CN117450642A - 一种基于模糊pid的温湿度自适应空调调节系统及方法 - Google Patents
一种基于模糊pid的温湿度自适应空调调节系统及方法 Download PDFInfo
- Publication number
- CN117450642A CN117450642A CN202311556500.9A CN202311556500A CN117450642A CN 117450642 A CN117450642 A CN 117450642A CN 202311556500 A CN202311556500 A CN 202311556500A CN 117450642 A CN117450642 A CN 117450642A
- Authority
- CN
- China
- Prior art keywords
- temperature
- air conditioner
- humidity
- control module
- time
- 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 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 24
- 238000013139 quantization Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004378 air conditioning Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 9
- 230000001276 controlling effect Effects 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 5
- 230000036760 body temperature Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
-
- 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
- F24F11/50—Control or safety arrangements characterised by user interfaces or communication
- F24F11/61—Control or safety arrangements characterised by user interfaces or communication using timers
-
- 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
- F24F11/62—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
- F24F11/65—Electronic processing for selecting an operating mode
-
- 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
- F24F11/88—Electrical aspects, e.g. circuits
-
- 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
-
- 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
- F24F2110/20—Humidity
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种基于模糊PID的温湿度自适应空调调节系统及方法。该系统包括室内温湿度采集模块、服务器、数据传输模块和空调控制模块,该方法具体为:采用室内温湿度采集模块采集室内温湿度数据,接着采用服务器中的空调预约模块设置空调提前启动时刻和启动温度,空调启动后,依次间歇启动服务器中的控温模块、控湿模块,控温模块采用基于模糊PID的算法处理室内实时温湿度并获取输出温度作为空调调节指令下发至空调控制模块,控湿模块根据室内实时湿度判断是否开启抽湿模式并作为空调调节指令下发,空调控制模块获取空调调节指令后控制空调调整温度或模式。本发明保证了室内温湿度维持在人体适宜范围内,降低了电能的消耗并提高了人体舒适度。
Description
技术领域
本发明属于物联网电器智能控制领域,具体是涉及了一种基于模糊PID的温湿度自适应空调调节系统及方法。
背景技术
空调的不科学使用会造成较高的能源浪费并降低人体舒适度。近年来,随着空调的大量普及,空调消耗的电力在住宅和商业中占据的比重越来越大,因空调高能耗导致的能源成本不断增加。现阶段,采用一种智能温和的空调调节方法控制室内温湿度,优化空调的用电行为已经成为了节能减排、改善用户使用体验的重要任务。基于物联网的智能控制方案可以实现远程操作和电器控制,同时具有较低的耗电量,降低人工操作和管理的成本,为更人性化的智能家居提供设备支撑。
目前对于空调智能调节的研究工作主要集中于利用多传感器、自动化系统和强化学习等技术来控制空调。但是存在传感器缺失,中心管理服务器耗电量高、体积大,调节算法落后,对于空调预开启方面关注不足等问题。日常生活中经常存在首次开启空调前,室内外温湿度差异大,人员体感不适的现象。为快速达到合适的室内温湿度,人员的第一选择往往是设置与室温偏差较大的空调参数,这就导致空调需要消耗更多的能量来维持室内温度与设定温度之间的差值,增加了耗电量且不利于人体健康。
因此需要提出一种新的空调调节方法,不仅可以实现空调预开启,还能随着房间内温湿度变化自适应调整空调运行状态,节能减排,提高人体舒适度。
发明内容
针对现有技术的不足,本发明提出了一种基于模糊PID的温湿度自适应空调调节系统及方法。
本发明采用的技术方案如下:
本发明中的自适应空调调节系统包括:
室内温湿度采集模块,用于采集室内温湿度数据并将其输出至服务器;
服务器,用于存储室内温湿度数据,以及根据室内温湿度实时/历史数据向空调控制模块下发空调调节指令;
数据传输模块,用于将室内温湿度数据由室内温湿度采集模块传输至服务器,以及将空调调节指令由服务器传输至空调控制模块;
空调控制模块,用于接收空调调节指令并按照空调调节指令控制空调。
数据库,用于存储室内温湿度采集模块采集的室内温湿度数据;
空调预约模块,用于设置空调的提前启动时刻和启动温度;
控温模块,用于实时控制空调调整设置温度;
控湿模块,用于实时控制空调的抽湿模式的开/关。
具体地,所述数据传输模块包括物联网开发板和消息中间件;数据依次经物联网开发板、消息中间件输入服务器,或经消息中间件、物联网开发板输出服务器。
具体地,所述数据为室内温湿度数据或空调调节指令。
本发明中的自适应空调调节方法的步骤具体为:
S1)设置参数:所述参数包括采集时间范围、采集间隔、预约模块启动时刻、目标温度、目标湿度阈值、控温模块/控湿模块的工作间隔等。
具体地,所述目标温度为人体在各个季节的最舒适温度,所述预约模块的启动时刻早于采集时间范围的起始时刻。
S2)数据采集:所述室内温湿度采集模块以预设采集间隔在预设采集时间范围内连续采集室内温湿度数据,室内温湿度数据经数据传输模块输入并存储至服务器的数据库中。
所述步骤S2)中,所述的数据传输模块的工作过程具体为:
首先,通过串口将室内温湿度采集模块采集的数据以数字信号的方式传输至物联网开发板中;
其次,物联网开发板接收并解析温湿度数据为可读的温湿度数据后,通过物联网开发板中嵌入的WiFi(Wireless Fidelity)模块将温湿度数据依次封装、指定主题后发送至消息中间件中,此过程中使用的数据传输协议是MQTT(Message Queuing TelemetryTransport)协议;
最后,服务器通过MQTT协议,订阅主题,接收消息中间件中的消息,处理后将数据存储至数据库中。
S3)空调预约:在预设的预约模块启动时刻启动空调预约模块,基于室内历史温湿度数据得到空调的启动时刻及启动温度,在启动时刻再次开启空调预约模块并将启动温度作为空调调节指令输出至空调控制模块,空调控制模块获取指令后实时开启空调并控制空调将温度设置为启动温度。
所述步骤3)中的空调预约模块具体为:
3.1)建立神经网络模型和定义损失函数与优化器。
3.2)进行数据预处理;从数据库中读取预设采集时间范围的起始时刻的历史温度并汇总为历史温度数据表作为数据集,对数据集进行预处理。
3.3)采用步骤3.2)中预处理后的数据集训练神经网络模型。
3.4)采用训练好的神经网络预测模型得到启动温度后,根据预设目标温度与启动温度之间的差值以及空调的制冷/制热效率,得到空调的启动时刻。
3.5)根据步骤3.4)中得到的启动时刻及启动温度设置定时任务:在启动时刻再次启动空调预约模块,将启动温度作为空调调节指令输出空调预约模块。
具体地,所述预处理为:将数据集中的离散特征(如星期和月份)进行独热编码,将连续特征(如温度)进行标准化处理。
S4)空调温度参数的实时控制:在采集时间范围内,以预设工作间隔启动控温模块,控温模块基于室内实时温湿度数据得到输出温度后,将输出温度作为空调调节指令输出至空调控制模块,空调控制模块获取指令后控制空调将温度实时设置为输出温度。
所述S4)中的控温模块采用基于模糊PID的温湿度控制算法对室内实时温湿度数据,即最新的室内温湿度数据进行实时处理后,得到输出温度。
所述的基于模糊PID的温湿度控制算法具体为:
DS1)将实时温湿度数据、目标温度、上一次的误差e_pre1以及上上次的误差e_pre2输入到控制算法中,按照如下公式处理实时温度数据和目标温度后,得到当前误差e和当前的误差变化率de:
e=target-actual
de=e-e_pre1
式中,target为当前日期设定的预设目标温度,actual为室内实时温度,即数据库中读取的当前最新室内温度数据,e为当前误差,e_pre1为上一次的误差值,用于计算误差变化率de。
DS2)依次设置语言变量、模糊子集后,将步骤DS1)中得到的当前误差e和误差变化率de的取值范围分别划分为若干模糊集合后,分别进行区间映射,按照如下公式得到当前误差映射值e1、误差变化率映射值de1:
e1=Ke×e
de1=Kde×de
式中,Ke为当前误差的映射系数、Kde为误差变化率的映射系数。
DS3)建立模糊规则库,并分别对当前误差映射值的隶属度e2、误差变化率映射值的隶属度de2和模糊规则库的三张模糊规则表依次经重心法、反映射处理后得到比例系数Kp、积分系数Ki和微分系数Kd,按照如下公式对比例系数Kp、积分系数Ki和微分系数Kd以及当前误差e、上一次的误差e_pre1、上上次的误差e_pre2进行处理后,得到当前理论输出值与上一次输出值之差作为系统控制误差的积累值Δu:
Δu=a0×e+a1×e_pre1+a2×e_pre2
a0=Kp+Ki+Kd
a1=-2×Kd-Kp
a2=Kd
式中,e为当前误差,e_pre1为上一次的误差,e_pre2为上上次的误差值,a0为第一系数、a1为第二系数、a2为第三系数,Kp为比例系数、Ki为积分系数、Kd为微分系数。
其中,当前误差映射值的隶属度e2和误差变化率映射值的隶属度de2是采用隶属函数分别对当前误差映射值e1、误差变化率映射值de1进行处理后得到的。
DS4)重复进行上述步骤DS2)~DS3)进行若干次模拟控制后得到由若干个系统控制误差的积累值组成的集合,对集合进行量化处理后得到系统控制误差的量化结果,根据现实温度与人体舒适温度之差越大,系统控制误差总和越大的规律,对量化结果进行量化映射后,根据量化映射的结果得到理论输出温度。即根据量化映射结果与当前季节的人体最适温度的绝对值大小关系,获取理论输出温度。
DS5)判断实时湿度是否在目标湿度阈值内,并基于判断结果结合理论输出温度对输出温度进行进一步调整,具体为:
当实时湿度超过目标湿度阈值时,在理论输出温度基础上再降低预设温度差值,得到输出温度;
当实时湿度低于目标湿度阈值时,在理论输出温度基础上再升高预设温度差值,得到输出温度。
DS6)将当前误差作为上一次的误差值,上一次的误差作为上上一次的误差值保存,作为下一次控温模块启动时的输入值,不断重复上述步骤进行实时处理和控制。
S5)空调湿度参数的实时控制:在采集时间范围内,以预设工作间隔启动控湿模块,控湿模块基于室内实时湿度数据判断是否开启抽湿模式,并将判断结果作为空调调节指令输出至空调控制模块,空调控制模块获取指令后控制空调实时开启/关闭抽湿模式。
所述步骤S5)中,控湿模块的工作过程具体为:
S5.1)在预设时间范围内,每隔预设时间间隔,从数据库中读取室内实时湿度数据,即最新的室内湿度数据;
S5.2)判断实时湿度与目标湿度阈值的关系,并基于判断结果输出空调调节指令,具体为:
当实时湿度低于目标湿度阈值时,不输出空调调节指令;
当实时湿度超过目标湿度阈值时,将开启抽湿模式作为空调调节指令输出控湿模块,一段时间后,将关闭抽湿模式作为空调调节指令输出控湿模块。
具体地,所述的一段时间后是指,在下一次运行的控温模块开始运行时,控湿模块将关闭抽湿模式作为空调调节指令输出控湿模块。
进一步地,所述步骤S4)~S5)中,控温模块首次开启时刻为采集时间范围的起始时刻;控湿模块首次开启时刻在控温模块的首次开启时刻与二次开启时刻之间;控温模块与控湿模块的预设工作间隔相同,同时将第N次控湿模块启动时刻设置在第N次控温模块的启动时刻与第N+1次控温模块的启动时刻之间。
进一步地,本发明的实施例中,将控湿模块设置在每次控温模块执行前十分钟执行,因此打开抽湿模式十分钟后,控湿模块将关闭抽湿模式作为空调调节指令输出控湿模块。
所述步骤S3)~S5)中,所述的空调控制模块包括红外发射模块;将空调调节指令经数据传输模块输入至空调控制模块后,所述的红外发射模块向空调的红外接收器发射红外编码信号以实时控制空调调整温度或模式。
所述步骤S3)~S5)中,所述的数据传输模块的工作过程具体为:
所述服务器中的空调预约模块/控温模块/控湿模块按照预设的主题输出空调调节指令,经过MQTT协议,将空调调节指令经消息中间件输入物联网开发板中,物联网开发板解析数据后将具体控温指令或更改模式指令通过串口发送给空调控制模块。
本发明的有益效果是:
本发明考虑了空调的预开启功能、室内温湿度的实时变化、底层控制设备的经济便捷,保证了室内温湿度维持在人体适宜范围内,本发明还设置了控温模块和控湿模块作为空调预约模块的补充与优化,通过不断获得最新的室内实时温湿度数据,来达到本方法温湿度自适应的目的。本发明提供了基于模糊PID的温湿度自适应空调调节方法,方法经过优化的模糊PID算法并使用神经网络预测算法对空调进行自适应调节,在模糊PID的基础上,通过对系统误差的多次实验量化,进行映射,并结合湿度因子对输出温度进行二次调整的方法提高了控温效果;本发明还通过神经网络预测算法实现了对室内温度的精准预测,提前开启空调。因此,本发明有效提高了人体舒适度,并节省了电力消耗。
附图说明
图1是本发明的流程图。
图2是本发明的系统框架图。
图3是本发明的指令下发流程概要图。
图4是本发明的基于模糊PID的温湿度控制算法图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。本发明的具体实施例如下:
(一)设计过程
1)设计室内温湿度采集模块,使用温湿度传感器采集室内温湿度数据,经过物联网开发板、消息中间件与后端,将数据持久化至数据库中。
室内温湿度采集模块具体为:室内温湿度传感器间隔采集温湿度数据,通过串口将数据以数字信号的方式输出室内温湿度采集模块。
室内温湿度数据在数据传输模块中的传输过程具体为:首先,温湿度数据从室内温湿度采集模块中输出后,传输至物联网开发板中;其次,物联网开发板接收数据并将其解析为可读的温湿度数据,然后通过物联网开发板中的WiFi(Wireless Fidelity)模块将温湿度数据封装后,指定主题,发送至消息中间件中,此过程使用的数据传输协议是MQTT(Message Queuing Telemetry Transport)协议;最后,服务器通过MQTT协议,订阅主题,接收消息中间件中的消息,处理后将数据持久化至数据库中。
2)设计基于神经网络预测算法的空调预约模块,空调预约模块以历史上班时刻采集的温度为数据集,预测当天上班时刻的温度,设置空调的提前开启时间和温度;
空调预约模块具体为:
2.1)进行数据预处理。服务器将数据库中的由室内温湿度采集模块采集的每天的上班时刻温度汇总为历史温度数据表,作为训练神经网络的数据集。将数据集中的离散特征(如星期和月份)进行独热编码,将连续特征(如温度)进行标准化处理。
2.2)设置神经网络模型和定义损失函数与优化器。设置一个包含输入层、隐藏层、输出层的神经网络模型。具体地,输入层大小为历史数据数,隐藏层大小为128,输出层大小为1,在每个隐藏层之后应用Sigmoid激活函数。对于损失函数和优化器,本模型定义均方误差损失函数,并使用Adam优化器进行优化。
2.3)进行神经网络模型的训练以及温度预测,得到启动温度。根据预设的目标温度与预测温度的差值,并结合不同的制冷/制热效率,得到空调应该提前开启的时间,即启动时刻。
2.4)根据步骤2.3)得到的启动时刻及启动温度设置定时任务。当系统时间到达启动时刻时,将启动温度指定主题后输出空调预约模块。
包含启动温度的指令由空调预约模块输出后,输入至消息中间件,物联网开发板根据主题获取温度数据,经过空调控制模块控制空调调整温度。
3)然后,设计控湿模块和基于模糊PID的温湿度控制算法的控温模块,控温模块以室内温湿度为输入,经过算法处理后输出合适的空调温度。控湿模块根据采集的室内湿度,当湿度超出阈值时,开启空调的抽湿模式;
控温模块具体为:服务器从数据库中读取最新的室内温湿度数据,根据基于模糊PID的温湿度控制算法,输出合适的空调调节温度,设置特定主题,将包含此信息的指令输出控温模块。
包含空调调节温度信息的指令由控温模块输入至消息中间件,物联网开发板通过订阅此主题接收指令信息,解析指令信息后,将其发送给空调调控模块控制空调。
其中,基于模糊PID的温湿度控制算法如图4所示,具体如下:
D1)根据我国最新空气质量标准,将春季与夏季的人体最舒适温度设置为25℃,将秋季与冬季的人体最舒适温度设置为22℃。得到公式如下:
e=target-actual
de=e-e_pre1
式中,target代表当前日期设定的人体最舒适温度,actual代表数据库中读取的当前最新室内温度数据,e代表当前误差,e_pre1代表上一次计算产生的误差值,用于计算误差变化率de。
D2)设置模糊子集,将e与de的取值范围划分为若干模糊集合,使得变量的取值不再是精确的确定值,而是一个模糊的概念,从而更好地描述具有模糊性质的问题。设置7个语言变量,分别是NB(负大),NM(负中),NS(负小),ZO(零),PS(正小),PM(正中),PB(正大),用来表示不同程度的模糊集合。由此可以得出论域为[-3,3]。
e1=Ke×e
de1=Kde×de
以上步骤将e与de进行区间映射,将它们的范围限制在论域中。式中,Ke与Kde为量化系数,e1是当前误差映射后的值,de1是误差变化率映射后的值。
D3)进行量化后,还要计算e1与de1在模糊子集的隶属度e2与de2,如下所示:
g(x)=max(min((x-a)/(b-a),(c-x)/(c-b)),0)
e2=g(e1)
de2=g(de1)
使用三角隶属函数g(x)来确定隶属度,其中,x是输入变量的值,a、b、c是三角隶属度函数的参数。参数a表示隶属度函数的左边界,b表示隶属度函数的峰值,c表示隶属度函数的右边界,三角隶属度函数的图形呈现出一个三角形的形状,随着输入变量x在左边界a和右边界c之间移动,隶属度逐渐增加,达到峰值b时取得最大值,然后逐渐减小。在左边界a和右边界c之外,隶属度为0。
D4)建立模糊规则库后,分别将e2与de2和模糊规则库中的三张模糊规则表采用重心法计算出量化值,得到每个控制参数的增量ΔKp,ΔKi,ΔKd,并对其进行反映射处理,对量化值进行限幅与累加处理,得到三个参数Kp,Ki,Kd。对这三个参数进行处理即得到离散化的PID控制算法公式。
a0=Kp+Ki+Kd
a1=-2×Kd-Kp
a2=Kd
Δu=a0×e+a1×e_pre1+a2×e_pre2
式中,e_pre2代表上上次的误差值,Δu即为当前理论输出值与上一次输出值之差,代表系统控制误差的积累情况。
D5)在每次执行此方法的最后,都会执行操作,保存前两次采样时刻的误差值,以便下一次采样时计算误差的变化率(即微分项),进而调整控制器的输出。
e_pre2=e_pre1
e_pre1=e
D6)其次,重复按照步骤D2)~D5)进行模拟控制,经过100次的模拟控制后,对这100次的Δu进行量化处理,得到系统控制误差的量化结果,根据现实温度与人体舒适温度之差越大,系统控制误差总和越大的规律,对其进行量化映射。根据不同季节,设置不同的人体舒适温度。根据不同的室内实际温度与人体舒适温度,输出空调应该调节的温度。
D7)最后,结合湿度,对输出的温度进行进一步调整。本模块设置当检测到湿度超过阈值时,在原有输出温度基础上再适当降低温度。当湿度低于阈值时,在原有输出温度基础上再适当升高温度,最终得到输出温度并将输出温度输出控温模块。
其中,控湿模块具体为:
首先,从数据库得到最新的室内实时湿度数据。
最后,根据当前日期判断所处季节,根据我国最新空气质量标准设置不同季节不同的目标湿度阈值。若湿度数据在合理范围内,即当前湿度低于或等于阈值,则不进行处理。若湿度数据超出阈值,即下发更改空调模式指令,并将指令设置特定主题后输出控温模块。
更改空调模式指令由控湿模块输出后,输入至消息中间件,物联网开发板根据主题读取指令,通过空调控制模块下发指令,控制空调进行抽湿模式,时间持续十分钟。
4)设计空调控制模块,使用物联网开发板通过消息中间件获取下发的空调调节指令,驱动红外发射模块控制空调。
空调控制模块具体为:将物联网开发板输出的具体控温指令或更改模式指令输入至空调控制模块后,指令通过串口发送给红外发射模块;最后,红外发射模块发射红外编码信号,这些信号被空调的红外接收器识别并解码,从而实现实时控制空调调整温度或模式。
空调控制指令的传输过程具体为:
首先,空调控制模块经过服务器中空调预约模块、控温模块、控湿模块的决策后会输出空调控制指令,服务器设置不同的发布主题,经过MQTT协议,将控温指令发送给消息中间件。
然后,物联网开发板订阅发布主题,从消息中间件中获取空调控制指令,解析数据后得到具体控温指令或更改模式指令并将其发送给空调控制模块。
(二)参数设置
采集时间范围与采集间隔:本实施例设置上下班时间为上午八点半至下午五点半,设置室内温湿度采集模块的工作时间为早上七点半至下午四点半,每十分钟采集一次室内温湿度数据,作为整个系统的数据来源。
预约模块启动时刻:如图2所示,本实施例中,空调预约模块在上班之前提前执行,设置为早上七点启动,将历史上班时间采集的温度数据作为数据集,通过神经网络预测算法进行温度预测,设置空调温度并计算出需提前开启的时间,当时间来临时,服务器下发指令,物联网开发板接收到指令后命令空调控制模块调控空调。
控温模块/控湿模块的工作间隔:如图2所示,本实施例中,基于优化的模糊PID算法的控温模块和控湿模块每隔半小时执行一次,其中控湿模块设置在每次控温模块执行前十分钟执行。
目标温度:根据我国最新空气质量标准,本实施例将春季与夏季的人体最舒适温度设置为25℃,将秋季与冬季的人体最舒适温度设置为22℃。
目标湿度阈值:根据我国最新空气质量标准,本实施例将春季与夏季的目标湿度阈值设置为80%,将秋季与冬季的目标湿度阈值设置为60%。
(三)实施过程
如图1和图3所示,本实施例的实施过程具体为:
1)室内温湿度采集模块在预设的工作时间,即早上七点半至下午四点半,每隔十分钟采集一次室内温湿度数据,数据通过物联网开发板和消息中间件输入服务器中并进行持久化,作为整个系统的数据来源。
2)空调预约模块在上班之前提前执行,设置为早上七点,将历史上班时间采集的温度数据作为数据集,通过神经网络算法进行温度预测,设置空调温度并计算出需提前开启的时间,当时间来临时,服务器下发指令,物联网开发板接收到指令后命令空调控制模块调控空调。
3)控温模块和控湿模块每隔半小时执行一次:
设定工作日工作时间为每天早晨8:30到晚上5:30,每隔半小时执行一次控温模块。首先,服务器从数据库中读取最新的室内温湿度数据,根据基于模糊PID的温湿度控制算法,输出合适的空调调节温度,设置特定主题,将包含此信息的指令发送至消息中间件。物联网开发板通过订阅此主题接收指令信息,解析指令信息后,将其发送给空调调控模块控制空调;
控湿模块设置在每次控温模块执行前十分钟执行,首先,从数据库得到最新的室内湿度数据。其次,根据当前日期判断所处季节,根据我国最新空气质量标准设置不同季节不同的湿度阈值。若湿度数据在合理范围内,则不进行处理。若湿度数据超出阈值,即下发更改空调模式指令。最后,将指令设置特定主题后下发至消息中间件,物联网开发板根据主题读取指令,通过空调控制模块下发指令,控制空调进行抽湿模式,时间持续十分钟。
(四)实施结果
本实施例在实验室中进行了一系列对比实验,证明了本方法的有效性。本实施例的结果如下:
首先,本实施例对实验室进行了无系统影响下的温湿度收集,记录了从上午九点到下午五点半的实验数据。温湿度数据在上午十一点左右达到顶峰,随后震荡下降,温度的变化范围在28.8℃~31.8℃之间,湿度的变化范围在40%RH~54%RH之间。
其次,进行了消融实验,对实验室进行了系统影响(无空调预约模块)下的温湿度收集。对比无系统影响下的温湿度数据可知,实验室内部初始温度相似,但是在系统影响下,室内温度大部分分布于24.5℃~26.2℃之间,湿度变化范围在30%RH~64%RH之间,除去实验室内人员进出干扰,室内温度变化拐点基本呈现每隔半小时出现一次,证明了本系统温度调节的可靠性。
然后,对实验室进行了人工操作下的温湿度收集。在人工操作下的室内温度呈现温度变化范围大、调节不及时等特点,增加了空调的耗电量。温度的变化范围在22.1℃~26.9℃之间,湿度的变化范围在41%RH~61%RH之间。
最后,进行了完整系统下的室内温湿度数据收集。在空调预约模块的作用下,早晨九点的温度出现了明显下降,与无系统干扰下的室内湿度数据对比,系统干扰下的湿度数据出现了周期性变化、整体变化范围增加的现象,导致此现象出现的原因一部分在于系统的温度调节周期,另一部分原因在于空调的冷凝效应和循环处理作用。
Claims (10)
1.一种基于模糊PID的温湿度自适应空调调节系统,其特征在于包括:
室内温湿度采集模块,用于采集室内温湿度数据并将其输出至服务器;
服务器,用于存储室内温湿度数据,以及根据室内温湿度数据向空调控制模块下发空调调节指令;
数据传输模块,用于将室内温湿度数据由室内温湿度采集模块传输至服务器,以及将空调调节指令由服务器传输至空调控制模块;
空调控制模块,用于接收空调调节指令并按照空调调节指令控制空调。
2.根据权利要求1所述的一种基于模糊PID的温湿度自适应空调调节系统,其特征在于:所述的服务器包括以下模块:
数据库,用于存储室内温湿度数据;
空调预约模块,用于设置空调的启动时刻和启动温度;
控温模块,用于实时控制空调调整温度;
控湿模块,用于实时控制空调的抽湿模式。
3.根据权利要求1所述的一种基于模糊PID的温湿度自适应空调调节系统,其特征在于:
所述数据传输模块包括物联网开发板和消息中间件;数据依次经物联网开发板、消息中间件输入服务器,或依次经消息中间件、物联网开发板输出服务器。
4.一种根据权利要求1-3任一所述的温湿度自适应空调调节系统的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述自适应空调调节方法的步骤具体为:
S1)设置参数;
S2)数据采集:所述室内温湿度采集模块以预设采集间隔在预设采集时间范围内连续采集室内温湿度数据,室内温湿度数据经数据传输模块输入并存储至服务器的数据库中;
S3)空调预约:在预设的预约模块启动时刻启动空调预约模块,基于室内历史温湿度数据得到空调的启动时刻及启动温度,在启动时刻再次开启空调预约模块并将启动温度作为空调调节指令输出至空调控制模块,空调控制模块获取指令后实时开启空调并控制空调将温度设置为启动温度;
S4)空调温度参数的实时控制:在采集时间范围内,以预设工作间隔启动控温模块,控温模块基于室内实时温湿度数据得到输出温度后,将输出温度作为空调调节指令输出至空调控制模块,空调控制模块获取指令后控制空调将温度设置为输出温度;
S5)空调湿度参数的实时控制:在采集时间范围内,以预设工作间隔启动控湿模块,控湿模块基于室内实时湿度数据判断是否开启抽湿模式,并将判断结果作为空调调节指令输出至空调控制模块,空调控制模块获取指令后控制空调实时开启/关闭抽湿模式。
5.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述步骤S4)~S5)中,控温模块与控湿模块的预设工作间隔相同,同时将第N次控湿模块启动时刻设置在第N次控温模块的启动时刻与第N+1次控温模块的启动时刻之间。
6.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述步骤3)中的空调预约模块具体为:
3.1)建立神经网络模型;
3.2)进行数据预处理;从数据库中读取预设采集时间范围的起始时刻的历史温度并汇总为历史温度数据表作为数据集,对数据集进行预处理;
3.3)采用步骤3.2)中预处理后的数据集训练神经网络模型;
3.4)采用训练好的神经网络预测模型得到启动温度后,根据预设目标温度与启动温度之间的差值以及空调的制冷/制热效率,得到空调的启动时刻;
3.5)根据步骤3.4)中得到的启动时刻及启动温度设置定时任务:在启动时刻再次启动空调预约模块,将启动温度作为空调调节指令输出空调预约模块。
7.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述S4)中的控温模块采用基于模糊PID的温湿度控制算法对室内实时温湿度数据进行实时处理后,得到输出温度;
所述的基于模糊PID的温湿度控制算法具体为:
DS1)将实时温湿度数据、目标温度、上一次的误差e_pre1以及上上次的误差e_pre2输入到控制算法中,按照如下公式处理实时温度数据和目标温度后,得到当前误差e和当前的误差变化率de:
e=target-actual
de=e-e_pre1
式中,target为预设目标温度,actual为室内实时温度,e为当前误差,e_pre1为上一次的误差值;
DS2)将步骤DS1)中得到的当前误差e和误差变化率de的取值范围分别划分为若干模糊集合后,分别进行区间映射,得到当前误差映射值e1、误差变化率映射值de1:
e1=Ke×e
de1=Kde×de
式中,Ke为当前误差的映射系数、Kde为误差变化率的映射系数;
DS3)建立模糊规则库,并分别对当前误差映射值的隶属度e2、误差变化率映射值的隶属度de2和模糊规则库依次经重心法、反映射处理后得到比例系数Kp、积分系数Ki和微分系数Kd,按照如下公式对比例系数Kp、积分系数Ki和微分系数Kd以及当前误差e、上一次的误差e_pre1、上上次的误差e_pre2进行处理后,得到系统控制误差的积累值Δu:
Δu=a0×e+a1×e_pre1+a2×e_pre2
a0=Kp+Ki+Kd
a1=-2×Kd-Kp
a2=Kd
式中,e为当前误差,e_pre1为上一次的误差,e_pre2为上上次的误差值,a0为第一系数、a1为第二系数、a2为第三系数,Kp为比例系数、Ki为积分系数、Kd为微分系数;
其中,当前误差映射值的隶属度e2和误差变化率映射值的隶属度de2是采用隶属函数分别对当前误差映射值e1、误差变化率映射值de1进行处理后得到的;
DS4)重复进行上述步骤DS2)~DS3)后得到由若干个系统控制误差的积累值组成的集合,对集合进行量化处理后得到系统控制误差的量化结果,对量化结果进行量化映射后,根据量化映射的结果得到理论输出温度;
DS5)判断实时湿度是否在目标湿度阈值内,并基于判断结果结合理论输出温度对输出温度进行进一步调整,具体为:
当实时湿度超过目标湿度阈值时,在理论输出温度基础上再降低预设温度差值,得到输出温度;
当实时湿度低于目标湿度阈值时,在理论输出温度基础上再升高预设温度差值,得到输出温度;
DS6)不断重复上述步骤进行实时处理和控制。
8.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述步骤S5)中,控湿模块的工作过程具体为:
S5.1)从数据库中读取室内实时湿度数据;
S5.2)判断实时湿度与目标湿度阈值的关系,并基于判断结果输出空调调节指令,具体为:
当实时湿度低于目标湿度阈值时,不输出空调调节指令;
当实时湿度超过目标湿度阈值时,将开启抽湿模式作为空调调节指令输出控湿模块,一段时间后,将关闭抽湿模式作为空调调节指令输出控湿模块。
9.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述步骤S3)~S5)中,所述的空调控制模块包括红外发射模块;将空调调节指令经数据传输模块输入至空调控制模块后,所述的红外发射模块向空调的红外接收器发射红外编码信号以实时控制空调调整温度或模式。
10.一种根据权利要求4所述的基于模糊PID的温湿度自适应空调调节方法,其特征在于:
所述步骤S2)中,所述的数据传输模块的工作过程具体为:
首先,将室内温湿度采集模块采集的数据以数字信号的方式传输至物联网开发板中;
其次,物联网开发板接收并解析温湿度数据后,通过物联网开发板中嵌入的WiFi模块将温湿度数据依次封装、指定主题后发送至消息中间件中;
最后,服务器通过订阅主题,接收消息中间件中的消息,处理后将数据存储至数据库中;
所述步骤S3)~S5)中,所述的数据传输模块的工作过程具体为:
所述服务器中的空调预约模块/控温模块/控湿模块按照预设的主题将空调调节指令经消息中间件输入物联网开发板中,物联网开发板解析数据后将具体控温指令或更改模式指令发送给空调控制模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556500.9A CN117450642A (zh) | 2023-11-21 | 2023-11-21 | 一种基于模糊pid的温湿度自适应空调调节系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311556500.9A CN117450642A (zh) | 2023-11-21 | 2023-11-21 | 一种基于模糊pid的温湿度自适应空调调节系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117450642A true CN117450642A (zh) | 2024-01-26 |
Family
ID=89596720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311556500.9A Pending CN117450642A (zh) | 2023-11-21 | 2023-11-21 | 一种基于模糊pid的温湿度自适应空调调节系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117450642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068687A (zh) * | 2024-04-22 | 2024-05-24 | 山东欧菲特能源科技有限公司 | 一种基于改进pid的制冷机变频器控制优化方法 |
-
2023
- 2023-11-21 CN CN202311556500.9A patent/CN117450642A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118068687A (zh) * | 2024-04-22 | 2024-05-24 | 山东欧菲特能源科技有限公司 | 一种基于改进pid的制冷机变频器控制优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111795484B (zh) | 一种智慧空调控制方法和系统 | |
CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
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 | |
CN110749053B (zh) | 空调器的控制方法及装置 | |
Jin et al. | A data-driven model predictive control for lighting system based on historical occupancy in an office building: Methodology development | |
CN111623497A (zh) | 一种辐射空调预冷预热方法、系统、存储介质及辐射空调 | |
CN110726218B (zh) | 空调器及其控制方法、装置、存储介质和处理器 | |
CN111103220B (zh) | 一种对大气污染物浓度的预测调控方法及系统 | |
CN1482409A (zh) | 中央空调节能模糊控制方法及模糊控制器 | |
Hagras et al. | An intelligent agent based approach for energy management in commercial buildings | |
CN107247407B (zh) | 一种基于云架构的大数据自我学习修正控制系统及方法 | |
CN114322208B (zh) | 基于深度强化学习的智能园区空调负荷调控方法和系统 | |
CN111998505B (zh) | 基于RSM-Kriging-GA算法的泛园区空调系统能耗优化方法及系统 | |
CN112032972A (zh) | 基于云计算的物联网中央空调自寻优控制系统及方法 | |
CN110836515A (zh) | 一种家居设备控制方法、装置、控制设备及可读存储介质 | |
CN112308209A (zh) | 基于深度学习的个性化空调智能学习方法 | |
CN115220351A (zh) | 一种基于云边端的建筑空调系统智能节能优化控制方法 | |
CN114580254A (zh) | 一种基于模型预测控制的建筑室内温度调控方法和系统 | |
CN115686095A (zh) | 一种智能楼宇节能综合控制方法和装置 | |
CN116358114A (zh) | 一种基于深度强化学习的空调温度控制方法 | |
CN114838488A (zh) | 用于智能家电联动控制的方法及装置、空调、存储介质 | |
CN116485044B (zh) | 一种电网交互型高效商业建筑智能运行优化方法 | |
CN112648717A (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 | |
CN114992704B (zh) | 一种智慧供热用人机交互系统及方法 | |
Le et al. | Fuzzy PID-Based Temperature and Humidity Adaptive Air Conditioning Regulation System |
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 |