基于神经网络PID中央空调温度控制解析.docVIP

摘要 随着现代生活不断向智能化迈进，人们对中央空调的性能提出了更高的要求，如空调的舒 适性、节能性等。本文重点研究如何在中央空调系统中使用智能化的冷水机组控制系统， 从而既能提供舒适的生活工作环境，又能最大限度的节约能源。文中首先分析了中央空调 的工作机理和中央空调的大滞后、大惯性的特性，介绍了适合过程控制的模糊控制理论，并给出了BP神经网络PID控制器的具体设计方法。通过仿真表明BP神经网络PID控制可以较好的实现控制要求。 关键词：中央温度控制； BP神经网络； PID控制器； 仿真研究 1.1 引言 空调是现代化楼宇中不可缺少的一部分，随着我国经济的不断发展和城市化进程的不断推进，中央空调的应用会越来越广泛。但是中央空调的能耗非常大，约占整个建筑的总用电量的 60%~70%。降低空调循环水系统的输配电耗，对于降低中央空调系统全年的运行能耗具有十分重要的现实意义。随着中央空调的发展和对其研究的深入，出现了众多的冷水系统变流量调节方法。其中，变流量变频控制技术得到大力发展，对冷水机组水泵的智能化控制起到了极大的推动作用，使中央空调的冷水机组的高精确度控制成为可能。常见的中央空调系统主要由制冷机组、冷却水循环系统、冷冻水循环系统、风机盘管系统和散热塔组成，采用变频调速技术不仅能基本保持室温恒定，让人感觉舒适，更重要的是其平均节能效果高达30％以上，所以采用变频调速技术自然是最佳选择。中央空调的温度控制是一个非线性、时变、大滞后与多变量耦合的复杂对象，常规PID控制这一类对象的控制效果并不是很理想。针对这种情况，本文在常规PID控制器的基础上结合BP神经网络，通过神经网络对系统性能的学习找到能使系统性能达到最佳的PID控制参数，并将其直接送给常规PID控制器，从而得到基于BP （backpropagation） 1 BP神经网络PID控制器的总体设计 PID控制要取得好的控制效果 ，关键就看比例 、积分和微分三种控制作用的调节，如何调整好这三者的关系成为一个问题，而神经网络具有的任意线性表达能力，通过对系统性能的学习来实现具有最佳组合的PID控制。基于BP（back propagation）神经网 图1基于BP神经网络的PID控制器结构框图 络整定的PID控制器由经典增量式数字PID控制器和BP神经网络两部分组成， 通过BP神经网络的超强的自学习和非线性逼近能力在线调整PID控制器参数[7,8]。 基于BP神经网络的PID控制系统结构如图1所示。 经典增量式PID控制器直接对被控对象进行闭环控制， 在线整定参数Kp、 Ki、 Kd。 经典增量式数字PID的控制算法为： u(k)=u(k-1) +Kp(error (k) -error (k -1)) +Ki(error (k)) +Kd(error(k)-2error(k-1)+error(k-2)) （1） 式中：Kp、Ki、Kd分别为比例、积分、微分系数。BP神经网络用来在系统运行时对PID控制器的参数进行实时调整从而使某种性能指标达到最优化。两者有机结合，大大增加了系统的鲁棒性，实现高性能的控制。 2基于BP神经网络PID控制算法 根据系统的运行状态调节PID控制器的参数， 以期达到某种性能指标的最优化， 使输出层神经元的输出状态对应于PID控制器的三个可调参数Kp、Ki、Kd，通过神经网络的自学习、加权系数调整，使神经网络输出对应于某种最优控制下的PID控制器参数。本文采用的是三层BP网络，其结构选为4-5-3结构，输入层神经元的个数取为4个，分别是输入r、输出y、误差e、和单位l，隐含层神经元取为5个；输出神经元为3个，分别是Kp、 Ki、 Kd [9~12]。三层BP网络结构如图2所示。 图2 BP网络结构图 整体控制算法流程图如图3所示： 图3 控制算法流程图 2.1前向算法 神经网络的输入层为： （2） 神经网络的隐含层的输入输出为： （3） 式中：wij(2)为隐含层的加权系数，上角标(1)、(2)、(3)分别代表输入层、隐含层和输出层。 隐含层神经元的激活函数： 神经网络输出层的输入输出为： （4） 输出层输出节点分别对应三个可调参数Kp、 Ki、 Kd，由于Kp、 Ki、 Kd不能为负值， 所以输出层神经元的激活函数为： 2.2反传算法 选取性能指标函数为： 按照梯度下降法修正网络的权系数， 即按E (k)对加权系数的负梯度方向搜索调整， 并附加一个是搜索快速收