基于神经网络的变风量空调系统温湿度智能控制

VIP免费

3.0 侯斌 2024-11-19 4 4 1.6MB 58 页 15积分

侵权投诉

摘要

近年来，随着工业化、城镇化建设的迅速发展，能源需求逐年增大，能源形

势日趋紧张，节能减排已经提升到国家战略地位。据统计，目前我国建筑总能耗

约占全国社会终端电耗的 27%～29%，其中约 50%～60%消耗于空调制冷与采暖系

统。VAV（Variable Air Volume，变风量）空调系统通过调节送风量来调节室温，

空调系统不会超负荷运行，能极大地降低能耗，但是 VAV 系统存在控制复杂、系

统稳定性差、节能效果不明显等问题。因此研究有效的 VAV 空气调节方式对智能

建筑系统节能具有重要意义。

本文对变风量空调系统的舒适性综合考虑了室内温度、湿度，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 Hamilton-Jacobi-Bellman

（HJB）及 Eular-Lagrange（EL）和预测滚动优化思想，训练基于 BP 神经网络的

控制器，求取 VAV 系统的最优控制解，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。

变风量空调系统送风量控制采用的是总风量控制法，针对空调系统多区域运

行时的耦合性关系，结合神经网络与预测控制的优势，提出了误差反向传播算法

的神经网络分散解耦算法和神经网络串级预测解耦控制算法。神经网络分散解耦

控制方法，对末端送风量-空调区域温度进行解耦，然后采用基于 BP 神经网络的

PID 控制方法对解耦后的 2个近似独立的单输入单输出系统进行控制；串级预测控

制，将两个神经网络预测控制器分别作为串级结构中的内环和外环控制器，外环

控制器用于计算输入空调区域的设定风量，内环用于保证风量输出。内环和外环

均采用基于反馈控制与欧拉-拉格朗日优化控制算法相结合的控制方法。

最后，通过 Matlab 的仿真研究表明，对于单区域 VAV 末端温湿度的控制，

采用的预测控制方法，温湿度控制状态平稳，基本无超调，受扰动影响小；神经

网络分散解耦算法和串级预测解耦控制算法具有很强的自学习功能和自适应解耦

能力，控制系统响应快，稳态误差小，有效提高变风量空调系统的控制精度及性

能指标。

关键词：变风量空调系统神经网络预测控制分散解耦串

级预测控制

ABSTRACT

In recent years, with the rapid development of industrialization and urbanization,

the energy demand increases year by year, the energy situation is becoming increasingly

tense, energy conservation has been elevated to the status of a national strategy.

According to statistics, now China's total energy consumption of the building cost the

national social terminal power consumption accounts for about 27% to 29%, and the air

conditioning systems consumpted about 50% to 60%. VAV air-conditioning system by

adjusting the air supply to adjust the room temperature, the air conditioning system is

not overloaded, so it can greatly reduce energy consumption.But the VAV system exists

many problems,such as a complex control, system stability poor and energy-saving

effect is not obvious.

In this paper, considering the indoor temperature and humidity as the VAV

systems’s comfort,proposed a nonlinear predictive control optimization algorithm based

on neural network.The algorithm based on Hamilton-Jacobi-Bellman

(HJB),Eular-Lagrange (EL) and predicted rolling optimization, training FNN as a

feedback controller optimized to solve optimization VAV system feedback solution,

while introduce the multi-step prediction performance optimization to overcome the

impact of various uncertainties and complex changes.

The volume control of VAV air-conditioning system used a total air volume control

method.For the coupling relationship of multi-zone,we proposed a error

back-propagation algorithm neural network distributed decoupling method and cascade

predictive decoupling control algorithm.Dispersed decoupling algorithm, which was

used to decouple the air volume and room temperature control system into two

approximately independent single input-single output control systems. Then using the

PID control method based on BP neural network control the system. Cascade predictive

decoupling control algorithm, used two neural network predictive controller, one as a

outer controller, the other one as a iner controller. Outer loop controller is used to

calculate the setting air volume input rooms, the inner loop controller is used to secure

the air volume output.Inner and outer controllers all based on feedback control and

Eular-Lagrange control algorithm.

Finally, the simulation study showed that, in a single zone used the predictive

control method, the state of temperature and humidity changed smoothly, almost have

III

no overshoot, and little affected by the disturbance.Dispersed decoupling algorithm and

cascade predictive decoupling control algorithm all have ability of strong self-learning

and adaptive decoupling control.The system have fast responsible, small steady-state

error.It effectively improved control accuracy and performance of VAV systems.

Key words: VAV air-conditioning system, neural

network,predictive control, dispersed decoupling, cascade predictive

control

中文摘要

ABSTRACT

第一章绪论………………………………………………...…………………………..1

1.1 课题的研究背景及意义………………………………………………………...1

1.2 课题的国内外研究现状…………………………………………......................2

1.3 神经网络控制…………………………………………………………...............3

1.4 预测控制……………………………………………………………...................6

1.5 本文研究的主要内容及要解决的问题………………………………………...7

第二章 VAV 空调系统的理论概述………...…………………………………………..9

2.1 VAV 控制系统的基本原理………………………………………...…….……...9

2.2 VAV 控制系统的组成……………………………………………....…………...9

2.3 变风量空调系统的末端控制……………………………………………….....10

2.3.1 压力相关型末端控制…………………………………………………..11

2.3.2 压力无关型末端控制………..…………………………….……….....11

2.4 VAV 空调系统的处理机组控制方法…………………………...………….....12

2.4.1 定静压控制法……………………………………………….……….....12

2.4.2 变静压控制法………………………………………………………..….13

2.4.3 总风量控制法…………………………………………………..….…....13

2.4.4 比较分析……………………………………………………………..….14

2.5 变风量空调系统的特点…………………………………………..…………...14

2.6 变风量空调系统的应用……………………………………………..……..….15

2.7 本章小结…………………………………………………………………….....15

第三章神经网络用于 VAV 空调系统预测模型辨识………………….…………….17

3.1 网络选择…………………………………………………………………..…..17

3.2 预测模型参数选择…………………………………………………...………..17

3.3 神经网络预测模型结构………………………………………………...……..18

3.4 样本数据采集与预处理…………………………………………………...…..18

3.4.1 样本采样策略………………………………………………........……..19

3.4.2 数据预处理………………………………………………...…….……..19

3.5 预测模型的训练与结果分析………………………………………..…..19

3.5.1 神经网络泛化问题……………………………………………………..19

3.5.2 模型训练算法及参数选择……………………...……………………..20

3.5.3 末端区域温湿度模型预测结果与分析..………………………..……..22

3.6 本章小结………………………………………………………………..……24

第四章 VAV 空调系统神经网络预测优化控制研究……………….………………25

4.1 神经网络非线性预测优化控制方法描述…………………………..…..…..25

4.1.1 多步递推数学模型……………………………………………………...25

4.1.2 神经网络控制器结构……………………………………..…………….26

4.1.3 神经网络控制器在线寻优…………..…………………………...…….27

4.2 VAV 空调末端区域温湿度控制应用研究…………………………..……....29

4.2.1 优化性能指标…………………………………………………………...30

4.2.2 实验结果分析…………………………………………………………...31

4.3 本章小结……………………………………….…………………………..…32

第五章基于神经网络的多区域解耦控制研究…………….………………………33

5.1 常用解耦方法介绍……………………………………….……….…………..33

5.2 神经网络分散解耦制……………………………………………...…………..36

5.2.1 变风量空调系统多区域工作的耦合性分析…………...………….…..36

5.2.2 神经网络分散解耦算法………………………………………………..37

5.3 神经网络串级预测解耦控制……………………………………….…….…..42

5.3.1 优化性能指标……………………………………………...…………..43

5.3.2 串级预测控制器设计…………………………………………………..43

5.3.3 串级预测控制器在线寻优……………...………………….…………..44

5.3.4 仿真研究………………………………………………………………..47

5.4 本章小结……………………………………………………...………………48

第6章论文总结与展望………………………………………………………………49

6.1 课题总结…………………………………………..……………………….…..49

6.2 后续研究工作的展望………………………………..…………………….…..49

参考文献……………………………………………………………………………….50

攻读学位期间发表的学术论文……………………………………………………….54

致谢…………………………………………………………………………………….55

第一章绪论

1.1 课题背景与研究意义

空调系统的目的是创造一个合适的室内环境，使在该环境中的人感到舒服，

或者是保证室内环境满足生产工艺过程或者科学研究实验过程的需要。近年来，

随着社会的发展和人民生活水平的提高，人们对居住环境的舒适性也愈来愈关注，

所以空调也进驻到千家万户中，但是也由此消耗了大量的能源。全球变暖(global

warming)以及气候变化(climate change)是由人类能源消耗产生的

等温室气体引

起的，温室气体对太阳光具有高度透视性，而对地球上的辐射有很强吸收性，因

此造成温度上升，全球变暖会使冰川融化、海平面上升等，破坏生态平衡，威胁

人类生存。据科学计算，每使用 1度电，相当于向地球排放约 0.7kg 的

[1]。城

市中的建筑能耗约占总能耗的 1/3 以上，而空调能耗是建筑能耗中的主要组成部分，

空调系统作为能源消耗大户，在商业建筑中，其能耗在整个建筑总能耗中的比例

高达 50%[2]。因此，提高空调系统资源的有效利用率，节省能耗，对全社会的节能

工作尤为重要。目前建筑中使用的空调系统，绝大多数是定风量系统，定风量系

统的最大负荷运行以及风机的频繁启停，都会造成能源的极大损耗。因此使空调

系统在满足人体舒适性的同时，降低运行能耗，不仅能够降低经济成本，还能节

约地球上日益减少的能源。

随着社会经济不断发展，能源消耗的速度加快，全球变暖所带来的负面影响

日益严重，节能的变流量空调系统得到越来越广泛的关注及应用。变流量空调系

统通过改变水泵的频率决定送风的温度，通过改变风机的频率改变输入房间的冷

量或热量。在部分负荷时，此类空调系统降低冷量或热量的输送量以适应负荷变

化，从而大大降低输送设备的能耗。变风量空调系统就是其中一种变流量空调系

统。当建筑内同一个空调系统中，各区的冷、热负荷差异较大时，利用变风量空

调系统可实时地对能量进行重新分配。小型办公建筑中，变风量空调系统的能耗

比传统定风量空调系统减少 17.0%~21.1% ，比风机盘管系统的能耗节约

5.5%~9.8%[3]。

虽然变风量空调系统能极大地降低空调能耗，但是变风量系统的控制技术复

杂、运行不稳定影响了它的使用推广，定风量系统在控制和运行方面的优势使得

它仍是市场的主流产品。因此，深入研究智能控制技术在变风量空调系统的应用，

设计性能稳定且适应工程需要的空调系统有着重要的现实意义[4-5]。

中央空调系统是一个大时滞、非线性系统，传统的控制方法需要依靠精确的

数学模型，而空调系统影响因子很多，各因子之间相互影响，难以求出一个通用

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

I基于神经网络的变风量空调系统温湿度智能控制摘要近年来，随着工业化、城镇化建设的迅速发展，能源需求逐年增大，能源形势日趋紧张，节能减排已经提升到国家战略地位。据统计，目前我国建筑总能耗约占全国社会终端电耗的27%～29%，其中约50%～60%消耗于空调制冷与采暖系统。VAV（VariableAirVolume，变风量）空调系统通过调节送风量来调节室温，空调系统不会超负荷运行，能极大地降低能耗，但是VAV系统存在控制复杂、系统稳定性差、节能效果不明显等问题。因此研究有效的VAV空气调节方式对智能建筑系统节能具有重要意义。本文对变风量空调系统的舒适性综合考虑了室内温度、湿度，提出了一种基于神经网络...

展开>> 收起<<

基于神经网络的变风量空调系统温湿度智能控制.pdf

共58页,预览6页

还剩页未读，继续阅读

基于神经网络的变风量空调系统温湿度智能控制

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: