基于神经网络PID中央空调温度控制

1、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

2、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

3、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） 神经网络整定的PID控制器。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（

4、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

5、：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

6、5个；输出神经元为3个，分别是Kp、 Ki、 Kd 912。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 (

7、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敛的全局极小的惯性项： （5）式中： 为学习效率； 为惯性系数。 （6）未知，在此近似用符号函数取代，由此带来的计算不精确 的影响可以通过调整学习速率来补偿。由式1和式4可以求得： （7）由上述分析可得网络输出层的学习算法为： （8） 同理可得隐含层加权系数的学习算法： （9）式8和式9中：g'(x)=g(x)(1-g(x)；f'(x)=(1-f2(x)/2。该控制器控制算法归纳如下：1) 确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值wij(1)(0)和wij (2)(0)，选定学

8、习速率和惯性系数，令k=1；2) 采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)；3) 计算神经网络NN各层神经元的输入 、 输出 ，NN输出层的输出即为PID控制器的三个可调参数 Kp、Ki、Kd；4) 计算PID控制器的输出u(k)；5) 进行神经网络学习 ， 在线调整加权系数和 ，实现PID控制参数的自适应调整；6) 置k=k+1， 返回到步骤2。3仿真研究设被控对象的近似数学模型为：神经网络的结构选择，学习速度=0.28和惯性系数=0.04，加权系数初始取区间-0.5,0.5上的随机数。输入指令信号分为两种：取S=1时为阶跃跟踪，S=

9、2时为正弦跟踪，初始权值取随机值，运行稳定后用稳定权值代替随机值。其跟踪结果和相应的曲线如图3.1图3.8所示。图3.1 二次型性能指标学习单神经元自适应PID位置跟踪图3.2 单神经元PID控制过程中权值变化 图3.3 阶跃响应曲线（S=1） 图3.4 跟踪误差曲线图3.5 参数自适应整定曲线由于可调参数 ， ， ，均取非负的Sigmoid函数，其值在（0,1）之间，使得本算法的应用具有局限性，可以根据需要进行改进21。图3.6 正弦跟踪曲线（S=2）图3.7 跟踪误差曲线图3.8 自适应整定曲线4结束语中央空调温度控制系统为大迟延、大惯性、时变性和非线性的被控对象， 常规PID控制系统难以

10、保证控制品质。 本文将BP神经网络和经典增量式PID控制器相结合， 利用BP网络超强的自学习和非线性逼近特性，设计了BP神经网络PID控制器， 并提出了基于BP神经网络的PID控制算法， 使得PID控制器能够在线调整参数， 从而得到使系统性能最优化的控制参数。 通过常规PID控制器调节曲线与基于BP神经网络整定的PID控制器调节曲线进行比较可得， 神经网络整定的PID控制器控制效果理想， 其动态过程超调量及过渡时间均较常规PID控制小， 具有结构简单、 稳态精度高、过渡时间短、 抗干扰能力强、 鲁棒性好、 自适应能力强等特点， 弥补了常规PID控制在中央空调温度控制中参数整定难以及控制效果不理

11、想的不足， 将此应用于中央空调温度控制， 具有一定的推广应用价值。参考文献1 Fathi Fourati, Mohamed Chtourou.A greenhouse control withfeed -forward and recurrent neural networks SimulationModelling Practice and Theory, 2007, 10161028.2 舒怀林. 基于PID 神经网络的非线性时变系统辨识 J. 自动化学报, 2002, 28(3): 474476.3 王万召, 王增欣. BP神经网络PID控制器在汽温控制中的用J. 自动化仪表, 2006

12、, 27(12): 3133.4 Ho WK, Hong Y, Hansson A, Hjalmarsson H, Deng JW. Relayauto -tuning of PID controllers using iterative feedback tuningJ. Automatica. 2003, 39: 149157.5 Giulio DEmilia, Antonio Marra, Emanuela Natale.Use of neuralnetworks for quick and accurate auto -tuning of PID controllerJ. Robotics and Computer -Integrated Manufacturing, 2007,170179.6 Shen J-C. New tuning method for PID controller J. ISA Trans.2002, 41: 473484.7 刘金琨. 先进PID控制及其MATLAB仿真M. 北京: 电子工业出版社, 2006: 96104.8 李萍, 赵虎, 孟丽霞, 等. 神经网络自学习PID控制器J.仪器仪表学