CN108983613A - 基于动态矩阵控制算法的窗户控制方法 - Google Patents
基于动态矩阵控制算法的窗户控制方法 Download PDFInfo
- Publication number
- CN108983613A CN108983613A CN201810912266.1A CN201810912266A CN108983613A CN 108983613 A CN108983613 A CN 108983613A CN 201810912266 A CN201810912266 A CN 201810912266A CN 108983613 A CN108983613 A CN 108983613A
- Authority
- CN
- China
- Prior art keywords
- moment
- value
- uncontrollable
- window
- controllable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明提供的一种基于动态矩阵控制算法的窗户控制方法,包括步骤S1:建立可控对象和不可控对象的模型;S2:建立动态矩阵A和动态矩阵B;S3:获得wP(k);S4:获得k时刻的输入的不可控增量Δv(k);S5:获得w* P(k);S6:获得Δu(k);S7:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1);S8:获得可控对象预测输出值y'PM(k+1);S9:判断y'PM(k)是否在标准输出值范围内,若不在,则控制窗户开度增大;若在,不对窗户进行操作;S10:在下一时刻,依照步骤S3至S9,依次循环;本发明建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的反馈调节的室内环境参数的预测控制模型,对室内环境条件的预先判定,能够对窗户的开度进行预先控制,方便智能,可自适应控制。
Description
技术领域
本发明涉及窗户控制领域,具体涉及一种基于动态矩阵控制算法的窗户控制方法。
背景技术
随着人们对生活要求的提高以及智能化家居概念的普及,智能家居越来越深入人们的生活,室内环境舒适性也成为了人们所关注的对象,人们生活的繁忙需要智能化的辅助使得生活质量不会下降反而提高,实现窗户的自动化管理,比如设定合适的时间开启窗户通风换气,在突降大雨或空气AQI指数提高时关闭窗户隔绝污染,无人在家时依然根据空气质量参数实现窗户的自动开关就显得尤为重要。目前,对窗户的智能控制,主要是人工远程控制窗户的开户,或根据实时的环境条件,对窗户进行实时开关,还没有一种能够结合对空气质量参数、室内外温湿度预测分析来提前控制窗户开关,从而调节室内控制质量和温度的窗户控制方法。
因此,需要提出一种基于动态矩阵控制算法的窗户控制方法。
发明内容
有鉴于此,本发明的目的是提供一种基于动态矩阵控制算法的窗户控制方法,建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的反馈调节的室内环境参数的预测控制模型,相对于传统的控制方法只能在室内环境已经达到不舒服的状态下才进行控制,并且需要人为参与控制,不适于无人预先控制的使用情况,对室内环境条件的预先判定,能够对窗户的开度进行预先控制,方便智能,可自适应控制。
本发明提供一种基于动态矩阵控制算法的窗户控制方法,包括步骤
S1:建立可控对象和不可控对象的模型,具体如下:
通过在室内设置感应模块,获取可控对象的阶跃响应的数据,所述实时的可控对象的阶跃响应的采样值的表达式为
ai=a(it),i=1,2,…,N (1)
通过与气象局数据库联网,获取不可控对象的阶跃响应的数据,所述实时的不可控对象的阶跃响应的采样值的表达式为
bi=b(it),i=1,2,…,N (2)
其中,ai表示可控对象第i时刻的阶跃响应的数据,bi表示不可控对象第i时刻的阶跃响应的数据,N为动态矩阵控制算法的建模时域,t为采样周期;
根据(1)式,建立可控对象的模型向量a:
a=[a1,a2,…,aN]T (3)
根据(2)式,建立可控对象的模型向量b:
b=[b1,b2,…,bN]T (4)
S2:利用(3)式建立可控对象的动态矩阵A,利用(4)式建立不可控对象的动态矩阵B
所述A的表达式为
其中,A为P×M阶的动态矩阵,ai表示可控对象第i时刻的阶跃响应的数据,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算的控制时域,M<P<N;
所述B的表达式为
其中,B为P×P阶的动态矩阵,bi为不可控对象第i时刻的阶跃响应数据;
S3:获得k时刻的初始期望向量wP(k);其中,k时刻为本方法的初始启动时刻;
S4:获得k时刻的输入的不可控增量Δv(k):
Δv(k)=v(k)-v(k-1) (7)
其中,v(k)为k时刻的不可控对象值,v(k-1)为k-1时刻的不可控对象值;
S5:获得新的期望向量w* P(k):
w* P(k)=wP(k)-BΔvP(k) (8)
其中,P为动态矩阵控制算法的优化时域;
S6:获得k时刻的输入的可控增量Δu(k):
Δu(k)=dT[w* P(k)-y'P0(k)] (9)
其中,dT表示控制系数向量,上标T为转置符号;y'P0(k)表示k时刻的预测初始响应向量,y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k)分别表示k时刻对k+1、k+2、…、k+P时刻的初始预测值;P为动态矩阵控制算法的优化时域,N为动态矩阵控制算法的建模时域,M<P<N,M为动态矩阵控制算的控制时域;
S7:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1),具体如下:
首先得到k时刻的加入控制增量Δu(k)和不可控增量Δv(k)后的模型预测值y'N1(k),具体如下:
y'N1(k)=y'N0(k)+aΔu(k)+bΔv(k)(10)
其中,y'1(k+1|k)、y'1(k+2|k)、…、y'1(k+N|k)分别表示可控对象在k时刻对k+1、k+2、…、k+N时刻加入控制增量Δu(k)和不可控增量Δv(k)的模型预测值;y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)分别表示k时刻对k+1、k+2、…、k+N时刻的初始预测值,Δu(k)为k时刻的输入的控制增量,Δv(k)为k时刻的输入的不可控增量;
接着得到k+1时刻的模型预测误差值e(k+1):
e(k+1)=y(k+1)-y'1(k+1|k) (11)
其中,y(k+1)表示k+1时刻的实际输出值;
然后得到k+1时刻的模型输出的修正值y*(k+1):
y*(k+1)=y'N1(k)+He(k+1) (12)
其中,y*(k+1|k+1)、y*(k+2|k+1)、…、y*(k+N|k+1)分别表示可控对象在k+1时刻对第k+1、k+2、…、k+N时刻模型的修正值;H为由权系数组成的N维校正向量。
最后得到得k+1时刻的模型预测初始响应向量y'N0(k+1)和k+1时刻的预测初始响应向量y'P0(k+1):
y'N0(k+1)=Sy*(k+1) (13)
其中,S为N×N阶的状态转移矩阵;所述y'P0(k+1)为包含有y'N0(k+1)前P项元素的向量。
S8:获得可控对象在M个连续的控制增量Δu(k)、Δu(k+1)、…、Δu(k+M-1)和在P个连续的不可控增量Δv(k)、Δv(k+1)、…、Δv(k+P-1)下的预测输出值y'PM(k+1):
y'PM(k)=y'P0(k)+AΔuM(k)+BΔvP(k) (14)
其中, y'P0(k)表示k时刻的预测初始响应向量,y'M(k+1|k)、y'M(k+2|k)、…、y'M(k+P|k)为k时刻对k+1、k+2、…、k+P时刻的模型预测输出值;
S9:判断y'PM(k)是否在标准输出值范围内,若不在,则控制窗户开度增大;若在,不对窗户开度进行调整;
S10:在下一时刻,依照步骤S3至S9继续求解新的y'PM(k+1)的值并根据y'PM(k+1)的值对窗户开度进行控制,依次循环。
进一步,步骤S6中,所述dT的计算公式为
dT=cT(ATQA+R)-1ATQ (15)
其中,cT为M维行向量,cT=[1,0,…,0],在(15)式中cT表示对(ATQA+R)-1ATQ取第一行第一列的数值;Q为误差加权矩阵,Q=diag(q1,q2,…,qP),diag表示对角函数矩阵,q1,q2,…,qP为误差加权矩阵的参数值;R为控制加权矩阵,R=diag(r1,r2,…,rM),r1,r2,…,rM为控制加权矩阵的参数。
进一步,所述可控对象包括室内温度、室内湿度和室内空气质量参数;所述不可控对象包括室外温度、室外湿度和室外空气质量参数。
进一步,所述不可控对象值通过与气象局数据库联网获得;所述可控对象值通过在室内设置感应模块采集获得。
进一步,步骤S7中,所述S的表达式为
进一步,所述步骤S3中所述初始期望向量wP(k)的表达式为:
wP(k)=[w(k+1),w(k+2),…,w(k+P)]T (17)
其中,w(k+1),w(k+2),…,w(k+P)分别表示第k+1、k+2、…、k+P时刻的初始期望值,上标T表示转置符号。
本发明的有益效果:本发明通过建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的反馈调节的室内环境参数的预测控制模型,相对于传统的控制方法只能在室内环境已经达到不舒服的状态下才进行控制,并且需要人为参与控制,不适于无人预先控制的使用情况,对室内环境条件的预先判定,能够对窗户的开度进行预先控制,方便智能,可自适应控制。
附图说明
具体实施方式
如图1所示,本发明提供的一种基于动态矩阵控制算法的窗户控制方法,包括步骤
S1:建立可控对象和不可控对象的模型,具体如下:
通过在室内设置感应模块,获取可控对象的阶跃响应的数据,所述实时的可控对象的阶跃响应的采样值的表达式为
ai=a(it),i=1,2,…,N (1)
通过与气象局数据库联网,获取不可控对象的阶跃响应的数据,所述实时的不可控对象的阶跃响应的采样值的表达式为
bi=b(it),i=1,2,…,N (2)
其中,ai表示可控对象第i时刻的阶跃响应的数据,bi表示不可控对象第i时刻的阶跃响应的数据,N为动态矩阵控制算法的建模时域,t为采样周期;
根据(1)式,建立可控对象的模型向量a:
a=[a1,a2,…,aN]T (3)
根据(2)式,建立可控对象的模型向量b:
b=[b1,b2,…,bN]T (4)
本实施例中,所述可控对象包括室内温度、室内湿度和室内空气质量参数;所述不可控对象包括室外温度、室外湿度和室外空气质量参数。
当可控对象为室内温度时,则不可控对象为室外温度;当可控对象为室内湿度时,则不可控对象为室外湿度;当可控对象为室内空气质量参数时,则不可控对象为室外空气质量参数。
所述不可控对象值通过与气象局数据库联网获得,包括当前时刻、预测时刻和过去时刻的不可控对象值,均通过与气象局数据库联网获得。所述可控对象值通过在室内设置感应模块采集获得,本实施中,通过在室内安装温度传感器采集实时的室内温度,通过在室内安装湿度传感采集实时的室内湿度,通过在室内安装空气质量监测仪,采集实时的室内空气质量参数。
S2:利用(3)式建立可控对象的动态矩阵A,利用(4)式建立不可控对象的动态矩阵B:
所述A的表达式为
其中,A为P×M阶的动态矩阵,ai表示可控对象第i时刻的阶跃响应的数据,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算的控制时域,M<P<N;
所述B的表达式为
其中,B为P×P阶的动态矩阵,bi为不可控对象第i时刻的阶跃响应数据;
S3:获得k时刻的初始期望向量wP(k);其中,k时刻为本方法的初始启动时刻。
S4:获得k时刻的输入的不可控增量Δv(k):
Δv(k)=v(k)-v(k-1) (7)
其中,v(k)为k时刻的不可控对象值,v(k-1)为k-1时刻的不可控对象值;
S5:获得新的期望向量w* P(k):
w* P(k)=wP(k)-BΔvP(k) (8)
其中,P为动态矩阵控制算法的优化时域;
S6:获得k时刻的输入的可控增量Δu(k):
Δu(k)=dT[w* P(k)-y'P0(k)] (9)
其中,dT表示控制系数向量,上标T为转置符号;y'P0(k)表示k时刻的预测初始响应向量,y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k)分别表示k时刻对k+1、k+2、…、k+P时刻的初始预测值;P为动态矩阵控制算法的优化时域,N为动态矩阵控制算法的建模时域,M<P<N,M为动态矩阵控制算的控制时域;
其中,y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k)是假设在控制作用保持不变时,k时刻对k+1、k+2、…、k+P时刻的初始预测值。由于k时刻为本方法的初始启动时刻,故取y'0(k+1|k)=y'0(k+2|k)=……=y'0(k+P|k)=y(k),y(k)表示k时刻的实际输出值。当可控对象为室内温度时,y(k)表示通过在室内安装温度传感器采集获得的k时刻的室内温度;当可控对象为室内湿度时,y(k)表示通过在室内安装湿度传感采集获得的k时刻的室内湿度;当可控对象为室内空气质量参数时,y(k)表示通过在室内安装空气质量监测仪采集获得的k时刻的室内空气质量参数。
S8:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1),具体如下:
首先得到k时刻的加入控制增量Δu(k)和不可控增量Δv(k)后的模型预测值y'N1(k),具体如下:
y'N1(k)=y'N0(k)+aΔu(k)+bΔv(k) (10)
其中,y'1(k+1|k)、y'1(k+2|k)、…、y'1(k+N|k)分别表示可控对象在k时刻对k+1、k+2、…、k+N时刻加入控制增量Δu(k)和不可控增量Δv(k)的模型预测值;y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)分别表示k时刻对k+1、k+2、…、k+N时刻的初始预测值,Δu(k)为k时刻的输入的控制增量,Δv(k)为k时刻的输入的不可控增量;
其中,y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)是假设在控制作用保持不变时,k时刻对k+1、k+2、…、k+N时刻的初始预测值。由于k时刻为本方法的初始启动时刻,故取y'0(k+1|k)=y'0(k+2|k)=……=y'0(k+N|k)=y(k),y(k)表示k时刻的实际输出值。当可控对象为室内温度时,y(k)表示通过在室内安装温度传感器采集获得的k时刻的室内温度;当可控对象为室内湿度时,y(k)表示通过在室内安装湿度传感采集获得的k时刻的室内湿度;当可控对象为室内空气质量参数时,y(k)表示通过在室内安装空气质量监测仪采集获得的k时刻的室内空气质量参数。
接着得到k+1时刻的模型预测误差值e(k+1):
e(k+1)=y(k+1)-y'1(k+1|k) (11)
其中,y(k+1)表示k+1时刻的实际输出值;
然后得到k+1时刻的模型输出的修正值y*(k+1):
y*(k+1)=y'N1(k)+He(k+1) (12)
其中,y*(k+1|k+1)、y*(k+2|k+1)、…、y*(k+N|k+1)分别表示可控对象在k+1时刻对第k+1、k+2、…、k+N时刻模型的修正值;H为由权系数组成的N维校正向量。所述H通过查表或现有方法计算得到。
最后得到得k+1时刻的模型预测初始响应向量y'N0(k+1)和k+1时刻的预测初始响应向量y'P0(k+1):
y'N0(k+1)=Sy*(k+1) (13)
其中,S为N×N阶的状态转移矩阵;所述y'P0(k+1)为包含有y'N0(k+1)前P项元素的向量。
S8:获得可控对象在M个连续的控制增量Δu(k)、Δu(k+1)、…、Δu(k+M-1)和在P个连续的不可控增量Δv(k)、Δv(k+1)、…、Δv(k+P-1)下的预测输出值y'PM(k+1):
y'PM(k)=y'P0(k)+AΔuM(k)+BΔvP(k) (14)
其中, y'P0(k)表示k时刻的预测初始响应向量,y'M(k+1|k)、y'M(k+2|k)、…、y'M(k+P|k)为k时刻对k+1、k+2、…、k+P时刻的模型预测输出值;
S9:判断y'PM(k)是否在标准输出值范围内,若不在,则控制窗户开度增大;若在,不对窗户开度进行调整;本实施例中,当可控对象为室内湿度时,所述标准输出值范围为45%~50%;当可控对象为室内温度时,所述标准输出值范围为18℃~28℃;当可控对象为室内空气质量参数时,所述标准输出值范围应该在0~50;所述空气质量参数是指空气污染指数API(AIR POLLUTION INDEX)。本实施例中,所述控制窗户开度增大,是指按照1度/秒的速度将窗户开度增大。当在k时刻判断出y'PM(k)不在标准输出值范围内,则控制窗户按照1度/秒的速度增大开度,继续判断,直到k+j时刻,判断出y'PM(k+j)在标准输出值范围内,则停止窗户增大开度。当在k时刻判断出y'PM(k)在标准输出值范围内,则不对窗户开度进行调整,继续判断,直到k+j时刻,判断出y'PM(k+j)不在标准输出值范围内,则控制窗户按照1度/秒的速度增大开度,继续判断,直到k+j+n时刻,判断出y'PM(k+j+n)在标准输出值范围内,则停止窗户增大开度。
S10:在下一时刻,依照步骤S3至S9继续求解新的y'PM(k+1)的值并根据y'PM(k+1)的值对窗户开度进行控制,依次循环。通过上述方法,建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的反馈调节的室内环境参数的预测控制模型,相对于传统的控制方法只能在室内环境已经达到不舒服的状态下才进行控制,并且需要人为参与控制,不适于无人预先控制的使用情况,对室内环境条件的预先判定,能够对窗户的开度进行预先控制,方便智能,可自适应控制。
步骤S6中,所述dT的计算公式为
dT=cT(ATQA+R)-1ATQ (15)
其中,cT为M维行向量,cT=[1,0,…,0],在(15)式中cT表示对(ATQA+R)-1ATQ取第一行第一列的数值;Q为误差加权矩阵,Q=diag(q1,q2,…,qP),diag表示对角函数矩阵,q1,q2,…,qP为误差加权矩阵的参数值;R为控制加权矩阵,R=diag(r1,r2,…,rM),r1,r2,…,rM为控制加权矩阵的参数。
所述可控对象包括室内温度、室内湿度和室内空气质量参数;所述不可控对象包括室外温度、室外湿度和室外空气质量参数。
所述不可控对象值通过与气象局数据库联网获得;所述可控对象值通过在室内设置感应模块采集获得。
步骤S7中,所述S的表达式为
所述步骤S4中所述初始期望向量wP(k)的表达式为:
wP(k)=[w(k+1),w(k+2),…,w(k+P)]T (17)
其中,w(k+1),w(k+2),…,w(k+P)分别表示第k+1、k+2、…、k+P时刻的初始期望值,上标T表示转置符号。所述,w(k+1),w(k+2),…,w(k+P)的值为事先人工根据经验设定,或通过计算机对以往的监测数据的历史信息的分析进行设定,此为现有技术,在此不赘述。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于动态矩阵控制算法的窗户控制方法,其特征在于:包括步骤
S1:建立可控对象和不可控对象的模型,具体如下:
通过在室内设置感应模块,获取可控对象的阶跃响应的数据,所述实时的可控对象的阶跃响应的采样值的表达式为
ai=a(it),i=1,2,…,N (1)
通过与气象局数据库联网,获取不可控对象的阶跃响应的数据,所述实时的不可控对象的阶跃响应的采样值的表达式为
bi=b(it),i=1,2,…,N (2)
其中,ai表示可控对象第i时刻的阶跃响应的数据,bi表示不可控对象第i时刻的阶跃响应的数据,N为动态矩阵控制算法的建模时域,t为采样周期;
根据(1)式,建立可控对象的模型向量a:
a=[a1,a2,…,aN]T (3)
根据(2)式,建立可控对象的模型向量b:
b=[b1,b2,…,bN]T (4)
S2:利用(3)式建立可控对象的动态矩阵A,利用(4)式建立不可控对象的动态矩阵B:
所述A的表达式为
其中,A为P×M阶的动态矩阵,ai表示可控对象第i时刻的阶跃响应的数据,P为动态矩阵控制算法的优化时域,M为动态矩阵控制算的控制时域,M<P<N;
所述B的表达式为
其中,B为P×P阶的动态矩阵,bi为不可控对象第i时刻的阶跃响应数据;
S3:获得k时刻的初始期望向量wP(k);其中,k时刻为本方法的初始启动时刻;
S4:获得k时刻的输入的不可控增量Δv(k):
Δv(k)=v(k)-v(k-1) (7)
其中,v(k)为k时刻的不可控对象值,v(k-1)为k-1时刻的不可控对象值;
S5:获得新的期望向量w* P(k):
w* P(k)=wP(k)-BΔvP(k) (8)
其中,P为动态矩阵控制算法的优化时域;
S6:获得k时刻的输入的可控增量Δu(k):
Δu(k)=dT[w* P(k)-y'P0(k)] (9)
其中,dT表示控制系数向量,上标T为转置符号;y'P0(k)表示k时刻的预测初始响应向量,y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k) 分别表示k时刻对k+1、k+2、…、k+P时刻的初始预测值;P为动态矩阵控制算法的优化时域,N为动态矩阵控制算法的建模时域,M<P<N,M为动态矩阵控制算的控制时域;
S7:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1),具体如下:
首先得到k时刻的加入控制增量Δu(k)和不可控增量Δv(k)后的模型预测值y'N1(k),具体如下:
y'N1(k)=y'N0(k)+aΔu(k)+bΔv(k) (10)
其中,y'1(k+1|k)、y'1(k+2|k)、…、y'1(k+N|k)分别表示可控对象在k时刻对k+1、k+2、…、k+N时刻加入控制增量Δu(k)和不可控增量Δv(k)的模型预测值;y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)分别表示k时刻对k+1、k+2、…、k+N时刻的初始预测值,Δu(k)为k时刻的输入的控制增量,Δv(k)为k时刻的输入的不可控增量;
接着得到k+1时刻的模型预测误差值e(k+1):
e(k+1)=y(k+1)-y'1(k+1|k) (11)
其中,y(k+1)表示k+1时刻的实际输出值;
然后得到k+1时刻的模型输出的修正值y*(k+1):
y*(k+1)=y'N1(k)+He(k+1) (12)
其中,y*(k+1|k+1)、y*(k+2|k+1)、…、y*(k+N|k+1)分别表示可控对象在k+1时刻对第k+1、k+2、…、k+N时刻模型的修正值;H为由权系数组成的N维校正向量。
最后得到得k+1时刻的模型预测初始响应向量y'N0(k+1)和k+1时刻的预测初始响应向量y'P0(k+1):
y'N0(k+1)=Sy*(k+1) (13)
其中,S为N×N阶的状态转移矩阵;所述y'P0(k+1)为包含有y'N0(k+1)前P项元素的向量。
S8:获得可控对象在M个连续的控制增量Δu(k)、Δu(k+1)、…、Δu(k+M-1)和在P个连续的不可控增量Δv(k)、Δv(k+1)、…、Δv(k+P-1)下的预测输出值y'PM(k+1):
y'PM(k)=y'P0(k)+AΔuM(k)+BΔvP(k) (14)
其中, y'P0(k)表示k时刻的预测初始响应向量,y'M(k+1|k)、y'M(k+2|k)、…、y'M(k+P|k)为k时刻对k+1、k+2、…、k+P时刻的模型预测输出值;
S9:判断y'PM(k)是否在标准输出值范围内,若不在,则控制窗户开度增大;若在,不对窗户开度进行调整;
S10:在下一时刻,依照步骤S3至S9继续求解新的y'PM(k+1)的值并根据y'PM(k+1)的值对窗户开度进行控制,依次循环。
2.根据权利要求1所述基于动态矩阵控制算法的窗户控制方法,其特征在于:步骤S6中,所述dT的计算公式为
dT=cT(ATQA+R)-1ATQ (15)
其中,cT为M维行向量,cT=[1,0,…,0],在(15)式中cT表示对(ATQA+R)-1ATQ取第一行第一列的数值;Q为误差加权矩阵,Q=diag(q1,q2,…,qP),diag表示对角函数矩阵,q1,q2,…,qP为误差加权矩阵的参数值;R为控制加权矩阵,R=diag(r1,r2,…,rM),r1,r2,…,rM为控制加权矩阵的参数。
3.根据权利要求1所述基于动态矩阵控制算法的窗户控制方法,其特征在于:所述可控对象包括室内温度、室内湿度和室内空气质量参数;所述不可控对象包括室外温度、室外湿度和室外空气质量参数。
4.根据权利要求3所述基于动态矩阵控制算法的窗户控制方法,其特征在于:所述不可控对象值通过与气象局数据库联网获得;所述可控对象值通过在室内设置感应模块采集获得。
5.根据权利要求1所述基于动态矩阵控制算法的窗户控制方法,其特征在于:步骤S7中,所述S的表达式为
。
6.根据权利要求1所述基于动态矩阵控制算法的窗户控制方法,其特征在于:所述步骤S3中所述初始期望向量wP(k)的表达式为:
wP(k)=[w(k+1),w(k+2),…,w(k+P)]T (17)
其中,w(k+1),w(k+2),…,w(k+P)分别表示第k+1、k+2、…、k+P时刻的初始期望值,上标T表示转置符号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810912266.1A CN108983613A (zh) | 2018-08-10 | 2018-08-10 | 基于动态矩阵控制算法的窗户控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810912266.1A CN108983613A (zh) | 2018-08-10 | 2018-08-10 | 基于动态矩阵控制算法的窗户控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108983613A true CN108983613A (zh) | 2018-12-11 |
Family
ID=64552865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810912266.1A Pending CN108983613A (zh) | 2018-08-10 | 2018-08-10 | 基于动态矩阵控制算法的窗户控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108983613A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419584A (zh) * | 2021-07-21 | 2021-09-21 | 中国人民解放军63798部队 | 一种基于模型预测控制的火箭整流罩内环境快速恢复方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104620182A (zh) * | 2012-09-13 | 2015-05-13 | 特灵国际有限公司 | 用于预测hvac操作成本的系统和方法 |
CN105652677A (zh) * | 2016-02-24 | 2016-06-08 | 深圳众乐智府科技有限公司 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
CN106647645A (zh) * | 2015-11-02 | 2017-05-10 | 中兴通讯股份有限公司 | 一种家居控制调节的方法及系统 |
-
2018
- 2018-08-10 CN CN201810912266.1A patent/CN108983613A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104620182A (zh) * | 2012-09-13 | 2015-05-13 | 特灵国际有限公司 | 用于预测hvac操作成本的系统和方法 |
CN106647645A (zh) * | 2015-11-02 | 2017-05-10 | 中兴通讯股份有限公司 | 一种家居控制调节的方法及系统 |
CN105652677A (zh) * | 2016-02-24 | 2016-06-08 | 深圳众乐智府科技有限公司 | 一种基于用户行为分析的智能家居控制方法、装置和系统 |
Non-Patent Citations (3)
Title |
---|
HUAIZHONG HU等: "Feedforward DMC-PID Cascade Strategy for Main Steam Temperature Control", 《 2017 29TH CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
傅允准: "基于DMC-PID串级控制的大温差送风高精度恒温空调系统研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
席裕庚著: "具有前馈—反馈结构的预测控制", 《预测控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419584A (zh) * | 2021-07-21 | 2021-09-21 | 中国人民解放军63798部队 | 一种基于模型预测控制的火箭整流罩内环境快速恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105068515B (zh) | 一种基于自学习算法的智能家居设备语音控制方法 | |
CN114396646B (zh) | 一种基于用户有效室温的换热站智能控制方法 | |
CN102779228A (zh) | 商场建筑中央空调冷负荷在线预测方法及系统 | |
CN105807811A (zh) | 一种基于wi-fi的远程大棚温度监控系统 | |
CN113048550B (zh) | 一种集中供热系统一次侧优化控制方法及系统 | |
CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
CN110848896A (zh) | 基于神经网络的空调冷却系统智能节能控制系统及方法 | |
CN115729093A (zh) | 一种菇房空调控制调节方法及系统 | |
CN109857177B (zh) | 一种建筑电气节能监测方法 | |
CN111414996B (zh) | 一种智能家居控制方法、系统、存储介质和计算机设备 | |
CN113361744A (zh) | 一种基于lstm算法的室内温度预测方法 | |
CN108983613A (zh) | 基于动态矩阵控制算法的窗户控制方法 | |
CN113219930A (zh) | 一种基于粒子群算法的变频空调二阶等效热参数模型在线辨识方法 | |
CN106707999B (zh) | 基于自适应控制器的建筑物节能系统、控制方法及仿真 | |
CN115264787A (zh) | 用于控制空调的方法及装置、空调、存储介质 | |
CN114607229A (zh) | 基于室内环境监测的智能门窗控制系统 | |
CN112648717B (zh) | 一种基于径向基神经网络的多区域变风量空调系统末端控制方法 | |
CN114115394A (zh) | 一种烟叶智能烘烤控制系统及方法 | |
CN116256980B (zh) | 一种室内环境自学习控制方法及系统 | |
WO2021214852A1 (ja) | 情報処理装置および空調システム | |
CN109377060B (zh) | 基于相似度的bp神经网络电采暖设备调节能力评估方法 | |
CN116358114A (zh) | 一种基于深度强化学习的空调温度控制方法 | |
CN107330518A (zh) | 基于温度调节负荷预测的能源管理控制方法和系统 | |
CN114779864A (zh) | 一种基于灰狼算法优化pid参数的教室温湿度控制方法 | |
CN108151215A (zh) | 基于空气检测器的智能窗户 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181211 |
|
RJ01 | Rejection of invention patent application after publication |