CN112180733A - 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 - Google Patents

一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 Download PDF

Info

Publication number
CN112180733A
CN112180733A CN202011099045.0A CN202011099045A CN112180733A CN 112180733 A CN112180733 A CN 112180733A CN 202011099045 A CN202011099045 A CN 202011099045A CN 112180733 A CN112180733 A CN 112180733A
Authority
CN
China
Prior art keywords
energy consumption
fuzzy
building energy
consumption system
parameter
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.)
Granted
Application number
CN202011099045.0A
Other languages
English (en)
Other versions
CN112180733B (zh
Inventor
贺宁
许恭博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202011099045.0A priority Critical patent/CN112180733B/zh
Publication of CN112180733A publication Critical patent/CN112180733A/zh
Priority to US17/235,640 priority patent/US11977992B2/en
Application granted granted Critical
Publication of CN112180733B publication Critical patent/CN112180733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32021—Energy management, balance and limit power to tools
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Feedback Control In General (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法，包括：1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值
Figure DDA0002724742250000011
然后将其作为模糊目标参数；3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数；4)对隶属度函数参数进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，该方法能够有效的提高建筑耗能系统的控制性能。

Description

一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
技术领域
本发明涉及一种建筑能耗系统预测控制参数整定方法，涉及一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。
背景技术
在经济全球化的时代背景下，现代人类生活水平正在不断提高，随之而来的是全球的能源消耗量逐年上升，能源缺乏、能量资源分布不均、能源供需不同步等问题正被世界各国迫切关注。建筑能耗约占我国总能耗的三分之一，而其中四分之一的能耗可以在建筑用能系统的运行中得到有效控制，因此，必须要从整个能耗系统方面进行调控，提高能耗利用率，从而达到节能的目的。本发明以针对空调等现代建筑的主要能耗系统，使用先进控制算法对其进行节能控制。
模型预测控制(Model Predictive Control，MPC)，是一种以优化理论为基础的多变量控制策略，其主要特点是能处理多变量系统的耦合问题、能显式地考虑系统输入输出量的物理约束。然而，当此算法被应用到一些复杂的工业生产中时存在一定的局限性，因为所有种类的最小方差控制器必须要求目标的时间延迟是确定的，否则整个系统的控制精确度会变得很差。在这样的背景下，学者们在在线辨识、输出预测和最小方差控制的基础上，吸收了动态矩阵控制和模型算法控制中滚动优化的策略，提出了广义预测控制算法(Generalized Predictive Control,GPC)。此控制算法是目前最具前景的先进控制策略之一，在建筑能耗系统中有着广泛的应用。
然而，大多数的建筑能耗系统都具有多变量、强滞后性和强非线性的特点，这导致GPC代价函数设计参数的数量繁多，往往由于参数设置不合适造成系统控制品质不佳，严重的影响了建筑耗能系统的控制性能。
综上，亟需一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法，该方法能够有效的提高建筑耗能系统的控制性能。
为达到上述目的，本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤：
1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值
Figure BDA0002724742230000021
然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值
Figure BDA0002724742230000022
作为模糊目标参数；
3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数并确定隶属度函数；
4)对所得模糊目标参数的隶属度进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
将整定后的被调参数λ代入到下一循环周期的目标函数中，以改善一下循环周期的被控建筑能耗系统的性能。
步骤1)中，被控建筑能耗系统为变风量空调系统，被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型，即：
Figure BDA0002724742230000031
其中，y为送风管道静压；u为风机输入频率；K为过程增益；T为时间常数；τ为延时时间。
步骤1)中，广义预测控制器的被调参数λ被初始化为
Figure BDA0002724742230000032
其中，tend为预测控制过程的循环次数，N为预测时域，d为被控系统模型中的纯延迟。
步骤2)中，
基于所采集的被控建筑能耗系统输出斜率yk(t)，将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数：
Figure BDA0002724742230000033
对yk(t)施以约束
Figure BDA0002724742230000034
t为采样次序数，T为采样时间间隔，y(t)为预测控制过程中采样时刻的实际输出，y(t-1)为预测控制过程中上一时刻的实际输出。
基于采集的实际输出y(t)与设定值yr(t)，将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数：
e(t)＝y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)，将ts(t)作为第三个模糊目标参数：
Figure BDA0002724742230000041
其中，tsmin≤ts(t)≤tsmax，
Figure BDA0002724742230000042
M为常数；
基于所采集的预测输出值
Figure BDA0002724742230000043
将
Figure BDA0002724742230000044
作为模糊目标参数，并施以约束；
Figure BDA0002724742230000045
其中，i＝1,2,…,N。
步骤3)中，各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2，其中，vmin、vmax为模糊目标参数的最小值及最大值，p1和p2称为模糊宽度。
步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算。
所述目标函数为：
Figure BDA0002724742230000046
其中，N1为最小预测时域长度，当已知系统时延d时，N1＝d，N2为最大预测时域长度，Nu为控制时域长度，λ(j)为大于零的控制加权系数矩阵，λ(j)＝λ。
本发明具有以下有益效果：
本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法在具体操作时，以建筑能耗系统为控制对象，采用模糊逻辑对于广义预测控制的参数进行整定优化，并且使用粒子群算法自动寻找最优的模糊隶属度参数，确定隶属度函数，最后根据所得隶属度采用模糊推理运算的方式对被调参数λ进行整定，使系统获得较好的动态性能和较强的鲁棒性，克服建筑能耗系统中预测控制参数整定困难的缺陷，继而提高建筑耗能系统的控制性能。
附图说明
图1为本发发明的流程图；
图2为粒子群算法的流程图；
图3为本发明中模糊隶属参数表的示意图；
图4为本发明中模糊隶属度函数的示意图；
图5为本发明中系统仿真输出曲线的对比图；
图6为本发明中被调参数的变化曲线图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1及图2，本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤：
1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；
步骤1)中，被控建筑能耗系统为变风量空调系统，被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型，即：
Figure BDA0002724742230000051
其中，y为送风管道静压；u为风机输入频率；K为过程增益；T为时间常数；τ为延时时间。
步骤1)中，广义预测控制器的被调参数λ被初始化为
Figure BDA0002724742230000061
其中，tend为预测控制过程的循环次数，N为预测时域，d为被控系统模型中的纯延迟。
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值
Figure BDA0002724742230000062
然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值
Figure BDA0002724742230000063
作为模糊目标参数；
步骤2)中，
基于所采集的被控建筑能耗系统输出斜率yk(t)，将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数：
Figure BDA0002724742230000064
对yk(t)施以约束
Figure BDA0002724742230000065
t为采样次序数，T为采样时间间隔，y(t)为预测控制过程中采样时刻的实际输出，y(t-1)为预测控制过程中上一时刻的实际输出。
基于采集的实际输出y(t)与设定值yr(t)，将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数：
e(t)＝y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)，将ts(t)作为第三个模糊目标参数：
Figure BDA0002724742230000071
其中，tsmin≤ts(t)≤tsmax，
Figure BDA0002724742230000072
M为常数；
基于所采集的预测输出值
Figure BDA0002724742230000073
将
Figure BDA0002724742230000074
作为模糊目标参数，并施以约束；
Figure BDA0002724742230000075
其中，i＝1,2,…,N。
3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数，确定出隶属度函数；
步骤3)中，各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2，其中，vmin、vmax为模糊目标参数的最小值及最大值，p1和p2称为模糊宽度。
参考图3，步骤3)的具体过程为：
31)设置粒子群中粒子数量，初始化所有粒子的速度和位置，并设置最大速度区间，每个粒子的位置信息都包括所寻的16个隶属度函数参数，即：
Figure BDA0002724742230000076
32)计算每个粒子的适应度函数，找到各粒子的当前个体极值，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。
33)更新每个粒子的速度和位置信息，其更新公式为：
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid) (5)
Xid＝Xid+Vid (6)
其中，ω为惯性因子，ω为非负，Vid为粒子速度，Xid为粒子当前位置，由四组隶属度函数参数组成的4维矩阵，Pid为粒子的历史最优位置，Pgd为群体的全局最优位置，C1、C2为学习因子，通常取0-4，random(0,1)为区间[0,1]上的随机数。
34)检测更新后的粒子是否满足终止循环条件，若否，则继续循环，若是，则输出最优解作为模糊隶属度函数的参数，并建立隶属度函数得到所需隶属度，本发明所建立的隶属度函数分别为:
Figure BDA0002724742230000081
Figure BDA0002724742230000082
Figure BDA0002724742230000091
Figure BDA0002724742230000092
其中，i＝1,2,…,N。
4)对隶属度进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算，具体为：
41)采取最常用的Mamdani模糊推理法，将所得隶属度进行笛卡尔积运算，即：
Figure BDA0002724742230000093
其中，指标yk(t)为输出曲线的斜率，直接关系到每一时刻输出曲线的增减性，将此指标作为模糊目标参数来对系统输出进行调节，可以直接对输出曲线的趋势产生影响；指标ts(t)中包含对系统上升时间的预测量；指标e(t)和
Figure BDA0002724742230000094
描述了当前的和预测的系统输出与设定值之间的差值。
42)根据步骤31)中得到的μmin值，在λmin与λmax之间按一定指数规律调整λ，改变控制量的加权，其代数式为：
λ＝λmax×exp(μmin×lg(λmin/λmax)) (12)
其中，λmax>λmin>0。
5)将整定后的被调参数λ代入到下一循环周期的目标函数中，以改善一下循环周期的被控建筑能耗系统的性能，其中，所述目标函数为：
Figure BDA0002724742230000101
其中，N1为最小预测时域长度，当已知系统时延d时，N1＝d，N2为最大预测时域长度，Nu为控制时域长度，λ(j)为大于零的控制加权系数矩阵，λ(j)＝λ。
实施例一
变风量空调系统中将集中空调送风静压控制回路中的风管静压为被控对象，以静压预测模型的输出能够快速、准确地跟随静压设定值为目标，由系统辨识得到的风机频率—静压模型，如下式所示：
Figure BDA0002724742230000102
本发明具体包括以下步骤：
1)对建筑能耗系统建模并进行广义预测控制，并初始化被调参数λ；
广义预测控制器的被调参数λ被初始化为
Figure BDA0002724742230000103
其中，tend取200；N为预测时域，取5；d为被控系统模型中的纯延迟，为4。
2)采集控制过程中系统有：输出的斜率yk(t)、实际输出y(t)与设定值yr(t)、预测输出值
Figure BDA0002724742230000111
基于所采集的系统的输出斜率yk(t)，将其作为第一个模糊目标参数，并对其施以约束，0≤yk(t)≤0.4：
Figure BDA0002724742230000112
其中，t为采样次序数，共200次；T为采样时间间隔，取1s；y(t)为预测控制过程中采样时刻的实际输出；y(t-1)为预测控制过程中上一时刻的实际输出。
基于所采集的实际输出y(t)与设定值yr(t)，将二者的绝对偏差作为一个模糊目标参数：
e(t)＝y(t)-yr(t)(0≤e(t)≤0.3) (12)
基于绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)；
Figure BDA0002724742230000113
其中，0.15≤ts(t)≤0.75，
Figure BDA0002724742230000114
M为一个很大的常数；
基于所采集的预测输出值
Figure BDA0002724742230000115
将其作为模糊目标参数，并施以约束为：
Figure BDA0002724742230000116
其中，i＝1,2,…,N。
3)对采集的4个模糊目标参数进行构建隶属度函数，本发明使用粒子群算法对模糊隶属度函数的参数进行最优选定，使每个模糊目标参数都得到4个隶属度函数参数，即：vmin、vmax、p1、p2
其中，vmin、vmax为模糊目标参数的最小值和最大值；p1和p2称为模糊宽度。
步骤3)的具体操作过程为：
31)设置粒子群中粒子数量为50个，初始化所有粒子的速度和位置，并设置最大速度区间，每个粒子的位置信息都包括所寻的16个隶属度函数参数，即：
Figure BDA0002724742230000121
32)计算每个粒子的适应度函数，找到各粒子的当前个体极值，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。
33)更新每个粒子的速度和位置信息，其更新公式为：
Vid＝ωVid+C1random(0,1)(Pid-Xid)+C2random(0,1)(Pgd-Xid)
(14)
Xid＝Xid+Vid (15)
其中，ω为惯性因子，ω的值为0.85，Vid为粒子速度，Xid为粒子当前位置，由四组隶属度函数参数组成的4维矩阵，Pid为粒子的历史最优位置，Pgd为群体的全局最优位置，C1、C2为学习因子，其值为0.5，random(0,1)为区间[0,1]上的随机数。
34)检测更新后的粒子是否满足终止循环条件，若否，则继续循环，若是，则输出最优解作为模糊隶属度函数的参数，得到如图3所示参数，并建立如图4所示隶属度函数得到所需隶属度，本发明所建立的隶属度函数分别为:
Figure BDA0002724742230000131
Figure BDA0002724742230000132
Figure BDA0002724742230000133
Figure BDA0002724742230000134
其中，i＝1,2,…,N。
4)对模糊目标参数的隶属度进行模糊推理运算，并根据模糊推理运算结果对被调参数λ进行整定。
步骤4)的具体过程为：
41)采取Mamdani模糊推理法，将所得隶属度进行笛卡尔积运算，即：
Figure BDA0002724742230000135
其中，yk(t)为输出曲线的斜率，直接关系到每一时刻输出曲线的增减性，将此指标作为模糊目标参数来对系统输出进行调节，可以直接对输出曲线的趋势产生影响；指标ts(t)中包含了对系统上升时间的预测量；指标e(t)和
Figure BDA0002724742230000141
则描述了当前的和预测的系统输出与设定值之间的差值。
42)根据μmin值，在λmin和λmax之间按一定指数规律调整λ，改变控制量的加权，其代数式为：
λ＝λmax×exp(μmin×lg(λmin/λmax)) (21)
其中，λmax＝3；λmin＝0.001。
5)将整定好的加权系数λ再次代入到下次循环的目标函数中，其目标函数为：
Figure BDA0002724742230000142
其中，N1为最小预测时域长度，选为1，若已知系统时延d时，N1＝d＝4；N2为最大预测时域长度，取5；Nu为控制时域长度，取2。
基于本发明对变风量空调系统进行预测控制并进行了仿真，结果如图5所示，可以看出，变风量空调系统的快速性和稳定性得到了明显的提升，此结果说明了本发明的有效性。
此外，如附图6所示，与图5对照可以看出，随λ值从大到小变化，对应系统的响应速度加快，控制作用增强，使系统更快达到所设定的稳定状态，反向印证了控制器加权系数λ对于控制过程具有直接的影响作用。
本发明相对于现有技术具有以下优势：
将广义预测控制过程中没有得到充分利用的输出斜率、预测输出等包含这许多系统特性的信息应用到模糊逻辑算法中对控制系统参数进行整定，提高了控制系统的利用率；
通过构建模糊隶属度函数，将对系统中上升时间和超调量等性能指标的约束转化成了对四个模糊控制目标的约束，大大降低了参数整定过程中的计算量；
仅将控制量的加权系数λ作为可调参数，其余控制参数如柔化系数、控制时域等均为固定量，使控制系统在快速性和稳定性相矛盾的问题上，得到最有效地解决；
通过将每一时刻的系统输出斜率和基于当前绝对误差变化率的输出达到设定值的时间应用到参数整定中，可以有效缩短了系统的调节时间；
将实际输出与设定输出的绝对偏差和预测输出应用到模糊逻辑算法中对系统参数进行整定，使系统的超调量更小，鲁棒性更强；
通过使用粒子群算法，更加准确地找到模糊隶属度函数的参数，使本发明的普适性更强。

Claims (8)

1.一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，包括以下步骤：
1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；
2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值
Figure FDA0002724742220000011
然后将被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)与设定值yr(t)及预测输出值
Figure FDA0002724742220000012
作为模糊目标参数；
3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数，从而确定隶属度函数；
4)对得到的模糊目标参数的隶属度进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，完成基于模糊逻辑的建筑能耗系统预测控制参数整定。
2.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，将整定后的被调参数λ代入到下一循环周期的目标函数中，以改善一下循环周期的被控建筑能耗系统的性能。
3.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，步骤1)中，被控建筑能耗系统为变风量空调系统，被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型，即：
Figure FDA0002724742220000013
其中，y为送风管道静压；u为风机输入频率；K为过程增益；T为时间常数；τ为延时时间。
4.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，步骤1)中，广义预测控制器的被调参数λ被初始化为
Figure FDA0002724742220000021
其中，tend为预测控制过程的循环次数，N为预测时域，d为被控系统模型中的纯延迟。
5.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，步骤2)中，
基于所采集的被控建筑能耗系统输出斜率yk(t)，将被控建筑能耗系统的输出斜率yk(t)作为第一个模糊目标参数：
Figure FDA0002724742220000022
对yk(t)施以约束
Figure FDA0002724742220000023
t为采样次序数，T为采样时间间隔，y(t)为预测控制过程中采样时刻的实际输出，y(t-1)为预测控制过程中上一时刻的实际输出；
基于采集的实际输出y(t)与设定值yr(t)，将实际输出y(t)与设定值yr(t)的绝对偏差e(t)作为第二个模糊目标参数：
e(t)＝y(t)-yr(t)(0≤e(t)≤emax) (3)
获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)，将ts(t)作为第三个模糊目标参数：
Figure FDA0002724742220000024
其中，tsmin≤ts(t)≤tsmax，
Figure FDA0002724742220000025
M为常数；
基于所采集的预测输出值
Figure FDA0002724742220000031
将
Figure FDA0002724742220000032
作为模糊目标参数，并施以约束；
Figure FDA0002724742220000033
其中，i＝1，2，…，N。
6.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，步骤3)中，各模糊目标参数的隶属度函数参数为vmin、vmax、p1、p2，其中，vmin、vmax为模糊目标参数的最小值及最大值，p1和p2称为模糊宽度。
7.根据权利要求1所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算。
8.根据权利要求2所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法，其特征在于，所述目标函数为：
Figure FDA0002724742220000034
其中，N1为最小预测时域长度，当已知系统时延d时，N1＝d，N2为最大预测时域长度，Nu为控制时域长度，λ(j)为大于零的控制加权系数矩阵，λ(j)＝λ。
CN202011099045.0A 2020-10-14 2020-10-14 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法 Active CN112180733B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011099045.0A CN112180733B (zh) 2020-10-14 2020-10-14 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
US17/235,640 US11977992B2 (en) 2020-10-14 2021-04-20 Method for tuning predictive control parameters of building energy consumption system based on fuzzy logic

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011099045.0A CN112180733B (zh) 2020-10-14 2020-10-14 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法

Publications (2)

Publication Number Publication Date
CN112180733A true CN112180733A (zh) 2021-01-05
CN112180733B CN112180733B (zh) 2021-12-28

Family

ID=73950123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011099045.0A Active CN112180733B (zh) 2020-10-14 2020-10-14 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法

Country Status (2)

Country Link
US (1) US11977992B2 (zh)
CN (1) CN112180733B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115906654B (zh) * 2022-12-14 2023-07-28 南京信息工程大学 一种用于EVs无线充电的基于模糊粒子群算法的控制方法
CN116697567A (zh) * 2023-07-07 2023-09-05 广东技术师范大学 一种中央空调水系统节能优化控制方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012162332A1 (en) * 2011-05-23 2012-11-29 Siemens Corporation Control-oriented models for building control and energy management
CN104298191A (zh) * 2014-08-21 2015-01-21 上海交通大学 智能建筑中基于热量预测管理的能耗控制方法
CN106707999A (zh) * 2017-02-09 2017-05-24 苏州科技大学 基于自适应控制器的建筑物节能系统、控制方法及仿真
CN110276393A (zh) * 2019-06-19 2019-09-24 西安建筑科技大学 一种绿色建筑能耗复合预测方法
CN111080002A (zh) * 2019-12-10 2020-04-28 华南理工大学 基于深度学习的建筑用电负荷多步预测方法及系统
CN111340305A (zh) * 2020-03-10 2020-06-26 西安建筑科技大学 一种建筑运行能耗预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111224434B (zh) * 2020-03-12 2021-08-06 安徽工程大学 光火储混合发电系统的负荷频率协调优化控制方法
EP4214450A1 (en) * 2020-09-16 2023-07-26 Johnson Controls Tyco IP Holdings LLP Systems and methods to mitigate infection risk using air purification

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012162332A1 (en) * 2011-05-23 2012-11-29 Siemens Corporation Control-oriented models for building control and energy management
CN104298191A (zh) * 2014-08-21 2015-01-21 上海交通大学 智能建筑中基于热量预测管理的能耗控制方法
CN106707999A (zh) * 2017-02-09 2017-05-24 苏州科技大学 基于自适应控制器的建筑物节能系统、控制方法及仿真
CN110276393A (zh) * 2019-06-19 2019-09-24 西安建筑科技大学 一种绿色建筑能耗复合预测方法
CN111080002A (zh) * 2019-12-10 2020-04-28 华南理工大学 基于深度学习的建筑用电负荷多步预测方法及系统
CN111340305A (zh) * 2020-03-10 2020-06-26 西安建筑科技大学 一种建筑运行能耗预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
林凯威 等: "基于建筑能耗模型的中央空调预测控制研究", 《建筑热能通风空调》 *

Also Published As

Publication number Publication date
US11977992B2 (en) 2024-05-07
US20220114465A1 (en) 2022-04-14
CN112180733B (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
Homod et al. Gradient auto-tuned Takagi–Sugeno Fuzzy Forward control of a HVAC system using predicted mean vote index
CN101498534A (zh) 制冷空调热泵系统电子膨胀阀多目标智能控制方法
CN104776446B (zh) 一种锅炉燃烧优化控制方法
Li et al. Dynamic modeling and control of a direct expansion air conditioning system using artificial neural network
CN104019520B (zh) 基于spsa的制冷系统最小能耗的数据驱动控制方法
CN112180733B (zh) 一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法
Pal et al. Self-tuning fuzzy PI controller and its application to HVAC systems
CN100585303C (zh) 涡旋压缩机模块化风冷热泵机组的能量控制方法
CN111649457B (zh) 一种动态预测性机器学习型空调节能控制方法
CN113552797A (zh) 一种基于改进粒子群优化的加热炉炉温控制方法和系统
CN109960149B (zh) 用于pH中和过程的自抗扰控制参数整定方法
CN108444201A (zh) 一种基于负荷动态变化的冷库温度前馈-模糊控制系统及控制方法
CN113253779A (zh) 一种基于粒子群模糊pid算法的热泵温度控制系统
CN114216256A (zh) 离线预训练-在线学习的通风系统风量控制方法
CN110531614A (zh) 新颖的无刷直流电机模糊神经网络pi控制器
CN114046593A (zh) 一种动态预测性机器学习型空调节能控制方法及系统
CN115099138A (zh) 一种基于rbf神经网络的精馏塔塔顶温度控制方法
CN109974360B (zh) 一种基于果蝇算法的制冷系统温度优化控制方法
CN111336828A (zh) 一种基于fcm模糊时间序列的加热炉炉温控制器
CN113625557A (zh) 一种在线优化模型的hvac系统模型预测控制方法
Xing et al. Self-tuning fuzzy PID controller for temperature control in variable air volume air conditioning systems
CN114488811A (zh) 一种基于二阶沃尔泰拉模型预测的温室环境节能控制方法
CN112327628A (zh) 一种数据驱动的时滞系统改进自适应广义预测控制方法
CN113110061A (zh) 基于改进粒子群算法优化的智能灌溉模糊控制方法及系统
CN113110034A (zh) 一种基于dcs的引风机模糊pid控制系统

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
GR01 Patent grant
GR01 Patent grant