CN115743504A - 一种海洋平台多舱室通风多目标优化控制方法 - Google Patents

一种海洋平台多舱室通风多目标优化控制方法 Download PDF

Info

Publication number
CN115743504A
CN115743504A CN202310021892.2A CN202310021892A CN115743504A CN 115743504 A CN115743504 A CN 115743504A CN 202310021892 A CN202310021892 A CN 202310021892A CN 115743504 A CN115743504 A CN 115743504A
Authority
CN
China
Prior art keywords
cabin
air
fan
vector
air valve
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
CN202310021892.2A
Other languages
English (en)
Other versions
CN115743504B (zh
Inventor
崔璨
刘运涛
薛佳慧
苏明伟
薛璟
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202310021892.2A priority Critical patent/CN115743504B/zh
Publication of CN115743504A publication Critical patent/CN115743504A/zh
Application granted granted Critical
Publication of CN115743504B publication Critical patent/CN115743504B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Ventilation (AREA)

Abstract

本发明涉及通风系统控制技术领域，提出一种海洋平台多舱室通风多目标优化控制方法。风阀控制器用于接收中央控制器的控制信号控制各舱室风阀开度，并用于检测各出风管道风量反馈至中央控制器。为每个舱室设定一个初始退火温度，获得初始状态解角度向量；计算初始状态解角度向量对应的控制目标函数，在目标函数误差切换误差阈值时，结束全局搜索，通过局部搜索利用在线预训练完成的多层感知机预测角度向量最优解。本发明可以大大加快通风系统风量解算优化速率，实现多舱室风量实时、快速、精确和节能自适应控制。

Description

一种海洋平台多舱室通风多目标优化控制方法
技术领域
本发明涉及通风系统控制技术领域，尤其涉及一种海洋平台多舱室通风多目标优化控制方法。
背景技术
随着海上油气探测、开发与海洋工程的快速发展，海洋平台数量大大增加，规模及任务量也逐渐增大。海洋平台是海上石油钻探与运输加工等活动的重要场所，由于其工作环境恶劣、设计复杂，造价昂贵，机械设备高度集中，存在大量易燃易爆物质以及油气存储设备，一旦发生火灾将导致极为严重的后果，因此保障海洋平台在长期离岸环境下的正常安全运行非常重要。而通风系统作为海洋平台的重要组成部分，合理的设计可以为平台的工作区和生活区提供足够的通风，以调控平台舱室的温度、湿度、气体浓度、舱压等重要的环境参数，保障稳定良好的舱室环境，这对平台施工的安全、工作人员的舒适健康以及室内设备的安全运行有重要影响。
针对海洋平台而言，风平衡是指根据各个舱室的通风需求，协调控制各出风口出风量，以实现所有舱室风量的供需平衡，是实现通风系统功能中的重要一环。海洋平台的舱室与陆地普通商业建筑不同，舱室种类繁多，通风个性化要求高，不同类型的舱室严格需要不同的精确通风量。例如，对于能源供应舱室，通风系统需要实时输送其不同负荷运行时所需的最大安全空气量,以及防止热敏感设备的过热。而对于人员居住活动舱室，根据相关文献研究表明，空气进量与人员的舒适度感觉直接关联，因此送入足够的新鲜空气到所有工作和服务的必要舱室，才能保证海洋平台工作人员的身心健康和工作效率。
在海洋平台通风系统中，受多因素影响，大部分管路存在不平衡，风机输入和出风末端输出表现出强耦合性，使得经过管道及机组的风量与设计风量不符, 加上风机选型偏大，风机运行在不合适的工作点处，导致系统处于大流量运行工况。
到目前为止，通风系统风平衡调节方法有比例法、迭代法等理论方法，但需要知道通风系统精确的数学模型后，经过长时间反复尝试才能实现系统所有出风末端的风平衡；而渐进流法、风机基压法、基准风口法等实验方法，这些方法本质上是一种实验试错法，而且要求所有风阀从全开或者全闭的初始状态开始调节，这种状态下可能会导致极端风量值，带来通风安全隐患，费时费力，成本高，且依赖于技术人员的经验以及系统的复杂性。另外，海洋平台由于其部分舱室作用的特殊性，对于通风系统要求高实时，低能耗，短步长，这些都是在满足风平衡精确控制的条件下，传统方法无法实现的。
发明内容
本发明的目的在于克服现有技术的不足之处，针对多舱室海洋平台风平衡控制需求，提供一种可以实现多舱室风量实时、快速、精确和节能自适应控制的海洋平台多舱室通风多目标优化控制方法。
为了达到上述目的，本发明采用的技术方案为：
一种海洋平台多舱室通风多目标优化控制方法，用于海洋平台通风系统的控制， 通风系统包括一个风机和
Figure 324167DEST_PATH_IMAGE001
个舱室，风机出风口经通风管路连接至每个舱室的出风管道，每 个出风管道处均设置有风阀和风阀控制器，所述风阀控制器用于接收中央控制器的控制信 号控制风阀开度，并用于检测风阀开度反馈至中央控制器：
S1：为每个舱室设定一个初始退火温度，获得初始温度向量
Figure 242445DEST_PATH_IMAGE002
，令各舱室的当前问 题
Figure 143405DEST_PATH_IMAGE003
为
Figure 565159DEST_PATH_IMAGE002
，设定各舱室风阀控制器的初始解状态，获得初始状态解角度向量
Figure 893372DEST_PATH_IMAGE004
，计算初始状态 解角度向量对应的控制目标函数：
Figure 502208DEST_PATH_IMAGE005
其中：
Figure 3596DEST_PATH_IMAGE006
，
Figure 748698DEST_PATH_IMAGE007
，
Figure 247813DEST_PATH_IMAGE008
是权重系数；
Figure 671841DEST_PATH_IMAGE009
为风阀角度差和最小化目标函数：
Figure 117866DEST_PATH_IMAGE010
，
Figure 514212DEST_PATH_IMAGE011
为风阀全开角度，
Figure 980965DEST_PATH_IMAGE012
为第
Figure 298814DEST_PATH_IMAGE013
个舱室风阀当前开度对应的角度；
Figure 876426DEST_PATH_IMAGE014
为风量比例误差控制目标函数：
Figure 596121DEST_PATH_IMAGE015
；
Figure 905879DEST_PATH_IMAGE016
为一个
Figure 507762DEST_PATH_IMAGE001
维向量，为每个 舱室对应的出风管道的目标风量，
Figure 889065DEST_PATH_IMAGE017
为一个
Figure 260003DEST_PATH_IMAGE001
维向量，为每个舱室对应的出风管道的实际风 量，
Figure 283540DEST_PATH_IMAGE018
为一个n维全1行向量，即
Figure 107140DEST_PATH_IMAGE019
，
Figure 495396DEST_PATH_IMAGE020
表示
Figure 720841DEST_PATH_IMAGE018
的转置向量，即为
Figure 903560DEST_PATH_IMAGE001
维的列向量；
Figure 948877DEST_PATH_IMAGE021
为风机全压控制的目标函数：
Figure 875244DEST_PATH_IMAGE022
，
Figure 955196DEST_PATH_IMAGE023
表示风机全压；
S2：基于扰动更新角度向量
Figure 574396DEST_PATH_IMAGE004
至
Figure 372588DEST_PATH_IMAGE024
，计算更新控制目标函数至
Figure 102646DEST_PATH_IMAGE025
；
S3：计算
Figure 37104DEST_PATH_IMAGE026
与
Figure 827206DEST_PATH_IMAGE025
的误差：
Figure 581535DEST_PATH_IMAGE027
；
S4：若
Figure 849705DEST_PATH_IMAGE028
，接受新解
Figure 904249DEST_PATH_IMAGE029
,
Figure 865252DEST_PATH_IMAGE030
；若
Figure 372457DEST_PATH_IMAGE031
，计算
Figure 444318DEST_PATH_IMAGE024
的接受概率
Figure 618947DEST_PATH_IMAGE032
，产生一 个在（0,1）区间上均匀分布的随机数
Figure 954114DEST_PATH_IMAGE033
，若
Figure 214194DEST_PATH_IMAGE034
，则接受
Figure 824167DEST_PATH_IMAGE024
作为新的当前解，否 则保留当前解
Figure 853302DEST_PATH_IMAGE004
；
S5：设定切换误差阈值
Figure 890529DEST_PATH_IMAGE035
，衰减系数
Figure 637905DEST_PATH_IMAGE036
，重复迭代执行步骤S2至S5，记录当前迭代次 数
Figure 51569DEST_PATH_IMAGE037
；
若
Figure 404052DEST_PATH_IMAGE038
，则返回当前角度向量解下的风量比例误差
Figure 877759DEST_PATH_IMAGE039
, 所有风阀角度的差和
Figure 846852DEST_PATH_IMAGE040
和风机全压
Figure 798628DEST_PATH_IMAGE023
，结束全局搜索：
若
Figure 802356DEST_PATH_IMAGE041
，则根据衰减系数
Figure 181384DEST_PATH_IMAGE036
和当前迭代次数k按照公式
Figure 637774DEST_PATH_IMAGE042
降低当前温度T，返 回步骤S2；
S6：进行局部搜索，根据风量比例误差、风阀角度差和以及风机全压，定义角度向 量全局最优解
Figure 393240DEST_PATH_IMAGE043
，利用预训练完成的多层感知机预测角度向量全局最优解。
本发明一些实施例中，进一步包括以下步骤：
设定初始温度
Figure 720316DEST_PATH_IMAGE002
的迭代次数
Figure 535825DEST_PATH_IMAGE044
；
重复步骤S2至S5进行迭代计算，当迭代计算次数达到
Figure 479511DEST_PATH_IMAGE044
时，执行步骤S6。
本发明一些实施例中，步骤S5中：若
Figure 773089DEST_PATH_IMAGE045
，则按衰减系数
Figure 485830DEST_PATH_IMAGE036
和当前迭代次数k降低 当前温度
Figure 472240DEST_PATH_IMAGE003
，重置迭代次数
Figure 903222DEST_PATH_IMAGE044
，返回步骤S2。
本发明一些实施例中，对于
Figure 469332DEST_PATH_IMAGE021
：
Figure 36580DEST_PATH_IMAGE046
；
其中
Figure 193892DEST_PATH_IMAGE047
为静压，为一定值，
Figure 112169DEST_PATH_IMAGE048
为动压；
Figure 747550DEST_PATH_IMAGE049
；
其中：
Figure 434883DEST_PATH_IMAGE050
是气流密度，
Figure 763096DEST_PATH_IMAGE051
是气体流速。
本发明一些实施例中，多层感知机的训练步骤包括步骤S1至步骤S5，还包括：
将风量比例误差
Figure 903091DEST_PATH_IMAGE039
, 所有风阀角度的差和
Figure 607741DEST_PATH_IMAGE040
和风机全压
Figure 618423DEST_PATH_IMAGE023
重构为一个 新的向量X并进行归一化处理，作为多层感知机的输入，利用多层感知机预测预测角度向量 解
Figure 117537DEST_PATH_IMAGE052
；
设定优化终止误差
Figure 275986DEST_PATH_IMAGE053
；若
Figure 253169DEST_PATH_IMAGE054
，则返回当前解
Figure 915095DEST_PATH_IMAGE004
作为角度向量全局最优解
Figure 53952DEST_PATH_IMAGE043
，计算
Figure 902959DEST_PATH_IMAGE055
；若
Figure 683834DEST_PATH_IMAGE056
，则返回步骤S2，并重置X；
基于随机初始化多层感知机权重
Figure 200266DEST_PATH_IMAGE057
和偏置
Figure 306762DEST_PATH_IMAGE058
，更新多层感知机权重
Figure 643065DEST_PATH_IMAGE057
和偏置
Figure 227630DEST_PATH_IMAGE058
参数， 具体为：
Figure 598569DEST_PATH_IMAGE059
，
Figure 610387DEST_PATH_IMAGE060
，其中
Figure 433987DEST_PATH_IMAGE061
为多层感知机的学习率，C为损失函数；
设定学习终止误差
Figure 291084DEST_PATH_IMAGE062
；如果
Figure 516529DEST_PATH_IMAGE063
，则停止多层感知机权重
Figure 699249DEST_PATH_IMAGE064
和偏置
Figure 275724DEST_PATH_IMAGE058
参数更新，接受 感知机预测角度向量全局最优解
Figure 202091DEST_PATH_IMAGE065
；如果
Figure 282043DEST_PATH_IMAGE066
，则下一次调节继续更新多层感知机权 重
Figure 725462DEST_PATH_IMAGE057
和偏置
Figure 523654DEST_PATH_IMAGE058
，不接受感知机预测最优解，仍保留
Figure 988133DEST_PATH_IMAGE043
作为本次优化的最优解。
本发明一些实施例中，进一步包括：
根据当前角度向量全局最优解
Figure 657012DEST_PATH_IMAGE043
调节风阀角度，获取当前的各舱室的风量
Figure 447113DEST_PATH_IMAGE067
，计算 风机电压比例系数
Figure 467022DEST_PATH_IMAGE068
；
风机根据调整电压比例系数
Figure 771DEST_PATH_IMAGE069
调节电压，获取最终调节后的各舱室的风量
Figure 55315DEST_PATH_IMAGE070
，计算 通风系统整体误差
Figure 750739DEST_PATH_IMAGE071
；
设定通风系统总风量误差
Figure 523522DEST_PATH_IMAGE072
；根据整体误差
Figure 595384DEST_PATH_IMAGE073
判断是否结束本次优化控制过程，如果
Figure 504434DEST_PATH_IMAGE074
，则本次优化满足要求，结束流程并保存多层感知机参数
Figure 636338DEST_PATH_IMAGE057
，
Figure 630839DEST_PATH_IMAGE058
；如果
Figure 975232DEST_PATH_IMAGE075
，则跳回步骤 S2，重新下一次迭代。
本发明一些实施例中，
Figure 4368DEST_PATH_IMAGE076
。
本发明一些实施例中，多层感知机训练步骤进一步包括：在进行训练前，首先启动通风系统风机，设定算法迭代的起点初始解状态，风机初始电压V，等待系统稳定后进行多层感知机的训练。
与现有技术相比，本发明的优点和积极效果在于：
1、改进风平衡比例控制法，设计了一种能兼顾风量精确控制和能耗优化的目标函数，在无需海洋平台通风系统数学模型和规避风阀全开/全闭而导致极端风量的情况下，也可以实现多舱室风量实时、快速、精确和节能自适应控制。
2、通过增加风阀控制器，仅需要少量风量数据即可实现对海洋平台多舱室风平衡自适应控制，既能保证各舱室风量的精准智能控制，又能降低通风系统的能耗，同时减少了新风系统的造价，增强建筑环境的健康性和舒适性，实现对海洋平台通风系统的多目标控制。
、相比于使用单纯的模拟退火优化算法进行全局搜索和局部搜索，本发明引入多层感知机，利用在线训练的方式，直接利用优化中产生的冗余信息在线训练，无需通风系统停机或者多次单独实验训练，进一步节省了系统能耗。引入多层感知机后，重新划分搜索阶段，全局搜索使用模拟退火优化算法实现快速收敛，局部搜索使用多层感知机直接预测最优解，避免了传统模拟退火优化模式局部搜索步长过长的问题，保证了本发明控制策略的实时性和快速性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为海洋平台通风控制系统结构示意图；
图2为风阀控制器结构示意图；
图3为海洋平台多舱室通风多目标优化控制方法流程图；
图4为海洋平台多舱室通风多目标优化控制与在线多层感知机训练流程图；
以上各图中：
1-箱体，101-进风口，102-出风口；
2-皮托管；
3-电动风阀；
4-压差传感器；
5-物联网单元；
6-风阀执行器
7-数据处理器
8-软管；
9-控制器。
具体实施方式
下面，通过示例性的实施方式对本发明进行具体描述。然而应当理解，在没有进一步叙述的情况下，一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
本发明提供一种海洋平台多舱室通风多目标优化控制方法，用于多舱室海洋平台的通风控制。
为介绍本方法，首先，阐述海洋平台通风控制系统的结构，参考图1。
海洋平台通风控制系统包括:
风机：作为整个平台通风控制系统的风源，电源为风机供电；
中央控制器：用于控制风机的工作；
若干个舱室：每个舱室均具有通风口，风机的送风口经通风管道连接至每个舱室的通风口，以为每个舱室供风；
风阀控制器：设置在每个舱室的通风口处，可通过调整风阀控制器控制风阀开度，调节对每个舱室的供风量。
风阀控制器的具体结构参考图2。
本发明控制方法中使用的风阀控制器与传统PLC控制旋风阀钮式控制器不同。风阀控制器包括箱体1，箱体1设置有进风口101和出风口102，进风口101连接通风管道，出风口102连通至其所对应的舱室。在进风口101处设置有电动风阀3，风阀执行器6接受控制器9的控制信号，控制调节电动风阀3的角度调整出风量，进而实现从最大开度到完全关闭的连续调节通风量。箱体1内部增加了皮托管2，通过皮托管2检测风压差，利用软管8将压差传递给压差传感器4，再将压差传感器4数据传输到数据处理器7后解算为实际风量，最后使用物联网单元5将风量信号发送到中央处理器用于后续的控制策略。相较于传统的风速传感器与风阀控制器分离式布局，新型风阀控制器终端集成压差传感器4、数据处理器7、物联网单元5和执行器6，大幅降低成本，安装布局的难度也随之降低。
风阀控制器兼具风阀控制，数据传输与接收，风量测量三个功能，只需要将其安装在海洋平台各舱室的出风口，利用物联网与中央控制器连接后即可快速使用，无需对以完成建设的通风系统做任何的改造，方便快捷。
在介绍本发明提供的海洋台通风系统多舱室风量多目标优化控制方法前，首先介绍该方法的原理。
对于具有单个风机和
Figure 41594DEST_PATH_IMAGE077
个舱室的海洋平台通风系统。每个舱室的出风管道 都配有一个风阀控制器，能够实现从风阀的最大开度到完全关闭连续调节通风量。出风管 道的目标风量
Figure 788971DEST_PATH_IMAGE017
*
Figure 202634DEST_PATH_IMAGE078
*
Figure 86277DEST_PATH_IMAGE079
，由中央控制器给定，对于具有
Figure 294404DEST_PATH_IMAGE001
个舱室的海洋平台通风系统，
Figure 263497DEST_PATH_IMAGE017
*为 一个
Figure 480852DEST_PATH_IMAGE001
维向量，分别对应每个舱室对应的出风管道的目标风量。从通风管道流到每个舱室的 出风管道的实际风量
Figure 219001DEST_PATH_IMAGE080
由风阀控制器获得（
Figure 863609DEST_PATH_IMAGE017
可以根据
Figure 788839DEST_PATH_IMAGE004
通过测量直接获取），风阀角 度由一组中央控制器的控制信号
Figure 544306DEST_PATH_IMAGE081
在合理的响应时间内控制，对于具有
Figure 402540DEST_PATH_IMAGE001
个舱 室的海洋平台通风系统，
Figure 218050DEST_PATH_IMAGE004
为一个
Figure 896156DEST_PATH_IMAGE001
维向量，分别对应每个舱室内风阀的角度控制信号。
Figure 455313DEST_PATH_IMAGE082
表 示
Figure 168054DEST_PATH_IMAGE001
维向量空间。每个舱室内的风阀均对应一个控制信号，
Figure 154465DEST_PATH_IMAGE001
个控制信号在中央处理器中组 合成一个向量进行优化计算，计算完成后的新的控制信号从向量再转化为标量，随后分别 传输给对应的
Figure 585446DEST_PATH_IMAGE001
个风阀。
海洋平台通风系统整体动态如下：
Figure 682715DEST_PATH_IMAGE083
其中
Figure 718804DEST_PATH_IMAGE084
是负定且满足稳定性约束的系统状态转移矩阵，
Figure 876116DEST_PATH_IMAGE085
为风量的导数，衡量舱室 出风管道的风量的变化速度，
Figure 528814DEST_PATH_IMAGE017
为风量，也是状态方程的状态变量。
Figure 429774DEST_PATH_IMAGE086
其中
Figure 913845DEST_PATH_IMAGE087
是李雅普诺夫稳定性判据中的状态变量，在本发明中对应个舱室的出风管 道的实际风量
Figure 242058DEST_PATH_IMAGE017
，控制理论中使用李雅普诺夫判决判断系统稳定时习惯用
Figure 382052DEST_PATH_IMAGE087
表示，此式表示 通风系统稳态下具有稳定性，这是后续利用系统稳态调整风量的基础。
Figure 821124DEST_PATH_IMAGE088
是风阀角度非线性时的稳态风量表示为：
Figure 362964DEST_PATH_IMAGE089
其中
Figure 862078DEST_PATH_IMAGE090
表示稳态下风阀角度，改进的比例风平衡法侧重于风量比例，而不是其绝 对量。因此，引入了风量的归一化，并且平衡的目标可以表示为稳态和平衡状态下两个风量 比的相等：
Figure 958210DEST_PATH_IMAGE091
其中
Figure 200973DEST_PATH_IMAGE018
为一个n维全1行向量，即
Figure 862898DEST_PATH_IMAGE019
，
Figure 532914DEST_PATH_IMAGE020
表示
Figure 381921DEST_PATH_IMAGE018
的转置向量，即为
Figure 428375DEST_PATH_IMAGE001
维的列向 量。分母为
Figure 944807DEST_PATH_IMAGE001
个舱室风量的和，是一个标量，保证分子能够进行矩阵除法，最终实现风量比例 相等。
然后风平衡控制变成一个约束优化问题，其中针对风量比例误差控制的目标函数
Figure 785724DEST_PATH_IMAGE014
可以给出为：
Figure 122027DEST_PATH_IMAGE092
其中：任意舱室
Figure 706592DEST_PATH_IMAGE013
的风阀角度
Figure 77531DEST_PATH_IMAGE012
均满足
Figure 89349DEST_PATH_IMAGE093
。其中
Figure 647369DEST_PATH_IMAGE094
为风阀最小开度（关 闭状态），
Figure 770046DEST_PATH_IMAGE011
为风阀最大开度。
接下来介绍第二个优化目标——风阀角度和最大。
根据美国采暖、制冷与空调工程师学会ASHRAE 2001 DUCT DESIGN标准的要求，通风系统至少有一个风阀应该大开，以最大限度地降低能耗，将其命名为临界风阀。利用模拟退火优化算法和多层感知机并不能显示的规定这一项优化目标，因此本发明采用另外更为简洁的思路，将所有风阀角度差和最小化设置为目标函数，即：
Figure 261070DEST_PATH_IMAGE095
虽然这样理论上不能保证每次优化结果都有至少一个临界风阀存在，但是风阀角度差和最小化也能保证通风系统总体上节能，并且经过实际测试，使用风阀角度差和最小化作为目标函数能够保证每次都存在至少一个临界风阀。
最后是风机全压，表示风机在最大输出功率时的工作状态，引入风机全压变化模型：
Figure 443790DEST_PATH_IMAGE096
其中
Figure 754686DEST_PATH_IMAGE097
是风机全压变化，
Figure 681053DEST_PATH_IMAGE098
是管道摩擦引起的压力损失，
Figure 26584DEST_PATH_IMAGE099
是
Figure 380205DEST_PATH_IMAGE100
型工件引起的压 力损失，
Figure 178397DEST_PATH_IMAGE101
是K型工件引起的压力损失，
Figure 908455DEST_PATH_IMAGE102
是R型工件引起的热重力压力损失。对于海洋平 台通风系统而言，在建造时通风管道的J型、K型和R型工件的数量和安装位置已经确定，因 此能够调整的只有管道摩擦引起的压力损失
Figure 108493DEST_PATH_IMAGE103
，其计算公式为：
Figure 633015DEST_PATH_IMAGE104
其中
Figure 930221DEST_PATH_IMAGE105
是摩擦系数，
Figure 932812DEST_PATH_IMAGE044
是管道长度，
Figure 987356DEST_PATH_IMAGE106
是液压直径，
Figure 682780DEST_PATH_IMAGE051
是气体流速，
Figure 455564DEST_PATH_IMAGE050
是气流密度。
Figure 527425DEST_PATH_IMAGE105
，
Figure 967633DEST_PATH_IMAGE044
，
Figure 99537DEST_PATH_IMAGE106
是通风系统管道的固定参数，
Figure 562880DEST_PATH_IMAGE050
通常认为每次运行时是一个变化不大的数，影响
Figure 438432DEST_PATH_IMAGE098
的主要 因素就是气体流速
Figure 201989DEST_PATH_IMAGE107
。根据手册定义，风机的全压计算公式为：
Figure 504794DEST_PATH_IMAGE108
其中
Figure 986591DEST_PATH_IMAGE047
为静压，
Figure 400255DEST_PATH_IMAGE048
为动压，对于一个确定的风机而言，静压是一个定值，而动压则与 气体流速有关：
Figure 283897DEST_PATH_IMAGE109
因此，当初始全压
Figure 757604DEST_PATH_IMAGE023
越大，那么通风管道内的气体流速
Figure 726697DEST_PATH_IMAGE051
就越大，与此同时带来的管 道摩擦引起的压力损失
Figure 944052DEST_PATH_IMAGE098
就越大，为保证通风系统的节能性，减少风传输过程中的损失， 本发明第三个优化目标就是使风机的出口处全压
Figure 682200DEST_PATH_IMAGE023
尽可能的小，风机的出口处全压
Figure 326808DEST_PATH_IMAGE023
可以由 风机直接通过物联网发送到中央控制器，无需额外的传感器，针对风机全压控制的目标函 数可以给出为：
Figure 783197DEST_PATH_IMAGE110
因此，整体的目标函数为：
Figure 7505DEST_PATH_IMAGE111
其中
Figure 865740DEST_PATH_IMAGE112
，
Figure 415670DEST_PATH_IMAGE113
，
Figure 359355DEST_PATH_IMAGE114
是权重系数，表示整体优化目标更倾向于哪个方向，经过实验，认为
Figure 918513DEST_PATH_IMAGE112
：
Figure 365674DEST_PATH_IMAGE113
：
Figure 352085DEST_PATH_IMAGE114
= 7：2：1是一组较好的超参数选择方案。
基于以上原理，清楚阐述了本发明的控制目标。以下，详述本发明提供的海洋平台 多舱室通风多目标优化控制方法流程，流程图参考图3和图4。该方法用于具有单个风机，
Figure 517487DEST_PATH_IMAGE001
个舱室的海洋平台通风系统的控制。
本发明将优化阶段分成两个部分，前期全局搜索使用模拟退火优化算法，当每两步之间的误差小于误差阈值时，切换多层感知机预测局部搜索。具体包括以下步骤。
S1：初始化步骤：为每个舱室设定一个初始退火温度（优选为
Figure 614756DEST_PATH_IMAGE115
），获得初始温度 向量
Figure 447583DEST_PATH_IMAGE002
，令各舱室的当前温度
Figure 870474DEST_PATH_IMAGE003
为
Figure 257593DEST_PATH_IMAGE002
，设定各舱室风阀控制器的初始解状态，获得初始状态解 角度向量
Figure 627394DEST_PATH_IMAGE004
；计算初始状态解角度向量对应的控制目标函数：
Figure 314728DEST_PATH_IMAGE005
其中：
Figure 642941DEST_PATH_IMAGE112
，
Figure 782935DEST_PATH_IMAGE113
，
Figure 222007DEST_PATH_IMAGE114
是权重系数；如前文所述，作为优选，
Figure 763847DEST_PATH_IMAGE112
：
Figure 262961DEST_PATH_IMAGE113
：
Figure 890251DEST_PATH_IMAGE114
= 7：2：1。
Figure 133014DEST_PATH_IMAGE009
为风阀角度差和最小化目标函数：
Figure 529360DEST_PATH_IMAGE010
，
Figure 668218DEST_PATH_IMAGE011
风阀全开角度，
Figure 579542DEST_PATH_IMAGE012
为 第
Figure 625995DEST_PATH_IMAGE013
个舱室风阀当前开度对应的角度；
Figure 876848DEST_PATH_IMAGE014
为风量比例误差控制目标函数：
Figure 717765DEST_PATH_IMAGE015
；
Figure 319648DEST_PATH_IMAGE016
为一个
Figure 904213DEST_PATH_IMAGE001
维向量，为每个 舱室对应的出风管道的目标风量，
Figure 275151DEST_PATH_IMAGE017
为一个
Figure 286970DEST_PATH_IMAGE001
维向量，为每个舱室对应的出风管道的实际风 量，
Figure 376148DEST_PATH_IMAGE116
为一个n维全1行向量，即
Figure 498825DEST_PATH_IMAGE019
，
Figure 724270DEST_PATH_IMAGE020
表示
Figure 172569DEST_PATH_IMAGE018
的转置向量，即为
Figure 483465DEST_PATH_IMAGE001
维的列向量
Figure 878674DEST_PATH_IMAGE021
为风机全压控制的目标函数：
Figure 224204DEST_PATH_IMAGE022
，
Figure 108984DEST_PATH_IMAGE023
表示风机全压。
风机的全压
Figure 376017DEST_PATH_IMAGE023
是随风量
Figure 106076DEST_PATH_IMAGE017
改变而改变的，不同的通风系统计算公式不同，但是当前 主流的中央空调风机均有全压测量功能，因此这项参数是可以直接测量得到。
具体的本发明一些实施例中，可以通过测量气流密度和气体流速来辅助测量风机全压：
Figure 306113DEST_PATH_IMAGE046
；
其中
Figure 830635DEST_PATH_IMAGE047
为静压，为一定值，
Figure 116123DEST_PATH_IMAGE048
为动压；
Figure 384293DEST_PATH_IMAGE049
；
其中：
Figure 438837DEST_PATH_IMAGE050
是气流密度，
Figure 399840DEST_PATH_IMAGE051
是气体流速。
除以上初始化工作外，每个初始温度
Figure 184342DEST_PATH_IMAGE002
的迭代次数
Figure 990624DEST_PATH_IMAGE044
（优选为200），衰减系数
Figure 165254DEST_PATH_IMAGE036
（优 选为0.95），切换误差阈值
Figure 31579DEST_PATH_IMAGE035
（优选为
Figure 291659DEST_PATH_IMAGE117
），目标风量
Figure 370473DEST_PATH_IMAGE016
的初始化工作，也可以在该步骤中完 成。
S2：基于扰动更新角度向量
Figure 399609DEST_PATH_IMAGE004
至
Figure 702414DEST_PATH_IMAGE024
，计算更新控制目标函数至
Figure 184211DEST_PATH_IMAGE025
；计算过程同步骤 S1，不再赘述。其中，中央控制器将产生的新风阀角度
Figure 597875DEST_PATH_IMAGE024
，通过物联网传输到各舱室的风阀控 制器，风阀控制器调节风阀角度，同时测量调节后各舱室内的新风量
Figure 481517DEST_PATH_IMAGE017
，风阀控制器再通过 物联网将各自的新风量传回中央处理器，同时风机也会将此时的全压
Figure 689645DEST_PATH_IMAGE023
传给中央处理器。
S3：计算
Figure 658738DEST_PATH_IMAGE026
与
Figure 610513DEST_PATH_IMAGE118
的误差：
Figure 83083DEST_PATH_IMAGE119
。
S4：根据目标函数误差
Figure 727691DEST_PATH_IMAGE120
判断，若
Figure 184080DEST_PATH_IMAGE028
，接受新解
Figure 939547DEST_PATH_IMAGE121
,
Figure 532202DEST_PATH_IMAGE122
；若
Figure 347711DEST_PATH_IMAGE031
,计算
Figure 291396DEST_PATH_IMAGE123
的接受概率
Figure 850554DEST_PATH_IMAGE032
，产生一个在（0,1）区间上均匀分布的随机数
Figure 563295DEST_PATH_IMAGE033
，若
Figure 284126DEST_PATH_IMAGE034
，则 接受
Figure 715108DEST_PATH_IMAGE123
作为新的当前解，否则保留当前解
Figure 281218DEST_PATH_IMAGE004
。
S5：设定切换误差阈值
Figure 114045DEST_PATH_IMAGE035
，衰减系数
Figure 5777DEST_PATH_IMAGE036
，重复迭代执行步骤S2至S5，记录当前迭代次 数
Figure 924055DEST_PATH_IMAGE037
；其中当前迭代次数是指在总的迭代步骤中，目前的迭代处于第几次迭代；
若
Figure 825015DEST_PATH_IMAGE038
，则返回当前角度向量解下的风量比例误差
Figure 246769DEST_PATH_IMAGE039
, 所有风阀角度的差和
Figure 574982DEST_PATH_IMAGE040
和风机全压
Figure 714976DEST_PATH_IMAGE023
，结束全局搜索：
若
Figure 419627DEST_PATH_IMAGE045
，则根据衰减系数
Figure 961467DEST_PATH_IMAGE036
和当前迭代次数k按照公式
Figure 460581DEST_PATH_IMAGE042
降低当前温度T，返 回步骤S2。
本发明一些实施例中，步骤S5中：若
Figure 556713DEST_PATH_IMAGE045
，则按衰减系数
Figure 799476DEST_PATH_IMAGE036
和当前迭代次数k降低 当前温度
Figure 195822DEST_PATH_IMAGE003
，重置迭代次数
Figure 865838DEST_PATH_IMAGE044
，返回步骤S2。此处所述的迭代次数
Figure 980424DEST_PATH_IMAGE044
是指迭代总次数，与当前迭 代次数
Figure 761299DEST_PATH_IMAGE037
不同。
在一些实施例中，重复步骤S2至S5进行迭代计算，当迭代计算次数达到
Figure 277731DEST_PATH_IMAGE044
时，执行 步骤S6。
S6：进行局部搜索，根据风量比例误差、风阀角度差和以及风机全压，定义角度向 量全局最优解
Figure 118648DEST_PATH_IMAGE043
，利用预训练完成的多层感知机预测角度向量全局最优解。
本发明一些实施例中，多层感知机的训练步骤包括步骤S1至步骤S5，同前述实施 方式记载的步骤S1至步骤S5，不同的是，在步骤S1初始化参数还包括：优化终止误差
Figure 189372DEST_PATH_IMAGE124
，切换误差阈值
Figure 773937DEST_PATH_IMAGE035
（
Figure 144875DEST_PATH_IMAGE125
），目标风量
Figure 156694DEST_PATH_IMAGE016
，随机初始化多层感知机权重
Figure 980293DEST_PATH_IMAGE057
和偏置
Figure 368549DEST_PATH_IMAGE058
，多层感知机学习率
Figure 593994DEST_PATH_IMAGE061
（优选为0.001），多层感知机学习终止误差
Figure 776714DEST_PATH_IMAGE062
（优选为0.01），通 风系统总风量误差
Figure 353189DEST_PATH_IMAGE072
（优选为
Figure 748398DEST_PATH_IMAGE126
），计算初始解对应的目标函数
Figure 828350DEST_PATH_IMAGE127
。
本实施例中，多层感知机包含三层隐藏层（线性层），每层神经元个数为256，128， 32，使用ReLU作为激活函数，输入层为包含
Figure 447550DEST_PATH_IMAGE001
+3个神经元的线性层（
Figure 245741DEST_PATH_IMAGE001
维风量比例误差+1维风 阀角度的差和+1维风机全压+1维偏置项），输出层为包含
Figure 975800DEST_PATH_IMAGE001
个神经元的全连接层。
多层感知机的训练还包括以下步骤：
将风量比例误差
Figure 910258DEST_PATH_IMAGE128
所有风阀角度的差和
Figure 700359DEST_PATH_IMAGE040
和风机全压
Figure 454689DEST_PATH_IMAGE023
重构为一个新的向量X并进行归一化处理，作为多层感知机的输入，利用多层感知机预测角 度向量全局最优解
Figure 722859DEST_PATH_IMAGE052
。
设定优化终止误差
Figure 777403DEST_PATH_IMAGE129
；如果
Figure 738406DEST_PATH_IMAGE054
，则返回当前解
Figure 245610DEST_PATH_IMAGE004
作为向量全局最优解，计算
Figure 317472DEST_PATH_IMAGE055
；如果
Figure 492101DEST_PATH_IMAGE056
，则返回步骤S2，并重置X；
基于随机初始化多层感知机权重
Figure 358426DEST_PATH_IMAGE057
和偏置
Figure 618506DEST_PATH_IMAGE058
，更新多层感知机权重
Figure 228479DEST_PATH_IMAGE057
和偏置
Figure 726456DEST_PATH_IMAGE058
参数， 具体为：
Figure 763682DEST_PATH_IMAGE059
，
Figure 522777DEST_PATH_IMAGE060
，其中
Figure 936441DEST_PATH_IMAGE061
为多层感知机的学习率，C为损失函数。损失函数C的 选择属于本领域公知常识，不再赘述。
设定学习终止误差
Figure 820083DEST_PATH_IMAGE062
；若
Figure 293790DEST_PATH_IMAGE063
，则停止多层感知机权重
Figure 262883DEST_PATH_IMAGE057
和偏置
Figure 214658DEST_PATH_IMAGE058
参数更新，接受感 知机预测角度向量全局最优解
Figure 218387DEST_PATH_IMAGE065
；如果
Figure 597415DEST_PATH_IMAGE066
，则下一次调节继续更新多层感知机权重
Figure 53804DEST_PATH_IMAGE057
和偏置
Figure 278112DEST_PATH_IMAGE058
，不接受感知机预测最优解，仍保留
Figure 136347DEST_PATH_IMAGE043
作为本次优化的角度向量全局最优解。
本发明一些实施例中，多层感知机的训练步骤进一步包括：
根据当前角度向量全局最优解
Figure 748594DEST_PATH_IMAGE043
调节风阀角度，获取当前的各舱室的风量
Figure 692279DEST_PATH_IMAGE067
，计算 风机电压比例系数
Figure 985857DEST_PATH_IMAGE068
。
风机根据调整电压比例系数
Figure 698598DEST_PATH_IMAGE069
调节电压，获取最终调节后的各舱室的风量
Figure 153850DEST_PATH_IMAGE070
，计算 通风系统整体误差
Figure 584832DEST_PATH_IMAGE071
；风机的全压
Figure 682101DEST_PATH_IMAGE023
与风机电压成正比，通过调节风机电压即可 实现通风系统整体的风量调节，电压越大，
Figure 249348DEST_PATH_IMAGE023
越大，所有舱室的风量
Figure 406660DEST_PATH_IMAGE017
均会增大；V的初始值为 保证节能会尽可能的小。还需要注意到，风机电压从头到尾只改变一次，只和电压比例系数
Figure 324938DEST_PATH_IMAGE069
有关。
设定通风系统总风量误差
Figure 960318DEST_PATH_IMAGE072
；根据整体误差
Figure 647652DEST_PATH_IMAGE073
判断是否结束本次优化控制过程，如果
Figure 975865DEST_PATH_IMAGE074
，则本次优化满足要求，结束流程并保存多层感知机参数
Figure 115859DEST_PATH_IMAGE057
，
Figure 820510DEST_PATH_IMAGE058
；如果
Figure 362350DEST_PATH_IMAGE075
，则跳回步骤 S2，重新下一次迭代。
本发明一些实施例中，多层感知机训练步骤进一步包括：在进行训练前，首先启动 通风系统风机，设定算法迭代的起点初始解状态，风机初始电压
Figure 330306DEST_PATH_IMAGE051
，等待系统稳定后进行多 层感知机的训练。
本发明在整体优化控制流程中加入了多层感知机在线参数更新过程，流程图参考 图4。多层感知机只需要使用适量的数据（输入数据：三个优化变量，包括风量比例误差
Figure 957596DEST_PATH_IMAGE130
, 风阀角度的差和
Figure 934779DEST_PATH_IMAGE040
和风机全压P；输出数据：最优风阀角度
Figure 596705DEST_PATH_IMAGE043
）训练后，针对海洋 平台通风系统的局部搜索就能具有较高的准确性，因此本发明前期应用主要以模拟退火算 法为主，进行全局搜索和局部搜索，在前期控制过程中多层感知机会自适应在线训练，当对 大部分的控制情况下的误差小于学习终止误差
Figure 266721DEST_PATH_IMAGE062
后，后期就可以直接利用多层感知机进行 最优解预测，从而大大加快优化速率。实际上，当目标函数设计完成后，单纯利用模拟退火 算法也能实现最优化过程，加入多层感知机是为了解决模拟退火局部搜索时间过长的问 题，而在线训练多层感知机能利用模拟退火优化中产生的冗余数据从而实现信息价值最大 化。
本发明在海洋平台通风系统各舱室的出风管道的合理位置安装风阀控制器（风阀控制器用于控制风阀开度以控制每个出风口出风量，并且该风阀控制器也可实现流量测量的功能），通过把风阀控制器少量的风量采样数据传输到中央控制器，将多舱室风量比例控制误差、风阀角度和差与风机初始全压作为多优化目标，多舱室的风阀角度作为问题的解，在大于设定阈值误差前使用模拟退火算法搜索广域最优解搜索，当小于设定阈值误差后利用多层感知机直接预测局域最优解，中央控制器完成优化计算后，再将满足多优化目标的风阀角度传输到各舱室的风阀控制器，根据目标是否被控制在合理范围内判定通风是否满足要求。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种海洋平台多舱室通风多目标优化控制方法，其特征在于，用于海洋平台通风系 统的控制，所述通风系统包括一个风机和
Figure 84202DEST_PATH_IMAGE001
个舱室，风机出风口经通风管路连接至每个舱室 的出风管道，每个出风管道处均设置有风阀和风阀控制器，所述风阀控制器用于接收中央 控制器的控制信号控制风阀开度，并用于检测风阀开度反馈至中央控制器；所述控制方法 包括以下步骤：
S1：为每个舱室设定一个初始退火温度，获得初始温度向量
Figure 251878DEST_PATH_IMAGE002
，令各舱室的当前温度
Figure 263696DEST_PATH_IMAGE003
为
Figure 352875DEST_PATH_IMAGE002
，设定各舱室风阀控制器的初始解状态，获得初始状态解角度向量
Figure 475552DEST_PATH_IMAGE004
；计算初始状态解 角度向量对应的控制目标函数：
Figure 966576DEST_PATH_IMAGE005
其中：
Figure 149295DEST_PATH_IMAGE006
，
Figure 460191DEST_PATH_IMAGE007
，
Figure 855400DEST_PATH_IMAGE008
是权重系数；
Figure 200931DEST_PATH_IMAGE009
为风阀角度差和最小化目标函数：
Figure 554552DEST_PATH_IMAGE010
，
Figure 352744DEST_PATH_IMAGE011
为风阀全开角度，
Figure 82802DEST_PATH_IMAGE012
为第
Figure 282839DEST_PATH_IMAGE013
个舱室风阀当前开度对应的角度；
Figure 807362DEST_PATH_IMAGE014
为风量比例误差控制目标函数：
Figure 92850DEST_PATH_IMAGE015
；
Figure 626599DEST_PATH_IMAGE016
为一个
Figure 149984DEST_PATH_IMAGE001
维向量，为每个舱 室对应的出风管道的目标风量，
Figure 845408DEST_PATH_IMAGE017
为一个
Figure 618192DEST_PATH_IMAGE001
维向量，为每个舱室对应的出风管道的实际风量，
Figure 690053DEST_PATH_IMAGE018
为一个n维全1行向量，即
Figure 599103DEST_PATH_IMAGE019
，
Figure 731007DEST_PATH_IMAGE020
表示
Figure 725508DEST_PATH_IMAGE018
的转置向量，即为
Figure 601060DEST_PATH_IMAGE001
维的列向量；
Figure 364617DEST_PATH_IMAGE021
为风机全压控制的目标函数：
Figure 136264DEST_PATH_IMAGE022
，
Figure 618061DEST_PATH_IMAGE023
表示风机全压；
S2：基于扰动更新角度向量
Figure 31724DEST_PATH_IMAGE004
至
Figure 915367DEST_PATH_IMAGE024
，计算更新控制目标函数至
Figure 389073DEST_PATH_IMAGE025
；
S3：计算
Figure 358167DEST_PATH_IMAGE026
与
Figure 575521DEST_PATH_IMAGE025
的误差：
Figure 313670DEST_PATH_IMAGE027
；
S4：若
Figure 958278DEST_PATH_IMAGE028
，接受新解
Figure 414667DEST_PATH_IMAGE029
,
Figure 638975DEST_PATH_IMAGE030
；若
Figure 497210DEST_PATH_IMAGE031
,计算
Figure 47140DEST_PATH_IMAGE024
的接受概率
Figure 990825DEST_PATH_IMAGE032
，产生 一个在（0,1）区间上均匀分布的随机数
Figure 549982DEST_PATH_IMAGE033
，若
Figure 262723DEST_PATH_IMAGE034
，则接受
Figure 249134DEST_PATH_IMAGE024
作为新的当前 解，否则保留当前解
Figure 883378DEST_PATH_IMAGE004
；
S5：设定切换误差阈值
Figure 980647DEST_PATH_IMAGE035
，衰减系数
Figure 813473DEST_PATH_IMAGE036
，迭代执行步骤S2至S5，并记录当前迭代次数
Figure 982504DEST_PATH_IMAGE037
；
若
Figure 635202DEST_PATH_IMAGE038
，则返回当前角度向量解下的风量比例误差
Figure 536162DEST_PATH_IMAGE039
, 所有风阀角度的差和以及风 机全压
Figure 223495DEST_PATH_IMAGE023
，结束全局搜索，其中：
Figure 20550DEST_PATH_IMAGE040
，风阀角度的差和为
Figure 160544DEST_PATH_IMAGE041
若
Figure 599616DEST_PATH_IMAGE042
，则根据衰减系数
Figure 141456DEST_PATH_IMAGE036
和当前迭代次数k按照公式
Figure 640570DEST_PATH_IMAGE043
降低当前温度T，返回 步骤S2；
S6：进行局部搜索，根据风量比例误差、风阀角度差和以及风机全压，定义角度向量全 局最优解
Figure 267861DEST_PATH_IMAGE044
，利用预训练完成的多层感知机预测角度向量全局最优解。
2.如权利要求1所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，进一步包括以下步骤：
设定初始温度
Figure 510623DEST_PATH_IMAGE002
的迭代次数
Figure 906969DEST_PATH_IMAGE045
；
重复步骤S2至S5进行迭代计算，当迭代计算次数达到
Figure 45827DEST_PATH_IMAGE045
时，执行步骤S6。
3.如权利要求2所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，步骤S5 中：若
Figure 894834DEST_PATH_IMAGE042
，则按衰减系数
Figure 206867DEST_PATH_IMAGE036
和当前迭代次数k降低当前温度
Figure 457720DEST_PATH_IMAGE003
，重置迭代次数
Figure 33057DEST_PATH_IMAGE045
，返回步骤 S2。
4.如权利要求1所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，对于
Figure 900519DEST_PATH_IMAGE021
， 其中的
Figure 953926DEST_PATH_IMAGE023
为：
Figure 59285DEST_PATH_IMAGE046
；
其中：
Figure 336683DEST_PATH_IMAGE047
是静压，为一定值，
Figure 425861DEST_PATH_IMAGE048
是动压；
Figure 282959DEST_PATH_IMAGE049
；
其中：
Figure 773983DEST_PATH_IMAGE050
是气流密度，
Figure 222282DEST_PATH_IMAGE051
是气体流速。
5.如权利要求1至4中任意一项所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，多层感知机的训练步骤包括步骤S1至步骤S5，还包括：
将风量比例误差
Figure 2019DEST_PATH_IMAGE039
, 所有风阀角度的差和
Figure 662808DEST_PATH_IMAGE041
和风机全压
Figure 8338DEST_PATH_IMAGE023
重构为一个新 的向量X并进行归一化处理，作为多层感知机的输入，利用多层感知机预测角度向量解
Figure 361959DEST_PATH_IMAGE052
；
设定优化终止误差
Figure 160151DEST_PATH_IMAGE053
；如果
Figure 890210DEST_PATH_IMAGE054
，则返回当前解
Figure 90247DEST_PATH_IMAGE004
作为角度向量全局最优解
Figure 614769DEST_PATH_IMAGE044
，计算
Figure 369098DEST_PATH_IMAGE055
；如果
Figure 434006DEST_PATH_IMAGE056
，则返回步骤S2，并重置X；
基于随机初始化生成的多层感知机权重
Figure 488550DEST_PATH_IMAGE057
和偏置
Figure 449553DEST_PATH_IMAGE058
，更新多层感知机权重
Figure 222337DEST_PATH_IMAGE057
和偏置
Figure 28619DEST_PATH_IMAGE058
参 数，具体为：
Figure 203248DEST_PATH_IMAGE059
，
Figure 69573DEST_PATH_IMAGE060
，其中
Figure 329653DEST_PATH_IMAGE061
为多层感知机的学习率，C为损失函数；
设定学习终止误差
Figure 939626DEST_PATH_IMAGE062
；如果
Figure 968762DEST_PATH_IMAGE063
，则停止多层感知机权重
Figure 271567DEST_PATH_IMAGE057
和偏置
Figure 753364DEST_PATH_IMAGE058
参数更新，接受感知 机预测角度向量全局最优解
Figure 167028DEST_PATH_IMAGE064
；如果
Figure 50670DEST_PATH_IMAGE065
，则下一次调节继续更新多层感知机权重
Figure 524377DEST_PATH_IMAGE057
和偏置
Figure 493470DEST_PATH_IMAGE058
，不接受感知机预测最优解，仍保留
Figure 445246DEST_PATH_IMAGE044
作为本次优化的最优解。
6.如权利要求5所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，进一步包括：
根据当前角度向量全局最优解
Figure 448974DEST_PATH_IMAGE044
调节风阀角度，获取当前的各舱室的风量
Figure 93582DEST_PATH_IMAGE066
，计算风机 电压比例系数
Figure 284391DEST_PATH_IMAGE067
；
风机根据调整电压比例系数
Figure 39858DEST_PATH_IMAGE068
调节电压，获取最终调节后的各舱室的风量
Figure 632513DEST_PATH_IMAGE069
，计算通风 系统整体误差
Figure 916864DEST_PATH_IMAGE070
；
设定通风系统总风量误差
Figure 860549DEST_PATH_IMAGE071
；根据整体误差
Figure 419707DEST_PATH_IMAGE072
判断是否结束本次优化控制过程，如果
Figure 132448DEST_PATH_IMAGE073
，则本次优化满足要求，结束流程并保存多层感知机参数
Figure 853279DEST_PATH_IMAGE057
，
Figure 284260DEST_PATH_IMAGE058
；如果
Figure 381529DEST_PATH_IMAGE074
，则跳回步骤 S2，重新下一次迭代。
7.如权利要求5所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，
Figure 214356DEST_PATH_IMAGE075
。
8.如权利要求5所述的海洋平台多舱室通风多目标优化控制方法，其特征在于，多层感知机训练步骤进一步包括：在进行训练前，首先启动通风系统风机，设定算法迭代的起点初始解状态，风机初始电压V，等待系统稳定后进行多层感知机的训练。
CN202310021892.2A 2023-01-07 2023-01-07 一种海洋平台多舱室通风多目标优化控制方法 Active CN115743504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310021892.2A CN115743504B (zh) 2023-01-07 2023-01-07 一种海洋平台多舱室通风多目标优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310021892.2A CN115743504B (zh) 2023-01-07 2023-01-07 一种海洋平台多舱室通风多目标优化控制方法

Publications (2)

Publication Number Publication Date
CN115743504A true CN115743504A (zh) 2023-03-07
CN115743504B CN115743504B (zh) 2023-04-07

Family

ID=85348459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310021892.2A Active CN115743504B (zh) 2023-01-07 2023-01-07 一种海洋平台多舱室通风多目标优化控制方法

Country Status (1)

Country Link
CN (1) CN115743504B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117022633A (zh) * 2023-10-08 2023-11-10 中国海洋大学 船舶或海洋平台用预制式舱室通风系统通风控制方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104832203A (zh) * 2015-05-19 2015-08-12 卢新明 矿井通风系统在线闭环优调优控方法
KR20160015828A (ko) * 2014-07-31 2016-02-15 대우조선해양 주식회사 통풍 팬 제어장치 및 제어방법
CN112093025A (zh) * 2020-09-23 2020-12-18 江苏科技大学 一种变风量布风器风阀的控制系统及其控制方法
CN114216256A (zh) * 2021-12-22 2022-03-22 中国海洋大学 离线预训练-在线学习的通风系统风量控制方法
CN114265306A (zh) * 2021-12-24 2022-04-01 中国海洋大学 海洋平台通风系统在线风平衡控制方法及控制系统
CN114322199A (zh) * 2021-11-26 2022-04-12 嘉兴英集动力科技有限公司 基于数字孪生的通风系统自主优化运行调控平台及方法
CN114838452A (zh) * 2022-07-06 2022-08-02 中国海洋大学 一种应用于变风量系统的智能风阀及系统和控制方法
CN114861465A (zh) * 2022-06-02 2022-08-05 中国计量大学 风平衡模型的构建方法及系统、风平衡方法及系统
CN114893898A (zh) * 2022-07-14 2022-08-12 中国海洋大学 一种易安装的智能风阀
CN115200164A (zh) * 2022-07-25 2022-10-18 武汉理工大学 基于scada的邮轮空调系统状态监控和智能运行管理系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160015828A (ko) * 2014-07-31 2016-02-15 대우조선해양 주식회사 통풍 팬 제어장치 및 제어방법
CN104832203A (zh) * 2015-05-19 2015-08-12 卢新明 矿井通风系统在线闭环优调优控方法
CN112093025A (zh) * 2020-09-23 2020-12-18 江苏科技大学 一种变风量布风器风阀的控制系统及其控制方法
CN114322199A (zh) * 2021-11-26 2022-04-12 嘉兴英集动力科技有限公司 基于数字孪生的通风系统自主优化运行调控平台及方法
CN114216256A (zh) * 2021-12-22 2022-03-22 中国海洋大学 离线预训练-在线学习的通风系统风量控制方法
CN114265306A (zh) * 2021-12-24 2022-04-01 中国海洋大学 海洋平台通风系统在线风平衡控制方法及控制系统
CN114861465A (zh) * 2022-06-02 2022-08-05 中国计量大学 风平衡模型的构建方法及系统、风平衡方法及系统
CN114838452A (zh) * 2022-07-06 2022-08-02 中国海洋大学 一种应用于变风量系统的智能风阀及系统和控制方法
CN114893898A (zh) * 2022-07-14 2022-08-12 中国海洋大学 一种易安装的智能风阀
CN115200164A (zh) * 2022-07-25 2022-10-18 武汉理工大学 基于scada的邮轮空调系统状态监控和智能运行管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢新明等: "矿井通风智能化理论与技术" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117022633A (zh) * 2023-10-08 2023-11-10 中国海洋大学 船舶或海洋平台用预制式舱室通风系统通风控制方法
CN117022633B (zh) * 2023-10-08 2024-02-20 中国海洋大学 船舶或海洋平台用预制式舱室通风系统通风控制方法

Also Published As

Publication number Publication date
CN115743504B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN107726358B (zh) 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法
Homod et al. Evaluation of energy-saving potential for optimal time response of HVAC control system in smart buildings
US20120048953A1 (en) Temperature adjusting device and an intelligent temperature control method for a sand and dust environment testing system
CN1111684C (zh) 一种用于控制建筑物中房间内温度的控制器
Parameshwaran et al. Energy conservative building air conditioning system controlled and optimized using fuzzy-genetic algorithm
CN111351180A (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
CN107023825A (zh) 流化床锅炉控制与燃烧优化系统
CN115743504B (zh) 一种海洋平台多舱室通风多目标优化控制方法
CN102129259B (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN1224139A (zh) 具有前馈和反馈控制的室温控制装置及方法
CN104633856A (zh) Cfd数值模拟结合bp神经网络人工环境控制方法
Huang et al. Multi-zone temperature prediction in a commercial building using artificial neural network model
Huang et al. A new zone temperature predictive modeling for energy saving in buildings
Li et al. Tube-based robust model predictive control of multi-zone demand-controlled ventilation systems for energy saving and indoor air quality
Feng et al. Predictive control model for variable air volume terminal valve opening based on backpropagation neural network
Jing et al. An energy-saving control strategy for multi-zone demand controlled ventilation system with data-driven model and air balancing control
CN115494892B (zh) 高空模拟试车台进气环境模拟系统解耦控制方法
Lei et al. Predictive control of multi-zone variable air volume air-conditioning system based on radial basis function neural network
KR20200092478A (ko) 공조 시스템의 이코노마이저 제어 방법 및 이를 수행하는 공조 시스템
CN111288610A (zh) 一种变风量空调系统变静压自适应模糊控制方法
CN115773569A (zh) 基于自抗扰解耦的海洋平台通风系统风量控制方法
Zhang et al. Room temperature and humidity decoupling control of common variable air volume air-conditioning system based on bilinear characteristics
Wei et al. Model predictive control for multi-zone Variable Air Volume systems based on artificial neural networks
CN114838452B (zh) 一种应用于变风量系统的智能风阀及系统和控制方法
CN115935604A (zh) 一种换流站暖通系统节能控制方法及终端

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