发明名称 一种空调的冷冻水回水温度的预测控制方法
摘要 一种空调的冷冻水回水温度的预测控制方法,包括如下步骤:(1)记录当前冷冻水的温度和冷水水泵的频率,设定冷冻水的目标温度为12℃;(2)建立预测模型,采用两层的BP神经网络模型,(3)神经网络预测模型的学;(4)反馈校正;(5)参考曲线选取;(6)优化计算:采用最小二乘法,设<img file="DDA00003340374200011.GIF" wi="1050" he="144" />通过<img file="DDA00003340374200012.GIF" wi="205" he="124" />可求得最优控制增量Δu(k+j-1),从而得到下一步预测输入值u(k+j-1),以此作为冷水水泵的下一步频率。本发明提出一种动态性能良好、节能效果明显的空调的冷冻水回水温度的预测控制方法。
申请公布号 CN103322645A 申请公布日期 2013.09.25
申请号 CN201310236504.9 申请日期 2013.06.13
申请人 浙江工业大学 发明人 董辉;李晓宇;高阳;邢科新;仲晓帆;罗立锋;吴祥;蒋文成
分类号 F24F11/00(2006.01)I 主分类号 F24F11/00(2006.01)I
代理机构 杭州斯可睿专利事务所有限公司 33241 代理人 王利强
主权项 1.一种中央空调的冷冻水回水温度的预测控制方法,所述预测控制方法包括如下步骤:(1)记录当前冷冻水的温度和冷冻水水泵的频率,设定冷冻水的目标温度为12℃;(2)建立预测模型,采用两层的BP神经网络模型,设温度预测值有如下表达式:y<sub>m</sub>(k)=f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]y<sub>m</sub>(k+1)=f[u(k),u(k-1),...,u(k+1-m),y<sub>m</sub>(k),y(k-1),..,y(k+1-n)]y<sub>m</sub>(k+p)=f[u(k+p-1),u(k+p-2),...u,(k+p-m),y<sub>m</sub>(k+p-1),...y,<sub>m</sub>(k),y(k-1),..,y(k+p-n)]其中,y<sub>m</sub>(k)为第k次模型温度输出值,u(k-1)为第k-1次冷冻水泵频率值,y(k-1)为第k-1次实际温度值,m、n分别为输入和输出的控制时域长度,p为预测步长;设在以后的j步中,u(k+j)=u(k+j-1)=...=u(k+1)=u(k)则有:x(k+j)=[u(k),u(k),...,u(k-1),...,u(k+j-m),y<sub>m</sub>(k+j-1),...,y<sub>m</sub>(k),y(k-1),..,y(k+j-n)]<sup>T</sup>w=[w<sub>1</sub>,w<sub>2</sub>,...,w<sub>m+n</sub>]<sup>T</sup>则:y<sub>m</sub>(k+j)=g[w*x(k+j)]j=1,2,...,p其中,x(k+j)为第k+j次模型的输入变量,p为预测步长;g(x)取单极性sigmoid函数,<maths num="0001"><![CDATA[<math><mrow><mi>g</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mrow><mn>1</mn><mo>+</mo><msup><mi>e</mi><mi>x</mi></msup></mrow></mfrac><mo>;</mo></mrow></math>]]></maths>(3)神经网络预测模型的学习,过程如下:采集各个控制对象的阶跃响应d<sub>p</sub>(k),k=1,2,…,n,p表示样本个数m中的每一个,然后根据预测模型的对应阶跃响应输出y<sub>p</sub>(k),k=1,2,…,n;采用梯度下降法来修正参数w;<maths num="0002"><![CDATA[<math><mrow><mi>j</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>p</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><mo>[</mo><msub><mi>y</mi><mi>p</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>d</mi><mi>p</mi></msub><msup><mrow><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo></mrow><mn>2</mn></msup><mo>,</mo></mrow></math>]]></maths>j(k)对w求导得:<maths num="0003"><![CDATA[<math><mrow><mi>&Delta;j</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>&ap;</mo><mo>&dtri;</mo><mi>j</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mi>&Delta;w</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>m</mi><mo>+</mo><mi>n</mi></mrow></munderover><mfrac><mrow><mo>&PartialD;</mo><mi>j</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow><msub><mrow><mo>&PartialD;</mo><mi>w</mi></mrow><mi>j</mi></msub></mfrac><msub><mi>&Delta;w</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths>若按下式选择Δw<sub>j</sub>(k),<maths num="0004"><![CDATA[<math><mrow><msub><mi>&Delta;w</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mi>&eta;</mi><mfrac><mrow><mo>&PartialD;</mo><mi>j</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow><msub><mrow><mo>&PartialD;</mo><mi>w</mi></mrow><mi>j</mi></msub></mfrac></mrow></math>]]></maths>其中j=1,2,...,m+n;η>0 (4-1)则Δj(k)≤0,所以只要保证Δw<sub>j</sub>(k)按式(4-1)来调整,则j(k)就会随着这一调整一直减小;当其误差达到设定范围内后便可停止学习,保存好学习好的w参数;(4)反馈校正:设预测模型输出与实际输出之间的误差为:e(k)=y(k)-y<sub>m</sub>(k),修正后的反馈为:y<sub>c</sub>(k+p)=y<sub>m</sub>(k+p)+he(k),其中,h为修正因子;(5)参考曲线选取:参考曲线选为:y<sub>r</sub>(k+i)=α<sup>i</sup>y(k)+(1-α<sup>i</sup>)y<sub>r</sub>,i=1,2,…,p,其中<img file="FDA00003340373900022.GIF" wi="203" he="105" />T为采样周期,t为时间常数,y(k)为现时刻实际输出,y<sub>r</sub>为设定值;(6)优化计算:采用最小二乘法,设<img file="3.GIF" wi="1074" he="170" />其中p为预测步长,M为控制时域,通过<img file="FDA00003340373900024.GIF" wi="216" he="132" />可求得最优控制增量<maths num="0006"><![CDATA[<math><mrow><mi>&Delta;u</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mi>e</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>)</mo></mrow><mo>&bull;</mo><mfrac><mrow><msub><mrow><mo>&PartialD;</mo><mi>y</mi></mrow><mi>m</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mo>&PartialD;</mo><mi>&Delta;u</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></mfrac><mo>,</mo></mrow></math>]]></maths>而<maths num="0007"><![CDATA[<math><mfrac><mrow><msub><mrow><mo>&PartialD;</mo><mi>y</mi></mrow><mi>m</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mo>&PartialD;</mo><mi>&Delta;u</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>j</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></mfrac></math>]]></maths>的计算可根据递归算法简化计算得到,从而得到下一步预测输入值u(k+j-1),以此作为冷水水泵的下一步频率。
地址 310014 浙江省杭州市下城区朝晖六区潮王路18号