CN112648717B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112648717B
CN112648717B CN202011493699.1A CN202011493699A CN112648717B CN 112648717 B CN112648717 B CN 112648717B CN 202011493699 A CN202011493699 A CN 202011493699A CN 112648717 B CN112648717 B CN 112648717B
Authority
CN
China
Prior art keywords
pid
neural network
rbf
air volume
conditioning system
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.)
Expired - Fee Related
Application number
CN202011493699.1A
Other languages
English (en)
Other versions
CN112648717A (zh
Inventor
雷蕾
李治山
吴振
王宁
陈浩
陈超
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic 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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202011493699.1A priority Critical patent/CN112648717B/zh
Publication of CN112648717A publication Critical patent/CN112648717A/zh
Application granted granted Critical
Publication of CN112648717B publication Critical patent/CN112648717B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • F24F11/64—Electronic processing using pre-stored data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/70—Control systems characterised by their outputs; Constructional details thereof
    • F24F11/72—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure
    • F24F11/74—Control systems characterised by their outputs; Constructional details thereof for controlling the supply of treated air, e.g. its pressure for controlling air flow rate or air velocity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F2110/00—Control inputs relating to air properties
    • F24F2110/10—Temperature
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Air Conditioning Control Device (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了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，包括以下步骤：(1)设定房间温度值；(2)通过温度传感器获取房间实际温度值；(3)初始化RBF神经网络和PID控制器的各项参数；(4)将房间实际温度值与房间温度设定值进行比较作差；(5)改进RBF‑PID算法调整自身的权重系数；(6)优化PID的kp、ki和kd参数；(7)风阀控制器控制末端风阀达到合适开度；(8)重复步骤(1)至步骤(7)，以采样时间为周期进行采样。本发明通过RBF神经网络对传统PID控制器的参数进行实时调整，对末端的有效控制来提高多区域变风量空调控制系统对于室内温度的控制精度和抗干扰性能。

Description

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
技术领域
本发明属于多区域变风量空调系统末端控制技术领域，具体涉及一种基于径向基神经网络RBF-PID(Radial basis function neural network,RBF)的多区域变风量空调系统末端控制方法。
技术背景
随着人口数量的增加以及人们对生活水平要求的提高，建筑能耗特别是空调能耗不断升高，因此，具有良好调节效果和节能效果的变风量空调系统受到了人们的关注，开始广泛的应用于各种大型建筑和公共场所。但是多区域变风量空调系统是一种滞后的、非线性的、强耦合系统，传统变风量空调末端以温度为被控变量，采用比例积分(PI)算法来进行末端调节，因为其参数是确定的，所以不能很好地处理一些随机扰动的动态变化，例如：人的进出、门窗的开关的等，并且在随机扰动的影响下，会造成系统温度控制出现较大的波动，降低了人们的舒适感，且造成了不必要的能源浪费。
发明内容
本发明旨在提供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，以解决多区域变风量空调系统末端控制装置中传统PID控制的室内温度大滞后和抗干扰性能差的问题，以便于多区域变风量空调控制系统对室内温度作出更好的控制，从而提升室内的舒适度。
为了解决上述技术问题，本发明采用以下技术方案：
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，包括以下步骤：
步骤一：设定房间温度值；
步骤二：通过温度传感器获取房间实际温度值；
步骤三：初始化RBF神经网络和PID控制器的各项参数；
步骤四：将温度传感器获取到的房间实际温度值与房间温度设定值进行比较作差，如差值不等于0，则将差值作为控制误差e(k)输入到RBF-PID系统；
步骤五：RBF神经网络接收到控制误差后，通过RBF神经网络性能指标函数计算神经网络性能指标，采用梯度下降法，改进RBF-PID算法调整自身的权重系数，提供合理的PID参数；
步骤六：PID控制器接收到控制误差、优化PID的kp、ki和kd参数，通过 PID计算出下一时刻的送风量，得到下一时刻的末端风阀开度；
步骤七：将PID得到的风阀开度数据输入到风阀控制器中，风阀控制器控制末端风阀达到合适开度；
步骤八：重复步骤一至步骤七，以采样时间为周期进行采样。
进一步地，步骤三中参数设定为kp＝0.3，ki＝0.4，kd＝0.1，ηpid＝0.2，其中， kp为比例系数，ki为积分系数，kd为微分系数，ηpid为三个系数的学习速率。
进一步地，步骤四中控制误差为e(k)＝r(k)-y(k)，其中r(k)为温度设定值，y(k)为温度传感器的输出值。
进一步地，步骤五中RBF神经网络性能指标函数E(k)为：E(k)＝0.5e(k)2，其中e(k)为系统控制误差。
进一步地，步骤五中梯度下降法为：
Figure RE-GDA0002960741140000021
其中，Δkp、Δki、Δkd为kp、ki、kd的变化值，ηp、ηi、ηd分别为kd、ki、kd的神经网络学习速率，
Figure RE-GDA0002960741140000022
进一步地，步骤五中采用改进RBF-PID算法得到PID参数向量为：
Figure RE-GDA0002960741140000023
其中，kp(k)、ki(k)、kd(k)分别是校正后即k时刻输入到传统PID控制器的参数，kp(k-1)、ki(k-1)、kd(k-1)为校正前即k-1时刻的PID参数。
进一步地，步骤六中对于优化PID的过程，控制器的输出u(k)为：
Figure RE-GDA0002960741140000024
其中e(k-1)为k-1时刻的系统控制误差。
进一步地，增量式PID算法为：
Δu(k)＝kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
其中，e(k-2)为k-2时刻的系统控制误差。
进一步地，步骤六中PID控制器输入的控制误差为：
Figure RE-GDA0002960741140000031
进一步地，步骤七中风阀控制器与风阀之间的传递函数为：
Figure RE-GDA0002960741140000032
其中T为采样周期，t为延时时间，s为拉斯变换得到的传递函数的变量。
本发明具有以下有益效果：
本发明通过RBF神经网络对传统PID控制器的参数进行实时调整，对多区域变风量空调系统这一滞后的、非线性的、强耦合系统进行控制，通过对末端的有效控制来提高多区域变风量空调控制系统对于室内温度的控制精度和抗干扰性能，以便于多区域变风量空调控制系统对室内温度作出更好的控制，从而提升室内的舒适度。
附图说明
图1是本发明的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的流程示意图；
图2是RBF-PID控制器的结构示意图；
图3是性能指标函数的优化过程示意图；
图4是单风道变风量空调系统试验平台图；
图中，Q1、Q2、Q3为送风量，δ1、δ2、δ3为末端风阀开度；
图5是三个房间在夏季条件下变风量空调末端风阀开度对室温的响应曲线图；
图6是三个房间在冬季条件下变风量空调末端风阀开度对室温的响应曲线图。
具体实施方式：
为了更好地理解本发明，现采用以下实施例加以说明，以下实施例属于本发明的保护范围，但不限制本发明的保护范围。
实施例中，如图1所述，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，包括以下步骤：
步骤一：设定房间温度值；
步骤二：通过温度传感器获取房间实际温度值；
步骤三：初始化RBF神经网络和PID控制器的各项参数；
步骤三中PID的初始参数设定为kp＝0.3，ki＝0.4，kd＝0.1，ηpid＝0.2，kp为比例系数，ki为积分系数，kd为微分系数，ηpid为三个系数的学习速率；
步骤四：将温度传感器获取房间实际温度值与房间温度设定值进行比较作差，如差值不等于0，则将差值作为控制误差e(k)输入到RBF-PID系统，其中， RBF-PID神经网络控制器的结构示意图如图2所示；
控制误差为e(k)＝r(k)-y(k)
其中r(k)为温度设定值，y(k)为温度传感器的输出值；
步骤五：RBF神经网络接收到控制误差后，通过RBF神经网络性能指标函数计算神经网络性能指标，采用梯度下降法，改进RBF-PID算法调整自身的权重系数，提供合理的PID参数；
RBF神经网络性能指标函数E(k)为：
E(k)＝0.5e(k)2
其中e(k)为系统控制误差；
对于PID参数整定调整的方法为梯度下降法：
Figure RE-GDA0002960741140000041
其中，Δkp、Δki、Δkd为kp、ki、kd的变化量ηp、ηi、ηd为kd、ki、kd的神经网络学习速率，
Figure RE-GDA0002960741140000042
RBF神经网络在线自适应整定PID参数，采用改进的RBF-PID控制算法得到PID参数向量为：
Figure RE-GDA0002960741140000051
其中，kp(k)、ki(k)、kd(k)分别是校正后即k时刻输入到传统PID控制器的参数，kp(k-1)、ki(k-1)、kd(k-1)为校正前即k-1时刻的PID参数；
步骤六：传统的PID控制器接收到控制误差、优化PID的kp、ki和kd参数，通过PID计算出下一时刻的送风量，得到下一时刻的末端风阀开度；
对于PID的优化过程，控制器的输出u(k)为：
Figure RE-GDA0002960741140000052
其中e(k-1)为k-1时刻的系统控制误差；
增量式PID算法为：
Δu(k)＝kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
其中e(k-2)为k-2时刻的系统控制误差；
PID控制器输入的控制误差为：
Figure RE-GDA0002960741140000053
步骤七：将PID得到的风阀开度数据输入到风阀控制器中，风阀控制器控制末端风阀达到合适开度，传递函数为：
Figure RE-GDA0002960741140000054
其中T为采样周期，t为延时时间，s为拉斯变换得到的传递函数的变量；
步骤八：重复步骤一至步骤七，以采样时间为周期进行采样。
为了更加清晰的表现出本发明的具体内容、优点，对发明专利的实际具体实施方案进行具体详细的说明。
本发明为一种多区域变风量空调控制系统末端控制方法，原理为通过RBF 神经网络对变风量空调末端的PID控制器参数进行优化调节，从而提高末端控制的反应速度，降低系统的滞后性，提高对于动态干扰的处理能力，为了进一步地说明本发明的优点，下面结合一个仿真实例进行分析，具体的实施方式如下：
为了说明RBF-PID控制器的控制效果，对一阶室温滞后系统进行了仿真，温度传感器产生的温度信号即系统的输入值r(k)采用单位步长函数进行模拟。
RBF-PID初始参数设置为RBF-PID的初始参数选择为kp＝0.3，ki＝0.4，kd＝0.1，神经网络学习速率ηpid＝0.2。
RBF神经网络训练完成后即可以对扰动做出反应，在目标输出加入一个振幅为0.01的随机干扰信号，采样周期T为50秒，延时时间t为80秒。仿真中的传递函为
Figure RE-GDA0002960741140000061
在优化过程中，性能指标函数E(k)变化如图3所示。
从图3中可以看出，本发明的控制算法具有缓慢稳定的特点，可以对时滞系统进行精确的控制。
在本实例中多区域变风量空调系统实验研究平台为一层高4m的单层建筑，实验平台分为3个房间，该试验平台为单风道变风量空调系统，如图4所示。表 1为各空调房间的基本建筑资料，表2为VAV系统的主要机电设备。
表1各空调房间的基本建筑资料
Figure RE-GDA0002960741140000062
表2 VAV系统的主要机电设备
Figure RE-GDA0002960741140000063
为了保证室内的气流组织和空气质量，通常变风量箱的最小风阀开度为30％，因此本实例仅研究终端变风量箱阻尼器开度在30％～100％变化时对室温的响应特性。
本实施例在风机转速恒定的情况下，研究了夏、冬两种工况下变风量空调系统末端风阀开度对室温的响应特性。
图5和图6分别为三个房间在夏季和冬季条件下变风量空调末端风阀开度对室温的响应曲线。
从图5可以看出，在夏季工况条件下下，房间1、房间2和房间3的初始温度分别为33℃、33.5℃和32.5℃。第20分钟，末端风阀开启度δ由30％调整为 100％，送风量Q变大，第24分钟，室温显著下降，第40分钟，室温逐渐稳定。第100分钟，末端风阀开启度δ从100％调整到30％，送风量Q变小，在第104 分钟，房间温度明显上升，在第120分钟，房间1，房间2和房间3的室内温度分别是27℃、27.5℃和26.8℃。从图6可以看出，在冬季工况条件下，房间1、房间2和房间3的初始温度分别为7℃、7.5℃和6.5℃。第20分钟，末端风阀开启度δ由30％调整为100％，送风量Q变大，第24分钟，室温显著升高，第40 分钟，室温逐渐稳定。第100分钟末端风阀开启度δ由100％调节至30％，送风量Q变小，第104分钟室温明显下降，第120分钟房间1、房间2、房间3号温度分别为15.2℃、15.8℃和14.6℃。这表明，在调节末端风阀开启度的过程中，室内温度随变末端风阀开启度的变化而变化，室内温度在末端风阀开启时存在滞后现象，滞后时间约为4分钟。
本发明将RBF神经网络应用到变风量空调系统末端PID控制器的参数整定过程中，通过PID神经网络实现对传统PID参数的在线学习调节，根据实际的工作状况选取最优的PID参数，克服了多区域变风量空调系统室内温度调节过程中是室温大滞后的现象，提高了末端控制效率，实现了室内温度的精确控制，它对变风量空调系统的发展具有重要的理论意义，在工程应用中具有实际应用价值和广阔的应用前景。
以上内容不能认定本发明具体实施只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思前提下，还可以做出若干简单推演或替换，都应当视为属于本发明由所提交的权利要求书确定的专利保护范围。

Claims (9)

1.一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，其特征在于，包括以下步骤：
步骤一：设定房间温度值；
步骤二：通过温度传感器获取房间实际温度值；
步骤三：初始化RBF神经网络和PID控制器的各项参数；
步骤四：将温度传感器获取到的房间实际温度值与房间温度设定值进行比较作差，如差值不等于0，则将差值作为控制误差e(k)输入到RBF-PID系统；
步骤五：RBF神经网络接收到控制误差后，通过RBF神经网络性能指标函数计算神经网络性能指标，采用梯度下降法，改进RBF-PID算法调整自身的权重系数，提供合理的PID参数；
步骤六：PID控制器接收到控制误差、优化PID的kp、ki和kd参数，通过PID计算出下一时刻的送风量，得到下一时刻的末端风阀开度；
步骤七：将PID得到的风阀开度数据输入到风阀控制器中，风阀控制器控制末端风阀达到合适开度；
风阀控制器与风阀之间的传递函数为：
Figure FDA0003568390730000011
其中T为采样周期，t为延时时间，s为拉斯变换得到的传递函数的变量；
步骤八：重复步骤一至步骤七，以采样时间为周期进行采样。
2.根据权利要求1所述的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，其特征在于，步骤三中参数设定为kp＝0.3，ki＝0.4，kd＝0.1，ηpid＝0.2，其中，kp为比例系数，ki为积分系数，kd为微分系数，ηpid为三个系数的学习速率。
3.根据权利要求1所述的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，其特征在于，步骤四中控制误差为e(k)＝r(k)-y(k)，其中r(k)为温度设定值，y(k)为温度传感器的输出值。
4.根据权利要求1所述的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，其特征在于，步骤五中RBF神经网络性能指标函数E(k)为：E(k)＝0.5e(k)2，其中e(k)为系统控制误差。
5.根据权利要求1所述的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，其特征在于，步骤五中梯度下降法为：
Figure FDA0003568390730000021
其中，Δkp、Δki、Δkd为kp、ki、kd的变化值，ηp、ηi、ηd分别为kd、ki、kd的神经网络学习速率，
Figure FDA0003568390730000022
6.根据权利要求1所述的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，其特征在于，步骤五中采用改进RBF-PID算法得到PID参数向量为：
Figure FDA0003568390730000023
其中，kp(k)、ki(k)、kd(k)分别是校正后即k时刻输入到PID控制器的参数，kp(k-1)、ki(k-1)、kd(k-1)为校正前即k-1时刻的PID参数。
7.根据权利要求1所述的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，其特征在于，步骤六中对于优化PID的过程，控制器的输出u(k)为：
Figure FDA0003568390730000024
其中e(k-1)为k-1时刻的系统控制误差。
8.根据权利要求7所述的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，其特征在于，增量式PID算法为：
Δu(k)＝kp[e(k)-e(k-1)]+kie(k)+kd[e(k)-2e(k-1)+e(k-2)]
其中，e(k-2)为k-2时刻的系统控制误差。
9.根据权利要求1所述的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，其特征在于，步骤六中PID控制器输入的控制误差为：
Figure FDA0003568390730000031
CN202011493699.1A 2020-12-16 2020-12-16 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 Expired - Fee Related CN112648717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011493699.1A CN112648717B (zh) 2020-12-16 2020-12-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011493699.1A CN112648717B (zh) 2020-12-16 2020-12-16 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

Publications (2)

Publication Number Publication Date
CN112648717A CN112648717A (zh) 2021-04-13
CN112648717B true CN112648717B (zh) 2022-05-17

Family

ID=75354597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011493699.1A Expired - Fee Related CN112648717B (zh) 2020-12-16 2020-12-16 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

Country Status (1)

Country Link
CN (1) CN112648717B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113418288A (zh) * 2021-05-07 2021-09-21 绍兴艾能科技有限公司 一种基于仿真模型的神经网络多末端风阀控制系统及方法
CN113283006A (zh) * 2021-05-20 2021-08-20 张家港清研检测技术有限公司 基于rbf神经网络控制燃料电池电堆多参数响应方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101242678B1 (ko) * 2011-02-28 2013-03-12 고려대학교 산학협력단 제어 파라미터를 적응적으로 변화시키는 ｐｉｄ 제어 방법 및 이를 이용한 ｐｉｄ 제어 장치
CN104154635B (zh) * 2014-08-14 2016-09-07 河海大学常州校区 基于模糊pid与预测控制算法的变风量室温控制方法
CN108958020A (zh) * 2018-05-29 2018-12-07 南京理工大学 一种基于rbf神经网络动态预测pid的温度控制方法
CN111520878A (zh) * 2020-05-02 2020-08-11 苏州科技大学 一种基于rbf神经网络的空调温控系统及其控制方法

Also Published As

Publication number Publication date
CN112648717A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Homod Analysis and optimization of HVAC control systems based on energy and performance considerations for smart buildings
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
CN111351180B (zh) 一种运用人工智能实现数据中心节能温控的系统及方法
Jun et al. A particle swarm optimization approach for optimal design of PID controller for temperature control in HVAC
CN103823368B (zh) 基于权重规则表的pid型模糊逻辑控制方法
CN111442478A (zh) 空调系统优化控制方法、智能终端、存储装置
CN111520878A (zh) 一种基于rbf神经网络的空调温控系统及其控制方法
CN104019526A (zh) 改进pso算法模糊自适应pid温湿度控制系统及方法
CN112577159B (zh) 基于人体热舒适度的空调节能智能控制方法及装置
CN107883529A (zh) 一种基于模糊技术的中央空调系统温度控制方法
CN110986249B (zh) 空调的自调节控制方法、系统及空调器
CN111444627B (zh) 一种基于室内品质控制模型的舒适区节能优化方法
Gouadria et al. Comparison between self-tuning fuzzy PID and classic PID controllers for greenhouse system
CN111473408A (zh) 一种基于气候补偿的供热控制系统的控制方法
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
CN110094838A (zh) 一种基于空调系统的可变参数无模型自适应控制方法
CN117450642A (zh) 一种基于模糊pid的温湿度自适应空调调节系统及方法
CN208296196U (zh) 基于P-bus传输通信的空气温湿流速调节系统
CN115935604A (zh) 一种换流站暖通系统节能控制方法及终端
CN113625557A (zh) 一种在线优化模型的hvac系统模型预测控制方法
Zhuang et al. The internal mode fractional-order PID control based on neural network for the temperature of air-conditioned rooms
CN114777191A (zh) 基于神经网络算法的供暖系统户阀调控方法
CN116149402B (zh) 一种基于卷积神经网络的温度控制系统与控制方法
CN116624991A (zh) 一种对多区域变风量空调系统温湿度的实时控制方法
CN113418288A (zh) 一种基于仿真模型的神经网络多末端风阀控制系统及方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220517