CN116182342A - 一种空调控制系统及控制方法 - Google Patents
一种空调控制系统及控制方法 Download PDFInfo
- Publication number
- CN116182342A CN116182342A CN202310228322.0A CN202310228322A CN116182342A CN 116182342 A CN116182342 A CN 116182342A CN 202310228322 A CN202310228322 A CN 202310228322A CN 116182342 A CN116182342 A CN 116182342A
- Authority
- CN
- China
- Prior art keywords
- air conditioner
- neural network
- output
- representing
- control
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 82
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 4
- 238000009423 ventilation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/56—Remote control
- F24F11/58—Remote control using Internet communication
-
- 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
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及空调控制技术领域,尤其为一种空调控制系统及控制方法,包括:空调控制模块:用于控制空调各结构运转;控制终端:用于与空调通信模块建立通信连接,控制空调控制模块的工作。本发明通过将神经网络算法与PID算法相结合,对空调进行数据控制运算,进行空调的自适应学习,实现自适应空调的自动控制,有助于提升用户体感度,并且其抗干扰能力强,具有较高的可行性。
Description
技术领域
本发明涉及空调控制技术领域,尤其是一种空调控制系统及控制方法。
背景技术
随着社会的发展,在工业以及民用上的单体空调难以满足使用,因此更加舒适的中央暖通空调出现在市面上。中央空调往往控制着整栋建筑的温度,但不同房间中,由于存在不同程度的发热元件,因此温度控制上会存在一定的差异性。在早期中央空调的使用中,往往需要对不同房间的温度进行监控,并在中央空调的总控制系统中对相应的房间进行温度调整,需要大量的人力。后续随着计算机技术的发展,研究者提出了整体的空调自动控制理论,通过可编程逻辑控制器PLC对中央空调进行控制。但实际使用中发现,影响房间温度的因素较多,数据处理中PLC之中的CPU处理器难以胜任。
因此,如何提供一种自适应空调自动控制系统,是目前有待解决的问题。
发明内容
本发明的目的是通过提出一种空调控制系统及控制方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供一种空调控制系统及控制方法,包括:
空调控制模块:用于控制空调各结构运转;
控制终端:用于与空调通信模块建立通信连接,控制空调控制模块的工作。
所述PID控制算法中,控制输出为:
b(k)=KP[e(k)-e(k-1)]+KIe(k)
+KD[e(k)-2e(k-1)+e(k-2)]
其中,b(k)代表PID控制输出;KP代表比例系数;KI=KPT/TI代表PID积分系数;KD=TD/T代表PID微分系数;T代表空调的采样周期;kI代表空调积分时间;TD代表空调微分时间;e(k)代表控制过程中k时刻的误差;e(k-1)代表控制过程中k时刻上一采样周期k时刻的误差;e(k-2)代表控制过程中k时刻上上一采样周期k时刻的误差。
作为本发明的一种优选技术方案:所述系统启动时,控制终端通过空调控制模块时自动获取空调的运行参数。
作为本发明的一种优选技术方案:所述控制终端还自动获取当前环境数据,并通过空调通信模块发送至空调控制模块。
作为本发明的一种优选技术方案:所述环境数据包括时间数据、空间数据、温度数据。
作为本发明的一种优选技术方案:所述空调控制模块通过收集环境数据自动寻优最优控制方案,并提供自动控制方案供控制终端选择。
作为本发明的一种优选技术方案:所述空调控制模块通过PID控制算法实现对空调的自动控制。
作为本发明的一种优选技术方案:所述PID算法中,构建神经网络对PID算法进行学习,实现系统对KP、KI、KD的自适应处理;在神经网络中,输入层节点代表符号为m,隐含层节点代表符号为i,输出层节点代表符号为l;当KP、KI、KD作为系统运行的可调参数时,得到k时刻系统输入u(k):
u(k)=f[b(k),KP,KI,KD,e(k),e(k-1),e(k-2)]
其中,u(k)代表和KP、KI、KD存在关系的非线性函数,通过神经网络的训练得到;
设神经网络输入节点数量为M,得到神经网络输入层中节点输出为:
其中,代表神经网络隐含层权重系数;/>代表k时刻神经网络输入层节点输出;/>代表k时刻神经网络隐含层节点输出;/>代表k时刻神经网络隐含层网络节点输出;h[]代表其中的激活函数,且h[]=ranh(x);最终神经网络得到输出层输出结果为:
式中,代表神经网络输出层权重系数;/>代表k时刻神经网络输入至输出层的隐含层节点输出;/>代表k时刻神经网络输出层节点输出;/>代表k时刻神经网络输出层网络节点输出;g[]代表输出层激发函数,且/>算式中上角标1代表输入层;2代表隐含层;3代表输出层。
作为本发明的一种优选技术方案:所述PID算法中,得出自动控制系统的三种参数;
其中,KP(k)代表k时刻比例系数;KI(k)代表k时刻PID积分系数;KD(k)代表k时刻PID微分系数;代表0个网络节点输入时k时刻神经网络输出层节点输出;/>代表一个网络节点输入时k时刻神经网络输出层节点输出;/>代表两个网络节点输入时k时刻神经网络输出层节点输出;由系统通过对空调的三个参数控制来实现空调的自动控制。
提供一种空调控制方法,通过控制终端建立与空调控制模块的通信连接,实现对空调的控制。
本发明提供的空调控制系统及控制方法,与现有技术相比,其有益效果有:
本发明通过将神经网络算法与PID算法相结合,对空调进行数据控制运算,进行空调的自适应学习,实现自适应空调的自动控制,有助于提升用户体感度,并且其抗干扰能力强,具有较高的可行性。
附图说明
图1为本发明优选实施例的系统框图;
图2为本发明优选实施例的神经网络结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了一种空调控制系统及控制方法,包括:
空调控制模块:用于控制空调各结构运转;
控制终端:用于与空调通信模块建立通信连接,控制空调控制模块的工作。
所述控制终端连接至空调控制模块时自动获取空调的运行参数。
所述控制终端还自动获取当前环境数据,并通过通信连接发送至空调控制模块。
所述环境数据包括时间数据、空间数据、温度数据。
所述空调控制模块通过收集环境数据自动寻优最优控制方案,并提供自动控制方案供控制终端选择。
所述空调控制模块通过PID控制算法实现对空调的自动控制。
所述PID控制算法中,控制输出为:
b(k)=KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
其中,b(k)代表PID控制输出;KP代表比例系数;KI=KPT/TI代表PID积分系数;KD=TD/T代表PID微分系数;T代表空调的采样周期;TI代表空调积分时间;TD代表空调微分时间;e(k)代表控制过程中k时刻的误差;e(k-1)代表控制过程中k时刻上一采样周期k时刻的误差;e(k-2)代表控制过程中k时刻上上一采样周期k时刻的误差。
所述PID算法中,构建神经网络对PID算法进行学习,实现系统对KP、KI、KD的自适应处理;在神经网络中,输入层节点代表符号为m,隐含层节点代表符号为i,输出层节点代表符号为l;当KP、KI、KD作为系统运行的可调参数时,得到k时刻系统输入u(k):
u(k)=f[b(k),KP,KI,KD,e(k),e(k-1),e(k-2)]
其中,u(k)代表和KP、KI、KD存在关系的非线性函数,通过神经网络的训练得到;
设神经网络输入节点数量为M,得到神经网络输入层中节点输出为:
其中,代表神经网络隐含层权重系数;/>代表k时刻神经网络输入层节点输出;/>代表k时刻神经网络隐含层节点输出;/>代表k时刻神经网络隐含层网络节点输出;h[]代表其中的激活函数,且h[]=ranh(x);最终神经网络得到输出层输出结果为:
式中,代表神经网络输出层权重系数;/>代表k时刻神经网络输入至输出层的隐含层节点输出;/>代表k时刻神经网络输出层节点输出;/>代表k时刻神经网络输出层网络节点输出;g[]代表输出层激发函数,且/>算式中上角标1代表输入层;2代表隐含层;3代表输出层。
所述PID算法中,得出自动控制系统的三种参数;
其中,KP(k)代表k时刻比例系数;KI(k)代表k时刻PID积分系数;KD(k)代表k时刻PID微分系数;代表0个网络节点输入时k时刻神经网络输出层节点输出;/>代表一个网络节点输入时k时刻神经网络输出层节点输出;/>代表两个网络节点输入时k时刻神经网络输出层节点输出;由系统通过对空调的三个参数控制来实现空调的自动控制。
提供一种空调控制方法,通过控制终端建立与空调控制模块的通信连接,实现对空调的控制。
本实施例中,空调控制模块控制空调的运作,保证空调各项机能的正常运转,控制终端,如手机,建立与空调的通信连接,并自动收集空调运行参数,便于掌握空调当前运行状态。空调自动收集当前时间数据和房间内的空间数据,以及当前房间内的自然温度数据,为用户制定出最优的空调控制方案供用户选择,当用户通过控制终端,如手机选择自动调节模式时,空调通过PID控制算法实现对空调的自动控制。
控制输出为:
b(k)=KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
其中,b(k)代表PID控制输出;KP代表比例系数;KI=KPT/TI代表PID积分系数;KD=TD/T代表PID微分系数;T代表空调的采样周期;kI代表空调积分时间;TD代表空调微分时间;e(k)代表控制过程中k时刻的误差;e(k-1)代表控制过程中k时刻上一时刻的误差;e(k-2)代表控制过程中k时刻上上一时刻的误差。
参照图2,构建神经网络对PID算法进行学习,实现空调控制系统对KP、KI、KD的自适应处理;在神经网络中,输入层节点代表符号为m,隐含层节点代表符号为i,输出层节点代表符号为l;当KP、KI、KD作为系统运行的可调参数时,得到k时刻系统输入u(k):
u(k)=f[b(k),KP,KI,KD,e(k),e(k-1),e(k-2)]
其中,u(k)代表和KP、KI、KD存在关系的非线性函数,通过神经网络的训练得到;
设神经网络输入节点数量为M,得到神经网络输入层中节点输出为:
其中,代表神经网络隐含层权重系数;/>代表k时刻神经网络输入层节点输出;/>代表k时刻神经网络隐含层节点输出;/>代表k时刻神经网络隐含层网络节点输出;h[]代表其中的激活函数,且h[]=ranh(x);算式中上角标1代表输入层;2代表隐含层;3代表输出层;最终神经网络得到输出层输出结果/>为:
得出自动控制系统的三种参数;
其中,KP(k)代表k时刻比例系数;KI(k)k时刻PID积分系数;KD(k)k时刻PID微分系数;代表0个网络节点输入时k时刻神经网络输出层节点输出;/>代表一个网络节点输入时k时刻神经网络输出层节点输出;/>代表两个网络节点输入时k时刻神经网络输出层节点输出;根据当前房间中的温度以及空调参数,对空调神经网络PID控制进行训练,并进行自动寻优,通过对空调的三个参数控制来实现空调的自动控制。
基于神经网络的PID控制算法对空调控制系统进行数据控制运算,并进行自动寻优,自动收集当前时间数据、房间内的空间数据、当前房间内的自然温度数据以及空调运行数据,如暖通空调回风进入时间;暖通空调回风排出时间;暖通空调进入房间的热量,空调回风排出的热量,人或设备在房间中释放的热量,室外和室内之间热量的交互量等,通过基于神经网络的PID控制算法自动学习计算当前人体最舒适的环境,并集合成自动调节方案供用户选择。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种空调控制系统,其特征在于:包括:
空调控制模块:用于控制空调各结构运转;
控制终端:用于与空调通信模块建立通信连接,控制空调控制模块的工作;
所述空调控制模块通过PID控制算法实现对空调的自动控制;
所述PID控制算法中,控制输出为:
b(k)=KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
其中,b(k)代表PID控制输出;KP代表比例系数;KI=KPT/TI代表PID积分系数;KD=TD/T代表PID微分系数;T代表空调的采样周期;TI代表空调积分时间;TD代表空调微分时间;e(k)代表控制过程中k时刻的误差;e(k-1)代表控制过程中k时刻上一采样周期k时刻的误差;e(k-2)代表控制过程中k时刻上上一采样周期k时刻的误差。
2.根据权利要求1所述的空调控制系统,其特征在于:所述系统启动时,控制终端通过空调控制模块自动获取空调的运行参数。
3.根据权利要求2所述的空调控制系统,其特征在于:所述控制终端还自动获取当前环境数据,并通过空调通信模块发送至空调控制模块。
4.根据权利要求3所述的空调控制系统,其特征在于:所述环境数据包括时间数据、空间数据、温度数据。
5.根据权利要求3所述的空调控制系统,其特征在于:所述空调控制模块通过收集环境数据自动寻优最优控制方案,并提供自动控制方案供控制终端选择。
6.根据权利要求1所述的空调控制系统,其特征在于:所述PID算法中,构建神经网络对PID算法进行学习,实现系统对KP、KI、KD的自适应处理;在神经网络中,输入层节点代表符号为m,隐含层节点代表符号为i,输出层节点代表符号为l;当KP、KI、KD作为系统运行的可调参数时,得到k时刻系统输入u(k):
u(k)=f[b(k),KP,KI,KD,e(k),e(k-1),e(k-2)]
其中,u(k)代表和KP、KI、KD存在关系的非线性函数,通过神经网络的训练得到;
设神经网络输入节点数量为M,得到神经网络输入层中节点输出为:
其中,代表神经网络隐含层权重系数;/>代表k时刻神经网络输入层节点输出;代表k时刻神经网络隐含层节点输出;/>代表k时刻神经网络隐含层网络节点输出;h[]代表其中的激活函数,且h[]=ranh(x);最终神经网络得到输出层输出结果/>为:/>
8.一种空调控制方法,基于权利要求1-7任意一项所述的一种空调控制系统,其特征在于:通过控制终端建立与空调控制模块的通信连接,实现对空调的控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310228322.0A CN116182342A (zh) | 2023-03-10 | 2023-03-10 | 一种空调控制系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310228322.0A CN116182342A (zh) | 2023-03-10 | 2023-03-10 | 一种空调控制系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116182342A true CN116182342A (zh) | 2023-05-30 |
Family
ID=86448709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310228322.0A Pending CN116182342A (zh) | 2023-03-10 | 2023-03-10 | 一种空调控制系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116182342A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0791704A (ja) * | 1993-09-28 | 1995-04-04 | Sharp Corp | 空気調和機 |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN101813918A (zh) * | 2010-04-09 | 2010-08-25 | 哈尔滨工业大学 | 基于模糊神经网络的通讯机房既有空调的控制系统 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
-
2023
- 2023-03-10 CN CN202310228322.0A patent/CN116182342A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0791704A (ja) * | 1993-09-28 | 1995-04-04 | Sharp Corp | 空気調和機 |
CN101392939A (zh) * | 2008-11-18 | 2009-03-25 | 天津大学 | 一种建筑物独立供能温度非线性预测控制方法 |
CN101813918A (zh) * | 2010-04-09 | 2010-08-25 | 哈尔滨工业大学 | 基于模糊神经网络的通讯机房既有空调的控制系统 |
CN109084415A (zh) * | 2018-07-26 | 2018-12-25 | 杭州哲达节能科技有限公司 | 基于神经网络和遗传算法的中央空调运行参数寻优方法 |
CN110057045A (zh) * | 2019-03-20 | 2019-07-26 | 青岛海尔空调器有限总公司 | 用于空调器的控制方法 |
Non-Patent Citations (1)
Title |
---|
石舒健: "神经网络PID控制器在高精度空调系统中的应用", 《仪表仪器用户》, vol. 11, no. 6, pages 130 - 131 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230019836A1 (en) | Building energy system with energy data simulation for pre-training predictive building models | |
Gorecki et al. | OpenBuild: An integrated simulation environment for building control | |
US11221597B2 (en) | Systems and methods for balancing an electrical grid with networked buildings | |
CN110531633B (zh) | 基于智能家居操作系统的协同控制方法及装置、存储介质 | |
CN102301288A (zh) | 用以控制能量消耗效率的系统和方法 | |
JPS62116844A (ja) | 空気調和機の中央監視制御システム | |
CN110736231A (zh) | 空调控制方法、装置、空调、存储介质以及处理器 | |
CN109902826A (zh) | 基于遗传算法的家电节能模型构建方法、控制方法、家电 | |
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 | |
CN111414996A (zh) | 一种智能家居控制方法、系统、存储介质和计算机设备 | |
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 | |
CN116182342A (zh) | 一种空调控制系统及控制方法 | |
CN109751726A (zh) | 空调器及其控制方法 | |
CN109408884A (zh) | 用于集中式空调系统自动设计的信息处理方法 | |
CN112378052A (zh) | 室内舒适度调节方法、装置、系统、计算机设备及存储介质 | |
CN112015106A (zh) | 一种智慧家居控制系统和控制方法 | |
TWI670451B (zh) | 中大型空間中空調裝置之節能控制方法及系統 | |
CN115758680A (zh) | 永磁直驱低速大风扇与中央空调系统联动调控方法及系统 | |
CN110147067A (zh) | 利用距离做为远程自动控制设备的方法及系统 | |
CN111623496B (zh) | 一种辐射空调控制系统、控制方法及存储介质 | |
CN114811877A (zh) | 一种基于人工智能的空调控制系统及方法 | |
CN114963481A (zh) | 物联网电力载波节能控制器 | |
Gehbauer et al. | Integrated dynamic facade control with an agent-based architecture for commercial buildings | |
CN112947207A (zh) | 一种基于物联网的地热源节能方法及系统 | |
Wang et al. | Dynamic and real-time simulation of BMS and air-conditioning system as a ‘living’environment for learning/training |
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 |