后验控制与多传感器融合方法及空调节能控制装置

摘要

本发明属于控制领域。后验控制算法解决的核心问题是控制系统受先验知识的限制，在系统运行环境不同或变化时无法主动改变自身参数，自优化适应的问题。本发明选取了空调节能控制为验证对象，使系统在先验知识不足的情况下就可以开始运行，运行中控制器根据具体运行环境自动优化参数，实现控制器推广前参数一次性设计，控制器使用过程中自适应环境达到优化控制，实现节约电能为控制目标。经过主成分统计分析和专家论证的多传感器，通过后验模糊神经网络进行决策，不仅充分利用工程师给出的经验控制数据，还解决了高阶非线性不连续控制问题，解决了市场上存在控制器的输入变量不足导致的节能控制效果不佳、系统运行不稳定的问题。

主权项

1.一种后验控制与多传感器融合方法，其特征在于：包括后验控制参数配置、后验模糊神经网络训练、后验模糊神经网络控制、后验优化、后验仲裁五个核心步骤：1.1 后验模糊神经网络配置和初始化：参数分为两类：配置的参数只需在系统第一次运行前输入一次即可，系统运行后其值不发生改变；初始化的参数是在系统上电运行后，由程序将其赋值，系统运行后其值会被程序改变；配置后验优化间隔T_aecmax：T_aecmax为每运行一次后验优化子程序的时间间隔，T_aecmax要保证控制系统完成一个控制周期，即输入信号采集、计算、控制量的给出、执行并达到系统稳定的时间，T_aecmax通过控制器上的键盘输入，存储到控制器的Flash存储器中；配置优化点数最大值N_aecmax：N_aecmax为后验算法每次最多能优化的点数，N_DB×10％<N_aecmax<N_DB×30％，其中N_DB为总样本点数；N_aecmax通过控制器上的键盘输入，存储到控制器的Flash存储器中；配置优化目标值T_old：T_old为系统运行输出、性能指标或效果函数的目标值，通过控制器上的键盘输入，存储到控制器的Flash存储器中；配置样本容量N_samplemax：样本数据行数的最大值，把输入变量值域均匀划分成m部分，保证输入变量值域被分割后具有足够精度时，m×20％≤N_samplemax≤m×50％，N_samplemax通过控制器上的键盘输入，存储到控制器的Flash存储器中；配置原始经验样本数据DB_init(.)：即工程师预先给出的经验控制样本，DB_init(.)为一矩阵$\left[\begin{array}{c}x\left(\mathrm{1,1}\right),......,x(p,1),y\left(1\right)\\ ·\\ ·\\ ·\\ x(1,n),......,x(p,n),y\left(n\right)\end{array}\right]$，每一行表示一个控制规则；其中变量p表示一共有p个输入变量，x(i，j)其中i＝1，2，…；p而j＝1，2，…；n，表示第i个输入变量在第j条控制规则中的值，y(j)表示输出变量在第j条控制规则中的值，在系统第一次运行前，通过通讯总线由计算机输入，存储到控制器的Flash存储器中，这个参数只需配置一次，也可通过控制器上的键盘输入和修改；配置DB_init(.)后，用户从键盘输入决定是否将DB_init(.)赋值给DB_old(.)所在Flash的空间；初始化上一次经验样本数据DB_old(.)：DB_old(.)用于存放当前运行时的样本数据，系统上电后，程序从Flash中读取；初始化优化样本数据DB_new(.)：DB_new(.)用于存放优化后用于执行的样本数据，系统上电后程序将DB_old(.)赋值给DB_new(.)；初始化临时样本数据DB_temp(.)：DB_temp(.)用于在运行过程中存放优化的样本数据，系统上电后程序将DB_old(.)赋值给DB_temp(.)；初始化效果类别评价参数A_aec：A_aec为上一次优化的效果趋势，系统上电后，程序将其自动清零，即A_aec＝0；初始化效果程度评价参数E_aec：即上一次优化的效果程度，E_aec∈[0％，100％]，系统上电运行时程序自动将其赋值为1，即E_aec＝1；初始化采样点号t_sample：正常运行周期的采样点号，系统上电运行时清零t_sample＝0；配置采样周期T_sample：每次采样间隔的时间，T_sample要保证采样点数足够多，能够计算出系统的性能指标，T_acemax×0.1％≤T_sample≤T_acemax×2％，Tsample通过控制器上的键盘输入，存储到控制器的Flash存储器中；初始化一个优化周期采样点数上限T_samplemax：T_samplemax为采样点号小于采样周期t_sample≤T_sample期间内，采样点数的最大值，取值要保证T_samplemax个采样点的数据能够计算出一个优化周期采样点的性能指标，T_samplemax通过控制器上的键盘输入，存储到控制器的Flash存储器中；1.2 后验模糊神经网络训练：1.2.1 判断训练方式：如果趋势评价参数A_aec＝0，直接执行到步骤1.3后验模糊神经网络控制；如果趋势评价参数A_aec＝±1，读取训练样本DB_temp(.)；1.2.2 训练样本归一化：输入变量归一化，归一化的基本形式如下：v(i)为归一化前的值，V(i)为归一化后的值，在DB_temp(.)中v(i)表示x(i)，y(i)；V(i)表示x(i)，y(i)归一化后为X(i)，Y(i)；$V\left(i\right)=\frac{v\left(i\right)-\frac{\max \left(v\left(i\right)\right)-\min \left(v\left(i\right)\right)}{2}}{\max \left(v\left(i\right)\right)-\min \left(v\left(i\right)\right)}$n组训练样本数据归一化为$\left[\begin{array}{c}X\left(\mathrm{1,1}\right),......,X(p,1),Y\left(1\right)\\ ·\\ ·\\ ·\\ X(1,n),......,X(p,n),Y\left(n\right)\end{array}\right];$1.2.3 训练后验模糊神经网络：将上述归一化的样本X(1，i)，......，X(p，i)，i＝1，2，……，n，作为网络的输入，Y(i)作为网络的输出，对网络进行训练，得到权值矩阵W(.)；1.3 后验模糊神经网络控制：1.3.1 多路传感器模拟信号输入采集：控制器将p支传感器采集的模拟信号，经过硬件电路A/D转换为数字信号(x(1)、x(2)、x(3)、...、x(p))，将输入信号归一化处理为(X(1)、X(2)、X(3)、...、X(p))，即输入向量X；1.3.2 计算输出控制量：根据输入向量X和权值矩阵W(.)，通过模糊神经网络计算公式，计算出输出向量Y的过程)，得到在当前输入X下的输出Y，经过反归一化变换，得到实际控制量y；反归一化的公式为：$v\left(i\right)=v\left(i\right)\times (\max \left(v\left(i\right)\right)-\min \left(v\left(i\right)\right))+\frac{\max \left(v\left(i\right)\right)-\min \left(v\left(i\right)\right)}{2}$1.3.3 输出控制量限幅：$y_{\mathrm{aec}}\left(i\right)=\left\{\begin{array}{cc}{y}_{\min }& y\left(i\right)<y_{\min }\\ y\left(i\right)& y_{\min }\le y\left(i\right)\le y_{\max }\\ y_{\max }& y\left(i\right)>y_{\max }\end{array}\right.,$y_min表示输出值下界，y_max表示输出值上界；1.3.4 最终控制量的执行与保存：控制量y(i)经过通讯协议封装成数据报，通过通讯网络发送给执行器执行；判断当前采样点号t_sample与采样周期T_sample的关系，如果t_sample>T_sample，说明应该采集一次数据，此时将上述第t_sample组向量x(.)、y(.)与当前时刻t_sample一起存入运行结果向量R_sample(.)的t_sample行，即R_sample(x(.)，y(.)，t_sample)；之后将采样点号t_sample自增1，即t_sample＝t_sample+1；并判断t_sample是否超过向量T_samplemax，如果t_sample>T_samplemax表示记录数据已满，则不保存结果；采样结果矩阵为采样结果矩阵，每一行由一个采样时刻的输入向量、输出向量和时刻值组成，即R_sample(x(.)，y(.)，t_sample)，共有T_samplemax行；1.4 后验优化：1.4.1 计算修正强度K_aec：K_aec的物理意义是每次优化的力度，K_aec的计算是基于上一次修正强度的，且输出范围不能过大：K_aec＝A_aec×|K_aec|×(1+E_aec)修正强度K_aec限幅：$K_{\mathrm{aec}}\left(i\right)=\left\{\begin{array}{cc}{K}_{\min }& K_{\mathrm{aec}}<K_{\min }\\ K_{\mathrm{aec}}& K_{\min }\le K_{\mathrm{aec}}\le K_{\max }\\ K_{\max }& K_{\mathrm{aec}}>K_{\max }\end{array}\right.,$K_min表示输出值下界，K_max表示输出值上界1.4.2 计算后验优化结果y_temp(.)：y_temp(.)表示后验优化器产生的新的控制量，DB_old(.)中的y_old(.)表示上一次的控制量，而K_aec则表示修正强度，它根据每次控制效果来决定，优化出新的控制量：y_temp(.)＝y_old(.)×K_aec(K_min≤K_aec≤K_max)1.4.3 保存后验优化结果：如果采样点号大于优化点数最大值t_sample>N_aecmax，直接执行到步骤1.4.4判断是否启动后验仲裁；如果当前临时样本数据DB_temp(.)的样本数小于样本容量N_sample<N_samplemax时，直接将新产生的优化样本[x_temp(.，t_sample)，y_temp(.，t_sample)]存入DB_temp(.)末行；如果当前临时样本数据DB_temp(.)的样本数N_sample≥N_samplemax时，首先找到DB_new(.)中与向量x_temp(.)欧式空间距离最近的点，即min(ρ(x_new(.，i)，x_temp(.，t_sample)))，其中i＝1，2，…，N_samplemax，将这一行的行向量将新产生的优化样本[x_temp(.，i)，y_temp(.，i)]被新产生的优化样本[x_temp(.，t_sample)，y_temp(.，t_sample)]替代；1.4.4 判断是否启动后验仲裁距上次后验优化间隔的时间T_aec≤T_aecmax，即还没有到达一个后验优化周期时，则重复执行步骤1.3～步骤1.4.，继续正常的系统运行；如果距上次后验优化间隔的时间T_aec>T_aecmax，即系统已经运行了一个后验优化周期，则停止后验模糊神经网络控制，进入步骤1.5后验仲裁；1.5 后验仲裁：1.5.1 后验仲裁计算：根据运行结果向量R_sample(.)，计算出当前控制效果特征值或目标值T_new进行比较；如果新的控制效果比旧的控制效果好，就保留新的控制参数代替旧的，并标记控制效果被接受A_aec＝1，如果新的控制效果比旧的控制效果差，就保留新的控制参数代替旧的，并标记控制效果A_aec＝-1；并记录控制效果改善的程度$E_{\mathrm{aec}}=\frac{|T_{\mathrm{new}}-T_{\mathrm{old}}|}{T_{\mathrm{old}}}\times 100\%,$其中T_old表示系统优化以前的性能指标，而T_new表示系统优化之后的性能指标；1.5.2 计算结果的处理：如果新的控制效果比旧的控制效果好，即A_aec＝1，说明后验优化起到了更好的效果，保存模糊神经网络权值W(.，i_aec)＝W(.)、样本DB(.，i_aec)＝DB_old(.)、趋势评价参数A_aed(i_aec)＝A_aec和效果评价参数E_aed(i_aec)＝E_aec，之后更新样本为新的样本，把DB_new赋值给DB_new(.)，即DB_old(.)＝DB_new(.)；如果新的控制效果比旧的控制效果差，即A_aec＝-1，说明后验优化是系统性能指标变差，同样保存模糊神经网络权值W(.，i_aec)＝W(.)、样本DB(.，i_aec)＝DB_old、趋势评价参数A_aed(i_aec)＝A_aec和效果评价参数E_aed(i_aec)＝E_aec，但放弃优化结果DB_new(.)，DB_old(.)不更新；把DB_temp复制给DB_new：即DB_new＝DB_temp，DB_temp用于装载新的优化样本；1.5.3 后验周期结束，变量清零返回：初始化采样点号t_sample清零，即t_sample＝0；返回步骤1.3后验模糊神经网络控制。