基于神经网络的变风量空调智能控制系统研究

论文摘要

变风量（VAV）空调系统是为满足节能的要求而产生的,但目前在变风量空调控制方面还存在很多问题,这主要是因为变风量空调控制回路多,各回路之间耦合较强,且室外气象参数和空调区域内扰的变化都会对系统运行造成影响。此外,VAV系统空气调节过程及各执行器的运行特性具有非线性也给控制系统设计增加了难度。针对变风量空调这种存在大滞后特性的MIMO非线性系统,本论文综合神经网络、最优控制和预测控制的优点,提出了一种基于神经网络的非线性预测优化控制算法。该算法采用基于Hamilton-Jacobi-Bellman（HJB）及Eular-Lagrange （EL）和预测滚动优化思想训练多层前馈神经网络,然后将其作为优化反馈控制器来求解时变MIMO非线性系统的优化反馈解,可以在计算量和占用存储区容量适中的情况下解决非线性系统的优化控制问题,同时引入多步预测优化性能指标来克服各种不确定性和复杂变化的影响;此外,在控制过程中还利用另一个神经网络对系统时变参数进行预测,以充分发挥预测控制的优势。在进行试验研究前,对上述算法进行了计算机仿真研究,结果表明,所提出的控制方案对于含有大滞后特性的MIMO非线性系统可以取得良好的控制效果。在仿真研究成功的基础上,在北京建工学院建筑智能化实验研究中心楼宇自控实验室进行了实验研究。首先利用研华网络控制器AMAM6500进行了楼宇自控实验室空调区域参数采集工作,包括温度、湿度、太阳辐射强度等,利用多层前向神经网络建立了空调区域温度和相对湿度的预测模型,并研究了改善神经网络预测模型泛化能力的方法。基于已建立的预测模型,将上述控制算法用于变风量空调系统的实际控制研究,综合考虑舒适性指标和能耗指标作为预测优化控制的目标函数,以达到既满足舒适性要求、又节省能耗的目的。研究结果表明:1)由于预测控制的滚动优化和反馈校正始终建立在实际控制过程的基础上,能够有效克服控制系统中模型不精确、非线性、时变等不确定性的影响。因此,在存在干扰的情况下,本论文提出的控制方案能够使被控参数保持稳定,控制性能良好,而且避免了执行机构频繁动作。而同样情况下,PID算法会使被控参数长时间波动,这种波动不仅使控制性能变差,而且会造成执行机构动作频繁,降低其使用寿命。2)由于本论文提出的控制方案综合考虑舒适性指标和能耗指标作为目标函数进行优化预测控制,研究表明,与PID控制方法相比,采用本论文提出的控制方案能够使变风量空调系统节约能耗6%以上。3)所研究的智能控制算法实时性好,且在研华网络控制器上实现时,整个程序占用FLASH存储区空间仅为1.1MB,运行时进程占用内存大小为1.3MB。它既能够降低成本,又可以实现分布式控制,克服了常规神经网络智能控制算法不能保证实时性,以及占用存储区多、无法在网络化控制系统中现场控制层实现的缺点。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 选题背景与研究意义
• 1.2 神经网络控制
• 1.3 最优控制
• 1.4 预测控制
• 1.5 变风量空调系统控制
• 1.6 空调系统除湿
• 1.7 课题来源与论文研究内容
• 1.7.1 课题来源
• 1.7.2 论文主要研究内容及章节安排
• 第二章 神经网络用于空调区域温湿度预测模型辨识
• 2.1 研究对象
• 2.1.1 空调系统的基本结构
• 2.1.2 参数的选择
• 2.2 神经网络泛化问题
• 2.2.1 正则化方法
• 2.2.2 最优停止法
• 2.2.3 正则化方法与最优停止法相结合
• 2.3 基于BP 网络的空调区域预测模型辨识
• 2.3.1 样本数据采集与预处理
• 2.3.2 BP 网络模型设计原则
• 2.3.3 BP 网络参数的确定
• 2.3.4 预测模型的训练结果与分析
• 2.4 本章小结
• 第三章 神经网络非线性预测优化控制
• 3.1 神经网络非线性预测优化控制方法描述
• 3.1.1 神经网络控制器结构
• 3.1.2 神经网络预测控制器训练
• 3.2 控制方案应用研究
• 3.2.1 优化性能指标和控制器设计
• 3.2.2 应用仿真研究
• 3.2.3 实际应用研究
• 3.3 与PID 算法控制结果的比较
• 3.3.1 PID 算法在VAV 空调控制中的应用
• 3.3.2 节能分析
• 3.4 本章小结
• 第四章 基于嵌入式控制器的变风量空调智能控制系统实现
• 4.1 智能控制系统硬件设计
• 4.1.1 任务分析
• 4.1.2 智能控制系统硬件组成
• 4.2 智能控制系统软件设计
• 4.2.1 Windows CE 操作系统和 EVC 开发环境
• 4.2.2 Windows CE 多线程编程和子线程实现
• 4.2.3 数据存储技术应用
• 4.2.4 数据采集程序
• 4.2.5 智能控制程序
• 4.3 本章小结
• 第五章 总结与展望
• 5.1 论文总结
• 5.2 课题展望
• 参考文献
• 附录 A ADAM6500 下程序自动运行的设置方式
• 附录 B 训练好的空调房间温湿度预测模型神经网络权值
• 附录 C ADAM4000 系列模块的 ASCII 码命令
• 研究生阶段发表论文情况
• 致谢