人工神经网络在VAV空调系统中的应用

第5页共5页人工神经网络在VAV空调系统中的应用摘要：本文叙述了常用的BP神经网络在空调控制中的优点，在分析了VAV空调系统的优缺点的基础上，提出了人工神经网络控制的策略，并从建立模型、样本训练和控制实现方面阐述了神经网络在VAV空调系统中的应用。展望了神经网络在空调领域的研究和开发走向。关键词：人工神经网络；VAV空调系统；BP网络；控制ApplicationofartificialneuralnetworkinVAVair-conditionssystemAbstract：InthispaperanalysistheexcellenceofBPnetworkinthefieldofcontrol.BaseontheexcellenceanddisadvantageofVAVair-conditionssystem,authoradvancetheusingofANNcontrollinginthatsystemthenfromthewayofmodelbuilding,trainingsandrealizationofcontrollerofVAVair-conditionssystem.ProspectthetendencyofstudyingandexploitationwhichANNappliesintheareaofair-conditions.Keyword:artificialneuralnetwork(ANN);VAVair-conditionssystem;backpropagation(BP)network;control0前言随着人们对室内空气质量要求的提高，空调已经成为人们生活的必需品。由于空气质量是保证人类健康和舒适的关键因素之一，因此，现代建筑内中央空调发挥了举足轻重的作用，目前基本上能够满足人们对空气调节的要求。但对于空气的温度、相对湿度要求十分严格的某些空调房间，还需要研究新的有效的处理控制及方法。利用人工神经网络（ANN）可以避开传统的控制方式中的建模和特征提取，消除模型及特征选择不当带来的不良影响，且人工神经网络具有很强的容错能力，用户无需了解对象的出入输出变量之间的真正关系（传递函数），便能很好的对空调系进行控制。因此，人工神经网络将越来越多的应用于中央空调系统的控制中。1人工神经网络控制方法人工神经网络作为一门前沿学科，在模仿人类智能行为时具有诸多优势。目前，国内外利用人工神经网络来模拟设备性能、预测负荷已经十分常见。1994年，Curtiss利用神经网络模型成功的模拟了一台往复压缩式的冷水机组和其它暖通空调设备的性能。国内也有利用神经网络对蓄冰空调的优化控制、对空调器进行仿真的例子。神经网络有以下很多优点：1、神经网络可以模拟高度非线性系统；2、神经网络具有较强的学习能力、容错能力和联想能力；3、神经网络具有较强的自适应能力，其主要特点是可通过重新训练网络进行设备特性的动态校准功能；4、神经网络模型建模时间短、易于进行计算机模拟。5、神经网络能有效地模拟暖通空调系统的各个设备的非线性特性曲线，从而对整个暖通空调系统进行优化控制。所以，对于暖通空调系统的ANN控制，BP模型是较适合的一种。BP模型是Rumellheart等人提出的一种有监督训练（有导师训练）多层神经网络，是目前应用最广泛的一种神经网络，它简单易用。BP神经网络采用的BP算法是算法的改进推广也称为“误差逆传播算法”，BP神经网络由输入层、隐含层（中间层）和输出层构成，一般来讲，BP网络是一种有三层或者三层以上（多个隐含层）的多层神经元网络，图1是一个三层BP网络模型。图1BP神经网络模型BP模型的学习过程可描述位两部分，第一部分是工作信号正向传播，从输入层开始，传递各层并经过处理后，产生一个输出，并得到一个该实际输出和所需输出之差的差错矢量；第二部分是误差信号反向传播，从输出层至输入层，利用差错矢量对权值进行修改，最终使该网络在样本集上的误差平方和最小或达到要求。输入层和隐含层之间的操作特性为式中：——第j个隐含层神经元的总的输入信号，——使神经元i到神经元j的连接权值，——j神经元的当前输入即i神经元的输出，——隐含层神经元的阈值。每个神经元的激励函数是可微的Singmoid函数，取为神经元的输出信号，则有激励函数的导数为，输出层校正误差为：式中：——理想输出——实际输出——输出层第t个神经元的激活值隐含层的校正误差是由个输出层神经元校正误差传递产生的，即：式中是输出层到隐含层的连接权值。输出层至隐含层和隐含层至输入层的权值校正量分别为：0<<1(学习系数)0<<1(学习系数)三层之间有不同的学习系数。输出层和隐含层的阈值校正量分别为：，范围同上每次训练都要调整连接权值和各层的阈值，最终是理想输出和实际输出之间的误差在允许范围之内，这样的学习算法就称作BP算法。由于VAV空调系统参数非常多，所以BP网络的学习速率也将受到一些影响，通常是凭经验选择BP网络的学习速率。可以先用数学软件Matlab进行模拟仿真选择比较合适的学习速率，这样更能接近实际训练时的学习速率。2VAV空调系统的神经网络控制VAV（变风量）空调系统是利用改变送入室内的送风量来实现对室内温度调节的全空气空调系统，它的送风状态保持不变。由于VAV空调系统具有三个优点：（1）能实现局部区域的灵活控制；（2）利用系统多样性，可使中央系统的初始成本低；（3）系统是自平衡的。所以，在国外智能大厦的空调系统中多采用VAV空调系统，或与CAV空调系统、FCU空调系统相结合的方式。神经网络在空调中的应用不止是控制方面的，还有比如空调负荷预测、系统故障诊断、建筑物能耗分析等方面，作者着重介绍神经网络在VAV空调控制方面的应用。神经网络控制器可以最大限度的克服VAV空调系统的缺点：（1）当房间低负荷，可以改变送风温度，不会造成送风量减小带来的新风供应不足的问题；（2）克服了控制复杂的问题，可以完成包括房间温度、送风量、新风量和排风量的匹配控制，而不会产生系统的不稳定。VAV空调系统的神经网络控制系统的基本原理如图2所示：图2神经网络控制的VAV空调系统原理图训练样本的输入应为系统在N-1时刻的控制器历史参数(再加热器输出，加湿器的输出，送风风机转速，风阀的开度等)和表征系统特性的状态参数(室内温度，室内相对湿度，风机前后的压力差，送风温度，送风风速，回风风速，送风含湿量等)，输出应为系统在N时刻的状态参数来驱动控制器。然后，控制过程开始，控制器执行命令并输出一个希望的控制。控制的目的是用最小的能耗和以最快的速度达到期望的室内温度和湿度等，使系统的静、动特性能够满足性能要求。控制器的目标函数应包括三部分，第一部分是室内空气状态参数，第二部分是VAV系统参数，第三部分是系统总能耗，具体参数的选取要根据用户要求、空调系统和控制方案确定，并且可以调节它们之间的比例因子从而将侧重点放在其中的某项上，其BP网络结构图如图3所示：图3VAV空调系统的BP网络结构图训练的样本的收集可以以一个空调房间为调查对象，监测制冷季节中某一天内不同时间的输入参数和输出参数，和从当地建筑设计院获得的气象参数。值得重视的是人工神经网络的训练是控制是否理想的关键所在，如果训练不足就会导致ANN无法识别对象，可以考虑ANN同PID控制相结合来弥补训练不足的缺点。3神经网络在暖通空调领域中的发展前景空调控制的参数多，控制复杂、建立模型难的特点，以及现在人们对空气质量的提出越来越高要求，和暖通行业“以人为本”的设计理念，流行的PID控制方式已经不再满足空调系统的控制要求了，人工神经网络控制方式越来越广泛的被暖通行业所重视，用神经网络研究空调制冷系统能够“化繁为简”，更能使以人体热舒适为目标的控制器成为可能，是一种简单可靠和人性化的控制方式。随着科学技术水平的进步和微电子制作技术的提高，神经元芯片将会广泛的应用于各个领域的控制，人工神经网络的硬件实现和计算机支持技术也是值得研究课题。参考文献：1、王旭，王宏，王文辉.人工神经元网络原理与应用.东北大学出版社，沈阳20002、陆亚俊，马最良，邹平华.暖通空调.中国建筑工业出版社，北京20023、戴葵.神经网络实现技术.国防科技大