专利名称：一种vav变风量空调系统控制方法
技术领域：
本发明涉及一种VAV变风量空调系统控制方法，属于民用建筑VAV变风量空调控制技术领域。
背景技术：
目前VAV变风量空调控制系统主要是基于多个回路的单独设计，且基本上都是用 PID控制方法进行调节，其自控系统需要调试工程师根据自身的经验现场设定PID参数，不具备自学习能力。由于每个自控系统的时间常数有所不同，极易造成自控系统自适应性差， 使温度波动大或产生执行器的“共振”现象。同时，由于VAV变风量空调系统中多个回路之间存在一定的耦合关系，即使单个回路调试和运行都没问题，在所有回路协调工作时，整个系统也不易实现稳定控制，易出现系统的“共振”现象。此外，PID控制方法中比例、积分、微分参数的设定对控制系统的性能有很大的影响，由于变风量空调系统组成复杂、设备众多，各种不同的应用场合对参数的要求也不同， 需要调试工程师根据自身的经验现场给予设定，给工程现场调试带来了很大的困难。同时， 由于存在着夏季、冬季和过渡季三种不同的工况条件，VAV空调系统在实际工程应用中，往往至少需要一年以上才能基本满足客户的控制性能要求。目前有少数变风量系统设计公司采用了模糊PID控制方法，以便能够在控制过程中根据环境变化自动对PID参数进行调整，提高控制系统的自适应能力。但是，由于PID控制方法本质上无法实现最优控制，即无法使某个性能指标达到最优，因此实现不了进一步节省能耗的目的。综上所述，目前VAV变风量空调系统存在着控制性能较差、调试工作量大和节能效果不佳方面的问题，这些问题影响到VAV变风量空调系统的应用。
发明内容
本发明针对现有VAV变风量空调这种存在大滞后特性的多输入多输出非线性系统在控制方面的难点，综合神经网络、最优控制和预测控制的优点，提出了一种智能控制方法。该方法综合 Hamilton-Jacobi-Bellman (HJB)及 Eular-Lagrange (EL)优化算法，利用预测滚动优化思想训练多层前馈神经网络，然后将其作为优化反馈控制器来求解时变多输入多输出非线性系统的优化反馈解，可以在计算量和占用存储区容量适中的情况下解决非线性系统的优化控制问题，同时利用多步预测滚动优化来克服各种不确定性和复杂变化的影响。一种VAV变风量空调系统控制方法，包括以下几个步骤第一步利用BP神经网络建立空调区域温度神经网络预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型1)确定空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型结构空调区域温度预测模型的输入信号为室外太阳辐射强度、室外温度、C02浓度、室内温度、风量和末端风阀开度，输出为下一时刻室内温度；末端风阀预测模型的输入信号为末端风阀开度和管道静压(空调机组主风道处)，输出为下一时刻末端风量；主风道管道静压预测模型的输入信号为风机转速、管道静压、回风C02浓度、室外温度和太阳辐射强度，输出为下一时刻管道静压；主风道风量预测模型的输入信号为风机转速和管道静压，输出为下一时刻主风道风量；送风温度预测模型的输入信号为送风温度和水阀开度，输出为下一时刻送风温度；新风风阀预测模型的输入信号为新风风阀开度和管道静压(新风管道处)，输出为下一时刻新风量；空气质量预测模型的输入信号为新风风阀开度和C02浓度，输出为下一时刻C02 浓度；2)采集样本数据；3)将样本数据按公式⑴、⑵进行归一化
权利要求
1. 一种VAV变风量空调系统控制方法，其特征在于，包括以下几个步骤 第一步利用BP神经网络建立空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型1)确定空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型结构空调区域温度预测模型的输入信号为室外太阳辐射强度、室外温度、C02浓度、室内温度、风量和末端阀门开度，输出为下一时刻室内温度；末端风阀预测模型的输入信号为末端风阀开度和空调机组主风道管道静压，输出为下一时刻末端风量；主风道管道静压预测模型的输入信号为VAV空调机组风机转速、管道静压、回风C02浓度、室外温度和太阳辐射强度，输出为下一时刻管道静压；主风道风量预测模型的输入信号为风机转速和管道静压，输出为下一时刻主风道风量；送风温度预测模型的输入信号为送风温度和水阀开度，输出为下一时刻送风温度； 新风风阀预测模型的输入信号为新风风阀开度和新风管道管道静压，输出为下一时刻新风量；空气质量预测模型的输入信号为新风风阀开度和C02浓度，输出为下一时刻C02浓度；2)采集样本数据；3)将样本数据按公式(1)、(2)进行归一化
2.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第一步的 2)采集样本数据具体为采样时间范围为上午8点到下午6点，采样时间间隔150秒，每个预测模型采集约2000 组数据；建立预测模型时取时间间隔为5分钟；空调区域温度预测模型风机控制量信号均按OV到IOV间隔IV分成十个等级，同时， 末端风阀开度也按OV到IOV间隔IV分成十个等级，采集室外太阳辐射强度、室外温度、C02 浓度、室内温度和风量；末端风阀预测模型风机控制量信号均按OV到IOV间隔IV分成十个等级，同时，末端风阀开度也按OV到IOV间隔IV分成十个等级，采集空调机组主风道管道静压和风量；主风道管道静压预测模型在各末端调试完成后，风机控制量信号均按OV到IOV间隔 IV分成十个等级，采集VAV空调机组风机转速、管道静压、回风C02浓度、室外温度、太阳辐射强度；主风道风量预测模型风机控制量信号均按OV到IOV间隔IV分成十个等级，采集风机转速、管道静压、主风道风量；送风温度预测模型将水阀开度按OV到IOV间隔IV分成十个等级，采集送风温度和水阀开度；新风风阀预测模型风机控制量信号均按OV到IOV间隔IV分成十个等级，同时，新风风阀开度也按OV到IOV间隔IV分成十个等级，采集新风管道管道静压和风量；空气质量预测模型风机控制量信号均按OV到IOV间隔IV分成十个等级，同样的，新风风阀开度也按OV到IOV间隔IV分成十个等级，采集C02浓度。
3.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第一步的4)按照表1对神经网络进行离线训练 表1神经网络训练参数表
4.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第二步的 4)具体为初始化末端内环和外环神经网络控制器的各个连接权值，赋值为[_1，1]范围内较小的随机数，然后计算控制器输出；预测时域Mi和Μ。分别为3和6，预测周期取5分钟；寻优过程为设x[k]为k时刻外环被控对象(即空调区域)的相关状态变量参数，即室内温度；对& + 1]为k+Ι时刻预测模型输出，即k+Ι时刻的室内预测温度乂是温度设定值； S[k]为k时刻风量设定值；Y[k]为k时刻内环相关状态变量参数，即风量；C[k]为末端内环神经网络预测控制器计算出的k时刻末端风阀阀门开度；u[k]是末端内环神经网络预测控制器寻优结束后k时刻的控制输出，即寻优得到的末端风阀阀门开度；夕[々+ 1]为阀门末端风阀预测模型输出的k+Ι时刻预测风量。将Χ[、]、Χ*和-1作用于末端外环神经网络预测控制器，得到设定量S [tj，将S [tj、Y[tj和-1作用于末端内环神经网络预测控制器，得到C[tJ。然后将Ctt1]作用于末端风阀预测模型，得到预测风量5^ +1]；保持末端内环神经网络预测控制器权值不变，将+1]、Stt1]和-ι作用于末端内环神经网络预测控制器，得到C’ [ti+Ι]。将C’ [ti+Ι]输入末端风阀预测模型，得到5^ +2]；将J^1 +2]、s[ti]和-1作用于末端内环神经网络预测控制器，得到C’ [ti+2]；将C’ [ti+2]输入末端风阀预测模型， 得到诹+3]]，将所计算出的数据保存起来。令XiD^Mi] =0，从后向前分别计算式⑶中的 XiM 和 Qi [k]
5.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第三步的3)具体为初始化静压神经网络预测控制器的各个连接权值，赋值为[_1，1]范围内较小的随机数，然后计算控制器输出；预测时域Ms为2步，对于静压神经网络预测控制器的权值更新率μ s选择0. 05，预测周期取5分钟；寻优过程设x[k]的参数为管道静压，ufan[k]为风机控制量，χ*是设定管道静压。将 x[tj、χ*和-1作用于静压神经网络预测控制器，得到控制量UfaJt1],然后将UfaJt1]作用于被控对象，得到χ[、+1]，再将!^[tjuttj和-1作用于主风道管道静压预测模型，得到:+1]；保持静压神经网络预测控制器权值不变，将Χ[、+1]、x*和-1作用于控制器，得到 UfaJtl +1],将+l]>x[t1+l]和-1作用于主风道管道静压预测模型，得到+2]，将所计算出的数据保存起来。令λ Jk+Ms] = 0，从后向前分别计算式(9)中的Xs[k]和qs[k]
6.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第三步的4)具体为初始化总风量神经网络预测控制器的各个连接权值，赋值为[_1，1]范围内较小的随机数，然后计算控制器输出；预测时域Mf为2步，对于总风量神经网络预测控制器的权值更新率μ f选择0. 05，预测周期取5分钟；寻优过程设x[k]的参数为主风道风量，ufan[k]为风机控制量，χ*是各区域风量设定值之和。将x[tj、x*和-1作用于总风量神经网络预测控制器，得到控制量Ufan[tJ，然后将 UfaJtJ作用于被控对象，得到Χ[、+1]，再将UfaJt1]、x[tj和-1作用于主风道风量预测模型，得到屯+1]；保持总风量神经网络预测控制器权值不变，将Χ[、+1]、χ*和-1作用于控制器，得到^K+1]，将 九+1]、χ[、+1]和-1作用于主风道风量预测模型，得到对&+2]， 将所计算出的数据保存起来。令Xf[k+Mf] = 0，从后向前分别计算式(12)中的Xf[k]和
7.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第三步的 5)具体为初始化送风温度神经网络预测控制器的各个连接权值，赋值为[_1，1]范围内较小的随机数，然后计算控制器输出；预测时域Mst为2步，对于送风温度神经网络预测控制器的权值更新率μ st选择0. 05，预测周期取5分钟；寻优过程设x[k]为送风温度，u[k]为水阀开度，χ*是设定送风温度。控制系统检测所有末端VAV-BOX —次风量，当出现某一 VAV-BOX —次风量低于额定风量30 %时，减小水阀开度，将设定送风温度χ*提高0. 5°C ；当某一末端VAV-BOX —次风量大于70%时，增大水阀开度，将设定送风温度χ*降低0. 5°C。将x[tj、χ*和-1作用于送风温度神经网络预测控制器，得到控制量u[tj，然后将 u[tj作用于被控对象，得到χ[、+1]，再将!![tjdttj和-1作用于送风温度预测模型，得到对6 +1]；保持送风温度神经网络预测控制器权值不变，将Χ[、+1]、x*和-1作用于控制器， 得到u' IX+1]，将u' [VlJ.xtVl]和-1作用于送风温度预测模型，得到对^+2]，将所计算出的数据保存起来。令XsJk+Mst] = 0，从后向前分别计算式(15)中的Xst[k]和 Qst [k]
8.根据权利要求1所述的一种VAV变风量空调系统控制方法，其特征在于，第三步的 6)具体为初始化新风比内环和外环神经网络预测控制器的各个连接权值，赋值为[_1，1] 范围内较小的随机数，然后计算控制器输出，如果输出值都在W.7，l]范围内，则使用这组控制器初始权值，否则重新随机初始化；预测时域Mni和Mtl分别为3和6，对于新风比内环和外环神经网络预测控制器的权值更新率μ选择0. 05，预测周期取5分钟；寻优过程设x[k]为k时刻C02浓度；对幻为k时刻预测模型输出，即k+Ι时刻的回风C02浓度；^]为、时刻的回风C02浓度；χ*是C02浓度设定值；SR]为k时刻设定新风量；Y[k]为k时刻内环相关状态变量参数，包括管道风量和管道静压；0[k]为内环神经网络预测控制器计算出的k时刻新风风阀开度；u[k]是内环神经网络预测控制器寻优结束后 k时刻的控制输出，即寻优得到的新风风阀开度；3>[糾为新风风阀预测模型输出的k+Ι时刻预测风量。将x[tj、χ*和-1作用于新风比外环神经网络预测控制器，得到设定量S[tJ， 将S[tJ、Y[tJ和-1作用于新风比内环神经网络预测控制器，得到0[tj。然后将0[tj分别作用于新风风阀预测模型，得到预测风量5 ];保持新风比内环神经网络预测控制器权值不变，将i^hsttj和-1作用于新风比内环神经网络预测控制器，得到0’ IX+1]。将 0，[VI]输入新风风阀预测模型，得到ih +1]；将J^1 +1]、S[tJ和-1作用于新风比内环神经网络预测控制器得到0’ [2]。将0’ [2]输入新风风阀预测模型，得到JHi1+2]]，将所计算出的数据保存起来。令= 0，从后向前分别计算式(18)中的Xni[k]和qni[k]
全文摘要
本发明提出了全新的VAV空调系统控制方案，对末端VAV-BOX和空调机组采用神经网络预测控制方法，克服了VAV系统滞后特性，提高了控制精度，大大降低了执行机构的“谐振”现象，节能效果提高13％以上，并解决了工程中控制参数整定难题。对末端VAV-BOX采用压力无关型串级预测控制方法，提高了控制精度。空调机组设置了4个控制回路，采用全工况综合控制技术，根据不同工况自动选择可调整设定静压的静压控制或总风量控制策略，实现对风机的预测控制；通过检测所有末端VAV-BOX一次风量，根据运行工况调整送风温度，解决了最低新风运行时部分空调区域温度过低的问题；新风比控制回路采用串级预测控制方法，实现了新风比精确控制，进一步提高了节能水平。
文档编号F24F11/00GK102353119SQ201110227459
公开日2012年2月15日 申请日期2011年8月9日 优先权日2011年8月9日
发明者刘熙, 吴杰, 潘兴华, 陈志新, 魏东 申请人:北京建筑工程学院, 北京筑讯通机电工程顾问有限公司