CN116149402B - 一种基于卷积神经网络的温度控制系统与控制方法 - Google Patents

Abstract

本发明涉及温度控制技术领域，具体是指一种基于卷积神经网络的温度控制系统与控制方法，包括温度获取模块，还包括与所述温度获取模块信号连接的预估单元与调节单元，所述预估单元用于接收温度信息并经过预估补偿产生补偿信号至所述调节单元，所述调节单元用于根据接收的补偿信号对温度进行调节。通过在现有温度控制系统的基础上引入预估单元，预估单元主要用于预估补偿控制系统的温度负荷，基于预估单元的温度控制系统能够有效克服季节性的潜热温度负荷对温湿度控制系统稳定性的影响，实现简单，可靠性良好，尤其是响应速度明显提高，抑制干扰的能力明显增强，具体地，本申请控制下的温度数据的超调量小于5%，稳态误差在±1℃内。

Description

一种基于卷积神经网络的温度控制系统与控制方法

技术领域

本发明涉及温度控制技术领域，具体是指一种基于卷积神经网络的温度控制系统与控制方法。

背景技术

现有技术中，对于温度的控制系统，一般采用PID模糊控制器进行控制，若采用常规PID控制，很难获得良好的控制质量，并且常规的PID控制器的控制结构单一，且整定参数过程较为繁琐，使得控制系统的温度模型难以确定。

以冷却塔温度控制系统为例，在季节变换的潜热温度负荷影响下会使得控制模型偏离状态，即存在较大的温度负荷波动，因此，冷却塔的控制系统就成为了温度控制系统的设计改进的重点。

发明内容

本发明目的在于提供一种基于卷积神经网络的温度控制系统，用于解决现有技术的PID控制器在季节变换的潜热负荷影响下会使得温度控制系统偏离状态的问题；提供一种温度控制方法，用于减少温度负荷波动的影响。

本发明通过下述技术方案实现：

一种基于卷积神经网络的温度控制系统，包括温度获取模块，还包括与所述温度获取模块信号连接的预估单元与调节单元，所述预估单元用于接收温度信息并经过预估补偿产生补偿信号至所述调节单元，所述调节单元用于根据接收的补偿信号对温度进行调节。需要说明的是，现有技术中，对于温度的控制系统，一般采用PID模糊控制器进行控制，若采用常规PID控制，很难获得良好的控制质量，并且常规的PID控制器的控制结构单一，且整定参数过程较为繁琐，使得控制系统的温度模型难以确定。

基于上述问题，提出了一种基于卷积神经网络的温度控制系统，通过在现有温度控制系统的基础上引入预估单元，预估单元主要用于预估补偿控制系统的温度负荷，基于预估单元的温度控制系统能够有效克服季节性的潜热温度负荷对温湿度控制系统稳定性的影响，实现简单，可靠性良好，尤其是响应速度明显提高，抑制干扰的能力明显增强，具体地，本申请控制下的温度数据的超调量小于5%，稳态误差在±1℃内。

进一步地，所述预估单元搭载有卷积神经网络，并利用该卷积神经网络实现对温度负荷波动的预估。所述的卷积神经网络优选为具有预估能力的门控循环神经网络，即GRU，以建立潜热温度负荷与实时温度数据之间的联系，进而减少温度控制系统的温度偏移。

进一步地，所述预估单元包括信号连接的预估模块与补偿模块，所述预估模块与所述温度获取模块信号连接，并用于将所述卷积神经网络的预估结果传递至补偿模块，所述补偿模块基于预估结果构建补偿模型。

进一步地，所述补偿模型构建有负荷度，所述补偿模块依据该负荷度产生补偿信号。需要说明的是，对于现有技术中的温度控制过程，温度控制阈值始终与实际温度完美匹配是不现实的，只能争取向无限趋近绝对真实数据对象努力，以冷却塔温度系统为例，由于冷却塔参数本身的复杂性或动态变化性质导致控制结构和参数设计预估的偏差，温度控制过程中同样存在着时间序列变化上的动态偏离，即可以理解为预估单元由于温度数据在季节性变化上的不匹配引起系统控制特性的急剧变化甚至引发系统的不稳定。基于这一情况，通过预估单元对历史温度数据进行预估分析，并利用卷积神经网络的预测能力与训练过程来预估理论温度与实际温度之间的波动值，并在调节单元进行温度调节时，利用补偿信号对该部分波动值进行补偿。

一种控制方法，包括以下步骤：步骤1，所述温度获取模块采集温度信息，温度信息包括历史温度数据与实时温度数据；步骤2，所述预估单元根据步骤1中采集的温度信息将所述卷积神经网络划分训练阶段与预估阶段；步骤3，利用步骤2中训练阶段得到的预估模型在预估阶段对实时温度数据进行补偿，并得到补偿信号；步骤4，利用步骤3中得到的补偿信号通过调节单元对温度进行控制调节。需要说明的是，首先，利用历史温度数据集对卷积神经网络进行训练并将训练的网络模型保存至模型库中；在实时控制时，在每个时间窗内，向已训练的网络模型中输入温度阈值，输出预估结果，通过利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号。基于上述过程，能够减少季节性变换下温度控制系统偏离控制状态的问题。

作为优选，步骤2中，训练阶段，从有温度负荷波动的仿真数据集中获取历史温度数据与温度补偿规则权重，并在划分滑动窗口后输入至所述卷积神经网络进行训练得到预估模型；

作为优选，步骤2中，预估阶段，将实时温度数据输入所述预估模型中，利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号，所述负荷度为有温度负荷波动与无温度负荷波动的偏差程度。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明通过在现有温度控制系统的基础上引入预估单元，预估单元主要用于预估补偿控制系统的温度负荷，基于预估单元的温度控制系统能够有效克服季节性的潜热温度负荷对温湿度控制系统稳定性的影响，实现简单，可靠性良好，尤其是响应速度明显提高，抑制干扰的能力明显增强，具体地，本申请控制下的温度数据的超调量小于5%，稳态误差在±1℃内；

2、本发明采用的卷积神经网络优选为具有预估能力的门控循环神经网络，即GRU，建立了潜热温度负荷与实时温度数据之间的联系，进而减少了温度控制系统的温度偏移。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明系统的结构示意图；

图2为本发明方法的流程示意图。

实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。需要说明的是，本发明已经处于实际研发使用阶段。

实施例1：

如附图1所示，一种基于卷积神经网络的温度控制系统，包括温度获取模块，还包括与所述温度获取模块信号连接的预估单元与调节单元，所述预估单元用于接收温度信息并经过预估补偿产生补偿信号至所述调节单元，所述调节单元用于根据接收的补偿信号对温度进行调节。需要说明的是，现有技术中，对于温度的控制系统，一般采用PID模糊控制器进行控制，若采用常规PID控制，很难获得良好的控制质量，并且常规的PID控制器的控制结构单一，且整定参数过程较为繁琐，使得控制系统的温度模型难以确定。

基于上述问题，提出了一种基于卷积神经网络的温度控制系统，通过在现有温度控制系统的基础上引入预估单元，预估单元主要用于预估补偿控制系统的温度负荷，基于预估单元的温度控制系统能够有效克服季节性的潜热温度负荷对温湿度控制系统稳定性的影响，实现简单，可靠性良好，尤其是响应速度明显提高，抑制干扰的能力明显增强，具体地，本申请控制下的温度数据的超调量小于5%，稳态误差在±1℃内。

需要说明的是，所述预估单元搭载有卷积神经网络，并利用该卷积神经网络实现对温度负荷波动的预估。所述的卷积神经网络优选为具有预估能力的门控循环神经网络，即GRU，以建立潜热温度负荷与实时温度数据之间的联系，进而减少温度控制系统的温度偏移。GRU网络是LSTM神经网络的变体，LSTM神经网络是一类具有时序预测性质的神经网络，适于温度控制这样具有时序性数据的预测。GRU神经网络的网络参数易于调整，网络结构相较于LSTM较为简单。同样利用温度信息的时序性，通过对GRU网络进行改进，即可预测出不同环境条件下最优的温度控制规则组合。此处对GRU网络的改进是在隐层增加Dense层、并在最后的输出层增加softmax层，这样提高了特征空间的转换能力，将对温度负荷的预测转换为对最优温度负荷波动度的预测。

需要说明的是，所述预估单元包括信号连接的预估模块与补偿模块，所述预估模块与所述温度获取模块信号连接，并用于将所述卷积神经网络的预估结果传递至补偿模块，所述补偿模块基于预估结果构建补偿模型。

需要说明的是，所述补偿模型构建有负荷度，所述补偿模块依据该负荷度产生补偿信号。需要说明的是，对于现有技术中的温度控制过程，温度控制阈值始终与实际温度完美匹配是不现实的，只能争取向无限趋近绝对真实数据对象努力，以冷却塔温度系统为例，由于冷却塔参数本身的复杂性或动态变化性质导致控制结构和参数设计预估的偏差，温度控制过程中同样存在着时间序列变化上的动态偏离，即可以理解为预估单元由于温度数据在季节性变化上的不匹配引起系统控制特性的急剧变化甚至引发系统的不稳定。基于这一情况，通过预估单元对历史温度数据进行预估分析，并利用卷积神经网络的预测能力与训练过程来预估理论温度与实际温度之间的波动值，并在调节单元进行温度调节时，利用补偿信号对该部分波动值进行补偿。

如附图2所示，一种控制方法，包括以下步骤：步骤1，所述温度获取模块采集温度信息，温度信息包括历史温度数据与实时温度数据；步骤2，所述预估单元根据步骤1中采集的温度信息将所述卷积神经网络划分训练阶段与预估阶段；步骤3，利用步骤2中训练阶段得到的预估模型在预估阶段对实时温度数据进行补偿，并得到补偿信号；步骤4，利用步骤3中得到的补偿信号通过调节单元对温度进行控制调节。需要说明的是，首先，利用历史温度数据集对卷积神经网络进行训练并将训练的网络模型保存至模型库中；在实时控制时，在每个时间窗内，向已训练的网络模型中输入温度阈值，输出预估结果，通过利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号。基于上述过程，能够减少季节性变换下温度控制系统偏离控制状态的问题。

本实施例中较为优选的是，步骤2中，训练阶段，从有温度负荷波动的仿真数据集中获取历史温度数据与温度补偿规则权重，并在划分滑动窗口后输入至所述卷积神经网络进行训练得到预估模型；在训练阶段，从有温度负荷波动的仿真数据集中选取每个滑动时间窗末端温度负荷较优的数据作为训练集训练神经网络。当识别到温度负荷时，将实时的温度负荷输入到模型库中，应用训练好的预估模型时刻预测的温度负荷权重，由此建立动态环境下的温度负荷到最优温度负荷波动度的映射，将此映射输入到预估模型中完成对温度负荷的预估。

本实施例中较为优选的是，步骤2中，预估阶段，将实时温度数据输入所述预估模型中，利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号，所述负荷度为有温度负荷波动与无温度负荷波动的偏差程度。

对于预估单元，优选为Smith预估控制器，当使用Smith预估补偿控制进行温度的平衡控制的过程中，在极短的时间内，温度逐渐趋向于平衡状态，这与预想结果一致，使用Smith预估补偿控制算法完整实现温度控制的程序代码变不再赘述，仅叙述控制算法所采用的逻辑过程：创建一个时间传递函数模型，包括连续模型或不连续模型，将传递函数模型进行离散化转化为差分方程，再获取传递函数模型的分子分母，换言之，通过创建预估单元函数模型的传递函数离散分割为训练部分与预估部分，再利用训练部分的预估模型构建补偿模型，所述补偿模型再依据负荷度产生补偿信号，通过预估单元的补偿过程排除季节性潜热负荷对温度的影响。

实施例2：

本实施例仅记述区别于实施例1的部分，具体为：以本申请在游泳馆冷却塔中的实际应用为例，游泳馆的一个特点是散湿量很大，室内空气设计温度一般要大于水温1～2℃，会有一个空气向水的显热传热，同时由于水面和空气的含湿量差造成了必然有一个水面向空气的湿量传递，而这部分湿量传递在温度负荷计算中的就以潜热负荷的形式体现出来。

在冬季，池水在游泳馆内成为了一个巨大的热源，常规的空气处理过程计算可能会造成房间负荷为负值，需要供冷的情况，并不是说冬季不需要供冷，而是经过ID图计算供冷后房间热负荷依然是正值，而且会出现冬季加湿的情况，而夏季由于需要减湿处理潜热负荷，更是增加了很大一部分潜热负荷。可以理解的是，在冬夏季季节变换的情况下，温度控制系统存在着温度负荷影响下导致温度控制系统偏离控制状态的问题，该问题不仅不利于冷却塔的温度的稳定控制，还会导致能源的极大浪费。

在此基础上，通过利用冷却塔历史温度数据集对卷积神经网络进行训练并将训练的网络模型保存至模型库中；在实时控制时，在每个时间窗内，向已训练的网络模型中输入温度阈值，输出预估结果，通过利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号，基于上述过程，能够预估单元对季节性的温度负荷进行预估，排除了季节性潜热负荷对温度的影响。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于卷积神经网络的温度控制系统，包括温度获取模块，其特征在于：还包括与所述温度获取模块信号连接的预估单元与调节单元，所述预估单元用于接收温度信息并经过预估补偿产生补偿信号至所述调节单元，所述调节单元用于根据接收的补偿信号对温度进行调节，所述温度信息包括历史温度数据与实时温度数据；

所述预估单元搭载有卷积神经网络，并利用该卷积神经网络实现对温度负荷波动的预估；

所述预估单元包括信号连接的预估模块与补偿模块，所述预估模块与所述温度获取模块信号连接，并用于将所述卷积神经网络的预估结果传递至补偿模块，所述补偿模块基于预估结果构建补偿模型；

所述卷积神经网络为GRU网络，且所述GRU网络的隐层增加有Dense层，输出层增加有softmax层。

2.根据权利要求1所述的一种基于卷积神经网络的温度控制系统，其特征在于：所述补偿模型构建有负荷度，所述补偿模块依据该负荷度产生补偿信号。

3.一种控制方法，其特征在于：基于权利要求2所述的一种基于卷积神经网络的温度控制系统，包括以下步骤：

步骤1，所述温度获取模块采集温度信息，温度信息包括历史温度数据与实时温度数据；

步骤2，所述预估单元根据步骤1中采集的温度信息将所述卷积神经网络划分训练阶段与预估阶段；

步骤3，利用步骤2中训练阶段得到的预估模型在预估阶段对实时温度数据进行补偿，并得到补偿信号；

步骤4，利用步骤3中得到的补偿信号通过调节单元对温度进行控制调节。

4.根据权利要求3所述的一种控制方法，其特征在于：步骤2中，训练阶段，从有温度负荷波动的仿真数据集中获取历史温度数据与温度补偿规则权重，并在划分滑动窗口后输入至所述卷积神经网络进行训练得到预估模型。

5.根据权利要求3所述的一种控制方法，其特征在于：步骤2中，预估阶段，将实时温度数据输入所述预估模型中，利用预估结果构建补偿模型，所述补偿模型再依据负荷度产生补偿信号，所述负荷度为有温度负荷波动与无温度负荷波动的偏差程度。