CN106369834A - 基于神经网络的直热式热泵系统恒温流量控制方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的直热式热泵系统恒温流量控制方法，涉及一种利用热泵的流体加热器及其控制方法，是基于系统典型工况下的历史运行数据，离线构建机组水流量与出水温度的神经网络模型；以出水温度设定值为目标值，根据当前系统运行的有效信息，采取基于神经网络的预测控制算法，优化调整系统控制量，并以控制量为给定，对比例阀进行PID调节，稳定机组水流量，从而保证出水温度的恒定。该方法不仅是基于系统动态信息优化调整控制策略，同时采用串级控制，有效抑制水压波动对水流量调节的不利影响，为变工况运行的直热式热泵系统的恒温流量控制提供了一种有效的解决方案。

Description

基于神经网络的直热式热泵系统恒温流量控制方法

技术领域

本发明涉及一种利用热泵的流体加热器及其控制方法，具体涉及一种基于神经网络的直热式热泵系统恒温流量控制方法。

背景技术

空气源热泵技术是21世纪对新能源利用具有突破性的技术。在国外，空气源热泵已经被应用到很多领域，而我国空气源热泵事业近些年来，也逐渐步入了稳定发展的阶段。国内相关文件也明确指出，积极发展热泵系统，对优化能源结构、减缓资源压力、实现供热多元化具有重要意义。

虽然空气源热泵系统具有节能降耗等一系列优点，但其制热量易受环境温度、冷水进水温度等因素的影响，尤其对于直热式热泵系统，环境因素影响尤为显著。目前，市场上的直热式热泵系统通常应用阀门技术来自动调节水流量，保证出水温度达到客户需求值。中国发明专利“一种比例调节型一次加热式热泵热水机”（中国发明专利号ZL201110096160.7，授权公告号CN102162681B）公开了一种比例调节型一次加热式热泵热水机，储热水箱通过管路与双系统冷凝器相连，双系统冷凝器设有两套制热系统，分别为制热系统一和制热系统二，制热系统一的上部出口与制热系统二的下部出口通过二通电磁阀相连，制热系统一的下部出口与制热系统二的上部出口相连，制热系统二的上部出口通过三通电磁阀与制热系统二的下部出口形成一个回路；储热水箱设有一个进水阀，进水阀通过三通比例温度调节阀与储热水箱相连，在三通比例温度调节阀和三通电磁阀之间设有水泵。该发明通过识别环境温度，把水系统水路并接改为串接形式，两个制热系统的水流量增加一倍，增加冷凝效果，提高热泵机组的制热量和能效，同时机组又能稳定、安全的运行。中国发明专利 “热泵热水机恒温流量控制方法和使用该方法的双系统机组”（中国发明专利号ZL201310239541.5，授权公告号CN103267362B）公开了一种热泵热水机恒温流量控制方法和使用该方法的双系统机组，涉及一种利用热泵的流体加热器及其控制方法，尤其涉及用于热泵热水机的恒温流量控制方法和使用该方法的双系统一次加热式热泵热水机组，包括热泵系统A，热泵系统B，供水加热系统C和恒温流量控制装置；根据出水温度进行水流量PID调节；以出水温度设定值为目标值，根据出水温度检测值控制恒温流量阀开度，调节水流量；当水箱温度低时，开启恒温水泵、压缩机，机组进行恒温运行；当进水温度过高，打开旁通阀；在双系统中的一个系统出现故障停止运行时，下调出水设定温度，保证热泵机组的水流量，提高冷凝效果和机组的制热量和能效，从而保证另一个没有故障的系统能安全、稳定、高效运行。

但是，由于空气源热泵系统的非线性、时变性、滞后性等特点，现有的水流量调节方法显得较为粗略：或是通过对多个电磁阀的逻辑控制来实现，综合识别和判断；或是采用PID连续调节，且算法整定较多依据实际经验。这两种方式均未考虑非线性系统的动态特性，因此存在着控制效果不佳等问题。

发明内容

本发明的目的是提供一种基于神经网络的直热式热泵系统恒温流量控制方法，解决利用神经网络模型实现直热式热泵系统恒温流量控制的技术问题。

本发明解决上述技术问题所采用的技术方案是：

一种基于神经网络的直热式热泵系统恒温流量控制方法，包括以下步骤：

S10）获取直热式热泵系统某一典型工况下的历史运行数据，包括环境温度、冷水进水温度、机组水流量、出水温度等，离线构建热泵系统机组水流量与出水温度的神经网络模型；

S20）读取机组出水温度设定值，通过温度信号采集处理模块实时检测出水温度，通过流量信号采集处理模块实时检测机组水流量；

S30）调用神经网络预测控制算法：以出水温度设定值为目标值，读取出水温度检测值，采取多步预测的方式，扩大反映系统未来变化趋势的信息量，依据多步预测目标性能函数最小原则，优化调整系统控制量，算法执行周期为20s；

S40）调用比例阀PID算法：以步骤S30计算得到的控制量作为PID算法的给定值，根据机组水流量检测值，调节比例阀开度，有效抑制水压波动等干扰，稳定机组水流量，算法执行周期为200ms；

S50）重复步骤S30和步骤S40，直至实际出水温度维持在机组出水温度设定值附近小范围波动。

步骤S10中，所述的离线构建热泵系统神经网络模型，包括以下步骤：

S11）获取系统动态特性：根据阶跃响应测试，直热式热泵系统近似为二阶纯滞后系统，纯滞后时间约为80s，滞后周期数n=4；

S12）确定网络模型结构：采用三层BP神经网络，网络输入层取4个节点，隐含层根据前人的经验取7个节点，输出层为1个节点，k时刻的神经网络模型描述如下：

ym(k)=f[y(k-1),y(k-2),u(k-4),u(k-5)]

式中，u代表机组水流量数据，y代表出水温度数据，ym为出水温度预测值；

S13）训练BP神经网络：采用MATLAB提供的M语言编写程序脚本，使用newff()函数和train()函数，完成神经网络离线训练过程，并保存权值和偏值。

步骤S30中，所述的神经网络预测控制算法，包括以下步骤：

S31）初始化控制参数：算法执行周期为20s，考虑最优化时域应包含热泵系统的主要动态特性，取预测步长P=14，同时，由于热泵系统的非线性特性，在目标性能函数中添加控制量增量的阻尼项，提高算法的稳定性，控制时域长度m=2，调整控制量加权系数λ可以限制控制量的幅度，初始λ=0；

S32）在采样k时刻，根据当前系统运行的有效信息，利用步骤S10建立的神经网络模型预测系统输出ym(k)，并通过反复迭代得到在k时刻对系统未来输出的多步预测，第d步的预测值为：

ym(k+d)=f[ym(k+d-1),ym(k+d-2),u(k+d-4),u(k+d-5)]；

S33）根据多步预测目标性能函数J最小原则，采用数值方法调整系统控制量：第一步，由Quasi-Newton法确定控制量的搜索方向dX，第二步，在该搜索方向上应用线搜索技术，通过计算性能函数值J及其变化率dJ，寻找满足Wolfe准则的最优步长a，控制量迭代式为：

u_temp=u+a*dX，u=u_temp，dX=-B*dJ

式中，正定阵B为近似的Hessian矩阵，由BFGS公式进行校正，u_temp为控制量的中间值，合理设置迭代次数maxiter可调整所得控制量达到最佳。

本发明的有益效果是：

与现有技术相比，本发明突出的优点包括：一方面，该方法基于系统动态信息优化控制策略，采用数值方法计算系统控制量，逻辑结构简单，易通过计算机程序来实现；另一方面，针对水流量调节采用串级控制，可有效抑制水压波动对水流量调节的不利影响，使出水温度能够快速达到稳定。本发明为变工况运行的直热式热泵系统的恒温流量控制提供了一种有效的解决方案。

附图说明

图1是本发明的采用基于神经网络的恒温流量控制方法的直热式热泵系统示意图；

图2是本发明的基于神经网络的直热式热泵系统恒温流量控制方法示意图；

图3是用于构建直热式热泵系统动态模型的BP神经网络结构图；

图4是直热式热泵系统恒温流量控制的神经网络预测控制算法流程图；

图5是本发明的目标性能函数数值最优算法流程图。

具体实施方式

为了能更好地理解本发明的上述技术方案，下面结合附图和实施例作进一步说明。

图1是本发明的采用基于神经网络的恒温流量控制方法的直热式热泵系统的实施例，该系统有直热加热和循环加热两种制热模式，在直接加热模式下，冷水进水口安装有比例阀和流量计，控制器获取出水温度和水流量检测信号，交由PC机完成控制量的计算，然后依据控制量给定执行PID算法，输出控制比例阀的开度，稳定机组水流量，从而保证出水温度的恒定。

图2是本发明的基于神经网络的直热式热泵系统恒温流量控制方法的实施例，包括以下步骤：

S10）获取直热式热泵系统某一典型工况下的历史运行数据，包括环境温度、冷水进水温度、机组水流量、出水温度等，离线构建热泵系统机组水流量与出水温度的神经网络模型；

S20）读取机组出水温度设定值，通过温度信号采集处理模块实时检测出水温度，通过流量信号采集处理模块实时检测机组水流量；

S30）调用神经网络预测控制算法：以出水温度设定值为目标值，读取出水温度检测值，采取多步预测的方式，扩大反映系统未来变化趋势的信息量，依据多步预测目标性能函数最小原则，优化调整系统控制量，算法执行周期为20s；

S40）调用比例阀PID算法：以步骤S30计算得到的控制量作为PID算法的给定值，根据机组水流量检测值，调节比例阀开度，有效抑制水压波动等干扰，稳定机组水流量，算法执行周期为200ms；

S50）重复步骤S30和步骤S40，直至实际出水温度维持在机组出水温度设定值附近小范围波动。

根据图2所示的基于神经网络的直热式热泵系统恒温流量控制方法的实施例，步骤S10中，当采用S型激活函数时，为方便网络权值的调整，考虑将获得的机组水流量和出水温度的历史数据变换到[-1,1]范围内，所述的离线构建热泵系统神经网络模型，包括以下步骤：

S11）获取系统动态特性：根据阶跃响应测试，直热式热泵系统近似为二阶纯滞后系统，纯滞后时间约为80s，滞后周期数n=4；

S12）确定网络模型结构：采用三层BP神经网络，网络结构如图3所示，设置有两组输入：延迟的机组水流量u和延迟的出水温度y，对于每种输入，根据系统的阶次及滞后周期数设计相应的TDL延迟模块，输入层取4个节点，隐含层根据前人的经验取7个节点，网络的输出为出水温度预测值ym，在k时刻，神经网络模型描述如下：

ym(k)=f[y(k-1),y(k-2),u(k-4),u(k-5)]；

S13）训练BP神经网络：采用MATLAB提供的M语言编写程序脚本，使用newff()函数和train()函数，完成神经网络离线训练过程，并保存权值和偏值。

根据图2所示的基于神经网络的直热式热泵系统恒温流量控制方法的实施例，步骤S30中，利用MATLAB搭建神经网络模型，用于预测系统当前及未来时刻的输出信息，控制算法通过编写M文件S-function来实现，所述的神经网络预测控制算法流程图如图4所示，包括以下步骤：

S31）初始化控制参数：算法执行周期为20s，考虑最优化时域应包含热泵系统的主要动态特性，取预测步长P=14，同时，由于热泵系统的非线性特性，在目标性能函数中添加控制量增量的阻尼项，提高算法的稳定性，控制时域长度m=2，调整控制量加权系数λ可以限制控制量的幅度，初始λ=0；

S32）在采样k时刻，根据当前系统运行的有效信息，利用步骤S10建立的神经网络模型预测系统输出ym(k)，并通过反复迭代得到在k时刻对系统未来输出的多步预测，第d步的预测值为：

ym(k+d)=f[ym(k+d-1),ym(k+d-2),u(k+d-4),u(k+d-5)]；

S33）根据多步预测目标性能函数J最小原则，采用数值方法调整系统控制量，本发明的目标性能函数数值最优算法流程图如图5所示：第一步，由Quasi-Newton法确定控制量的搜索方向dX，第二步，在该搜索方向上应用线搜索技术，通过计算性能函数值J及其变化率dJ，寻找满足Wolfe准则的最优步长a，控制量迭代式为：

u_temp=u+a*dX，u=u_temp，dX=-B*dJ

式中，正定阵B为近似的Hessian矩阵，由BFGS公式进行校正，u_temp为控制量的中间值，合理设置迭代次数maxiter可调整所得控制量达到最佳。

步骤S33中，在计算性能函数变化率dJ时，需要用到对象的Jacobian信息，即对象输出对输入的灵敏度，由于对象特性未知，可利用神经网络模型预测系统未来输出过程中的相关信息计算得到。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明的技术方案，而并非用作为对本发明的限定，任何基于本发明的实质精神对以上所述实施例所作的变化、变型，都将落在本发明的权利要求的保护范围内。

Claims (3)

1.一种基于神经网络的直热式热泵系统恒温流量控制方法，其特征是：包括以下步骤：

S10）获取直热式热泵系统某一典型工况下的历史运行数据，包括环境温度、冷水进水温度、机组水流量、出水温度等，离线构建热泵系统机组水流量与出水温度的神经网络模型；

S20）读取机组出水温度设定值，通过温度信号采集处理模块实时检测出水温度，通过流量信号采集处理模块实时检测机组水流量；

S30）调用神经网络预测控制算法：以出水温度设定值为目标值，读取出水温度检测值，采取多步预测的方式，扩大反映系统未来变化趋势的信息量，依据多步预测目标性能函数最小原则，优化调整系统控制量，算法执行周期为20s；

S40）调用比例阀PID算法：以步骤S30计算得到的控制量作为PID算法的给定值，根据机组水流量检测值，调节比例阀开度，有效抑制水压波动等干扰，稳定机组水流量，算法执行周期为200ms；

S50）重复步骤S30和步骤S40，直至实际出水温度维持在机组出水温度设定值附近小范围波动。

2.根据权利要求1所述的基于神经网络的直热式热泵系统恒温流量控制方法，其特征是：步骤S10所述的离线构建热泵系统神经网络模型，包括以下步骤：

S11）获取系统动态特性：根据阶跃响应测试，直热式热泵系统近似为二阶纯滞后系统，纯滞后时间为80s，滞后周期数n=4；

S12）确定网络模型结构：采用三层BP神经网络，网络输入层取4个节点，隐含层根据前人的经验取7个节点，输出层为1个节点，k时刻的神经网络模型描述如下：

ym(k)=f[y(k-1),y(k-2),u(k-4),u(k-5)]

式中，u代表机组水流量数据，y代表出水温度数据，ym为出水温度预测值；

S13）训练BP神经网络：采用MATLAB提供的M语言编写程序脚本，使用newff()函数和train()函数，完成神经网络离线训练过程，并保存权值和偏值。

3.根据权利要求1所述的基于神经网络的直热式热泵系统恒温流量控制方法，其特征是：步骤S30所述的神经网络预测控制算法，包括以下步骤：

S31）初始化控制参数：算法执行周期为20s，考虑最优化时域应包含热泵系统的主要动态特性，取预测步长P=14，同时，由于热泵系统的非线性特性，在目标性能函数中添加控制量增量的阻尼项，提高算法的稳定性，控制时域长度m=2，调整控制量加权系数λ可以限制控制量的幅度，初始λ=0；

S32）在采样k时刻，根据当前系统运行的有效信息，利用步骤S10建立的神经网络模型预测系统输出ym(k)，并通过反复迭代得到在k时刻对系统未来输出的多步预测，第d步的预测值为：

ym(k+d)=f[ym(k+d-1),ym(k+d-2),u(k+d-4),u(k+d-5)],d=1,2,…,P；

S33）根据多步预测目标性能函数J最小原则，采用数值方法调整系统控制量：第一步，由Quasi-Newton法确定控制量的搜索方向dX，第二步，在该搜索方向上应用线搜索技术，通过计算性能函数值J及其变化率dJ，寻找满足Wolfe准则的最优步长a，控制量迭代式为：

u_temp=u+a*dX，u=u_temp，dX=-B*dJ

式中，正定阵B为近似的Hessian矩阵，由BFGS公式进行校正，u_temp为控制量的中间值，合理设置迭代次数maxiter可调整所得控制量达到最佳。