空调系统的神经网络pid变频控制研究-广东工业大学程良伦教授.doc

空调系统的神经网络PID变频控制研究 摘要：本文的针对具有大惯性和纯滞后特性的空调系统的变频控制，提出了一种神经网络PID控制器，并进行了仿真。PID控制器的训练过程中，系统的输出是根据神经网络的权值变化而调整的，但网络权值较能获得，因此，根据适合神经网络配置的非线性学习算法来预测系统的输出。通过仿真和优化发现，神经网络PID控制器有很好的自适应和自学习能力。但有时候，神经网络PID控制系统有时会存在静态误差。为了消除这个静态误差，本文应用了一种将神经网络PID与传统PID混合的控制方法来控制空调系统的频率。混合控制算法的仿真是通过比较不同模型参数的系统性能，结果表明这种混合算法同时具有神经网络和PID的优点，如自学习、自适应性、快速响应及性能优越等。 关键字：神经网络、PID控制、预测、变频、空调系统。 1. 引言 在空调系统中应用智能控制目前已成为一个研究热点，因为它不仅能满足人们对空调的需求，同时还能实现节能。传统的PID控制器有时无法满足具有大惯性、滞后、非线性及不确定干扰等特性的对象的控制要求。为了克服这个弱点，有人开始尝试智能控制并将其应用到空调系统的变频控制中。 在传热、通风的空调系统（HVAC）中，改善PID控制器的一种方法是优化PID参数。在参数优化方面有许多的研究，如文献[1]到[3]中的优化方法就不同。在[1]中，提出一种基于遗传算法的PID自调整控制的自适应学习算法，并且将其应用到优化HVAC系统的性能。将PID控制器的自适应神经元应用到HVAC系统的单一带中，仿真结果显示了神经PID器的输出在一开始就进入了稳定带，而且对白躁声的抗干扰能力比[2]中要更强。X.Qi针对空调系统的空气变量设计了一种模糊PID控制器[3]。仿真结果可以看出在参数改变时，模糊PID控制器仍具有响应快速、超调量小、精确度高、强急鲁棒性及线性自调整能力的特性。 在文献[4]和[8]中主要是应用模糊控制算法来研究频率的变化。在[4]中，比较了模糊控制和传统PI控制在空调逆变器系统控制中的性能参数如ITEA和控制精度。在[5]中，提出了一种基于遗传算法的模糊控制的优化算法。在[7]中，介绍了一种空调逆变系统的模糊自适应控制器，这种控制器在控制对象参数波动很大时仍具有很强的自适应能力。在[8]中，作者介绍了一种结合CMAC神经网络和模糊逻辑控制器，并且对空调逆变器进行了仿真。 另外神经网络在HVAC领域中的应用研究不仅包括控制，还有能量管理、预测、误差较正、辨识和优化等方面[9]。许多学者在空调变频系统方面的进行了大量研究。在文献[10]中，应用了一种BP神经网络算法来优化空调系统中的频率。文献[11]提出了一种神经PID控制算法模型来模拟空调系统的变频器，这种算法比传统PID控制具有更好的鲁棒性。文献[12]对三种控制器进行了仿真，即PID控制器、模糊控制器、神经网络控制器。 本文的目的是针对空调系统的变频控制介绍了一种神经PID控制器。通过仿真和优化发现，这种神经网络PID控制具有很好的自学习和自适应能力。然而，这种神经PID控制器有时会存在静态误差。为了消除这种误差，提出了一种混合神经PID和传统PID的控制器，这种控制器同时具有两者的优势。 2. 神经PID控制器 A 神经PID控制系统的配置 神经PID控制器是结合了传统PID控制和神经网络，这种控制器能同时具有PID和神经网络的优点。神经PID控制系统的结构如图1所示，它包括了神经PID控制器和非线性模型预测。 图1中，r是输入设定值，G（S）为控制对象，y是实际输出，u是控制变量，是y的预测值，NN代表了一个神经网络，NNM表示了神经网络预测模型，用于预测，F为学习算法。 图1中NN是基于系统状态的，并能通过调整PID控制器的参数来得到性能参数的优化值。NN是由学习算法来调整的，有可能会用输出的预测或其它变量值来计算控制值或调整神经网络的权值[13]~[14]。但是，应用一般方法来获得系统的输出预测值并通过输出预测值来获得系统的模型是非常困难的，因此，通过将预测值代替实际输出值来计算控制值或调整神经网络的权值是可行的。图1中NNM是控制对象的预测模型，用于预测输出。 B 神经PID控制器 神经PID控制系统为图1所示，令误差为，其中r(k)为期望值，y(k)为对象的实际输出。在离散控制系统中，PID算法由下式给出： 其中Kp、Kf、KD分别为用于调整和优化的PID控制器的比例、积分和微分的增益。 方程（1）还可表示如下所示： 其中f为非线性函数，与Kp、Kf、KD相关，目前发现的神经网络的最好的训练和学习算法为BP算法。 图1中的NN模型主要是通过BP算法学习测量到的数据u(k),y(k),r(k)，从而可以适当地调整PID控制的增益。BP网络是一个多层网络