₁(k),Λ₂(k),...,Λ_N(k)]               (24)

适当地选择Λ_i(k)，能够控制各输入数据分量h_i(k)对参数估计值的影响，根据经验结论，当

$\left\{\begin{array}{c}R\left(k\right)=\frac{c}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&Lambda;}}_i\left(k\right)h_i^2\left(k\right)}\mathrm{diag}[{\mathrm{\&Lambda;}}_1\left(k\right),{\mathrm{\&Lambda;}}_2\left(k\right),...,{\mathrm{\&Lambda;}}_N\left(k\right)\\ 0<c<2\end{array}\right.---\left(25\right)$

θ_m(k)在公式大范围内是一致渐进收敛的，即有

$\underset{k\&RightArrow;\&infin;}{\lim }{\mathrm{\&theta;}}_m\left(k\right)={\mathrm{\&theta;}}_0---\left(26\right)$

其中θ₀为变风量空调系统数学模型特性参数的实际值。

在本发明中取

$R^{*}\left(k\right)=\frac{1}{\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&Lambda;}}_i\left(k\right)h_i^2\left(k\right)}\mathrm{diag}[{\mathrm{\&Lambda;}}_1\left(k\right),{\mathrm{\&Lambda;}}_2\left(k\right),...,{\mathrm{\&Lambda;}}_N\left(k\right)]---\left(27\right)$

将R^*(k)定义为Lyapunov的最佳加权矩阵，当加权矩阵选用R^*(k)时，参数参考模型的待辨识参数θ_m(k)将以最快的速度收敛于实际值θ₀。

六、采用梯度校正参数辨识算法对变风量空调系统参考对象模型待辨识参数θ_m(k)进行在线辨识

6-1)给定参考对象模型特性参数向量的初始值θ_m(1)，即取k＝1，给定和数学模型相接近的值，其中d_m(1)的初始值可以通过阶跃响应获得；

6-2)根据式(23)构成输入数据向量h(k)，式中y(k-1)、u(k-1)均可由测量获得；

6-3)根据式(27)构成最佳加权矩阵R^*(k)，式中，Λ_i(k)的值可由工程经验和参考文献中得到；

6-4)根据式(12)式计算广义模型误差e(k)；

6-5)根据式(22)估计新的参考对象模型的特性参数向量θ_m(k+1)；

6-6)为了和离散模型统一，d_m(k)必须由整数来表示，所以需要对待辨识参数θ_m(k+1)中的d_m(k+1)进行取整，取整遵循如下规则：

$d_m(k+1)=\left\{\begin{array}{cc}{d}_m\left(k\right)+1& d_m(k+1)-d_m\left(k\right)\&GreaterEqual;0.5\\ d_m\left(k\right)& |d_m(k+1)-d_m\left(k\right)|<0.5\\ d_m\left(k\right)-1& d_m(k+1)-d_m\left(k\right)\&le;-0.5\end{array}\right.---\left(28\right)$

6-7)用k+1替代k，返回步骤6-2)。

当代价函数J(θ)取得最小值的，迭代循环结束，此时的参数向量θ_m(k)与实际值偏差为最小，认为此时的θ_m(k)即为变风量空调系统相应的特性参数的实际值。

利用所求得的特性参数，再根据式(6)，式(7)和式(3)即可求得变风量空调系统的时间常数T_s，放大系数K_s和纯延迟时间τ。

Claims (7)

1.变风量空调系统室温控制的梯度校正辨识算法，其特征在于，包括以下步骤：

1)建立变风量空调系统的离散化模型；

2)建立与所述变风量空调系统的离散化模型相应的离散化的参考对象模型；

3)定义变风量空调系统离散化模型和参考对象模型的广义模型误差：

4)定义代价函数J(θ)，当J(θ)为最小时，参考对象模型待辨识参数的估计值即为变风量空调系统模型相应的特性参数的实际值，

$J\left(\mathrm{\&theta;}\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}\frac{1}{2}{e}^2\left(i\right)---\left(13\right)$

其中，θ表示未知的特性参数，e(i)为广义模型误差，k表示差分阶数；

5)得到梯度校正参数辨识算法下变风量空调系统参考对象模型待辨识参数θ_m(k)的递推公式：

${\mathrm{\&theta;}}_m(k+1)={\mathrm{\&theta;}}_m\left(k\right)-R\left(k\right)\&CenterDot;\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\&CenterDot;b_m\left(k\right)\end{array}\right]\&CenterDot;e\left(k\right)---\left(22\right)$

其中，θ_m(k)＝[a_m(k),b_m(k),d_m(k)]^T，R(k)为加权矩阵，e(k)为广义模型误差，

u(k)表示变风量空调系统在k时刻的输入，y(k)表示在k时刻的变风量空调系统实际输出，

定义输入数据向量h(k)为：

$h\left(k\right)=\left[\begin{array}{c}-y(k-1)\\ -u(k-d_m\left(k\right)-1)\\ (u(k-d_m\left(k\right)-1)-u(k-d_m\left(k\right)-2))\&CenterDot;b_m\left(k\right)\end{array}\right]---\left(23\right);$

6)采用梯度校正参数辨识算法对变风量空调系统参考对象模型待辨识参数θ_m(k)进行在线辨识。

2.根据权利要求1所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述步骤1)变风量空调系统的离散化模型的建立过程包括以下步骤：

1-1)变风量空调系统的数学模型G(s)经简化后，表达式如下：

$G\left(s\right)=\frac{K_s}{T_s\&CenterDot;s+1}{e}^{-\mathrm{\&tau;}\&CenterDot;s}---\left(1\right)$

其中，K_s为放大系数，T_s为时间常数，τ为变风量空调系统的纯延迟时间，s为拉普拉斯算子；

1-2)对变风量空调系统的数学模型的传递函数进行离散化，得到离散化的变风量空调系统的传递函数G_h(s)如下：

$G_h\left(s\right)=\frac{1-\exp (T\&CenterDot;s)}{s}---\left(2\right)$

其中，T表示采样周期；

1-3)将空调系统的数学模型G(s)经过z变换后，得到离散化模型G(z^-1)：

$G\left(z^{-1}\right)=z(\frac{1-e^{T\&CenterDot;s}}{s}\&CenterDot;\frac{K_s{e}^{(-\mathrm{\&tau;}\&CenterDot;s)}}{1+T_s\&CenterDot;s})=\frac{B\left(z^{-1}\right)}{A\left(z^{-1}\right)}\&CenterDot;z^{-d}=\frac{b{z}^{-1}}{1-a{z}^{-1}}\&CenterDot;z^{-d}---\left(4\right)$

其中，b＝K_s(1-a)，a，b为变风量空调系统的过程参数，

d＝τ/T为变风量空调系统的延迟参数，a，b，d为变风量空调系统的特性参数。

3.根据权利要求1所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述步骤2)离散化的参考对象模型G_m(z^-1)为：

$G_m\left(z^{-1}\right)=\frac{b_m{z}^{-1}}{1-a_m{z}^{-1}}\&CenterDot;z^{-d_m}---\left(9\right)$

其中，a_m,b_m为变风量空调系统参考对象模型待辨识的过程参数，d_m为空调系统参考对象模型待辨识的延迟参数。

4.根据权利要求1所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述步骤3)广义模型误差e(k)为：

$e\left(k\right)=y\left(k\right)-y_m\left(k\right)=y\left(k\right)-[a_m\&CenterDot;y(k-1)+z^{-d_m}\&CenterDot;b_m\&CenterDot;u(k-1)]---\left(12\right)$

其中，k表示差分阶数，u(k-1)表示变风量空调系统在k-1时刻的输入，y(k)表示在k时刻的变风量空调系统实际输出，y_m(k)为参考对象模型G_m(z^-1)的差分形式。

5.根据权利要求1所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述步骤5)中，所述加权矩阵选取Lyapunov的最佳加权矩阵R^*(k)：

$R^{*}\left(k\right)=\frac{1}{\underset{i}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&Lambda;}}_i\left(k\right)h_i^2\left(k\right)}\mathrm{diag}[{\mathrm{\&Lambda;}}_1\left(k\right),{\mathrm{\&Lambda;}}_2\left(k\right),...,{\mathrm{\&Lambda;}}_N\left(k\right)]---\left(27\right)$

其中，N表示加权矩阵的维数。

6.根据权利要求1所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述步骤6)采用梯度校正参数辨识算法对变风量空调系统参考对象模型待辨识参数θ_m(k)进行在线辨识的步骤如下：

6-1)  给定参考对象模型特性参数向量的初始值θ_m(1)，即取k＝1；

6-2)  根据式(23)构成输入数据向量h(k)；

6-3)  根据式(27)构成加权矩阵R^*(k)；

6-4)  根据式(12)式计算广义模型误差e(k)；

6-5)  根据式(22)估计新的参考对象模型的特性参数向量θ_m(k+1)；

6-6)  对待辨识参数θ_m(k+1)中的d_m(k+1)进行取整，所述取整遵循如下规则：

$d_m(k+1)=\left\{\begin{array}{cc}{d}_m\left(k\right)+1& d_m(k+1)-d_m\left(k\right)\&GreaterEqual;0.5\\ d_m\left(k\right)& |d_m(k+1)-d_m\left(k\right)|<0.5\\ d_m\left(k\right)-1& d_m(k+1)-d_m\left(k\right)\&le;-0.5\end{array}\right.---\left(28\right)$

6-7)  用k+1替代k，返回步骤6-2)。

7.根据权利要求6所述的变风量空调系统室温控制的梯度校正辨识算法，其特征在于，所述在线辨识过程中，当代价函数J(θ)取得最小值的，迭代循环结束，此时的参数向量θ_m(k)与实际值偏差为最小，则此时的θ_m(k)即为变风量空调系统相应的特性参数的实际值。