空調(diào)PMV指標(biāo)的神經(jīng)網(wǎng)絡(luò)控制

孫曉彤

摘 要：以前的空調(diào)控制系統(tǒng)，只有空氣溫度、濕度的調(diào)節(jié)，很難滿足人們的需要。根據(jù)熱舒適理論、熱舒適指數(shù)，提出了新的空調(diào)控制方案——用熱舒適指標(biāo)來調(diào)節(jié)參數(shù)。六個(gè)影響因素作為輸入?yún)?shù)，PMV值作為輸出。神經(jīng)網(wǎng)絡(luò)有高度的適應(yīng)性、在線自學(xué)習(xí)的能力，可以逼近任意非線性映射。用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以得到空調(diào)的控制系統(tǒng)輸入輸出的模型，實(shí)現(xiàn)智能控制。

關(guān)鍵詞：空調(diào)；PMV；神經(jīng)網(wǎng)絡(luò)

引言

改善經(jīng)濟(jì)狀況，提高中國的生活水平，逐步推動(dòng)家用空調(diào)的發(fā)展，使其更普遍。此時(shí)需要空調(diào)，營造出更舒適，而不再是滿足于簡單的溫度控制，這對空調(diào)整體控制有很高要求。

在穩(wěn)定狀態(tài)下，溫度是由六個(gè)因素干預(yù)，分別包括輻射溫度，空氣溫度和濕度，房間里空氣的更新速度，人類活動(dòng)的水平和穿衣量來決定。輻射溫度，為屋子里的平均溫度；人類活動(dòng)量，為人員新陳代謝、機(jī)械動(dòng)作量；衣服保溫度，服裝的熱阻值、裸露和表面面積之間選擇比值表示。熱舒適性指數(shù)是指人類熱舒適和其他影響因素，如內(nèi)部溫度、濕度，以及它們之間關(guān)系的綜合效果，并且和計(jì)算方法、公式有關(guān)。

在丹麥科技大學(xué)，F(xiàn)anger教授，研究了熱舒適方程，以確定熱舒適指數(shù)[1]的熱舒適性方程，該指數(shù)為任意環(huán)境變量組合產(chǎn)生，任意給定的，預(yù)先設(shè)置好投票，并作為所謂的PMV的目標(biāo)控制器。Fanger認(rèn)為，在溫暖的環(huán)境中舒適的三個(gè)基本條件，如：（1）實(shí)現(xiàn)與環(huán)境的人體熱平衡，存儲(chǔ)溫度S=0；（2），皮膚的平均溫度保持舒適的水平；（3）身體出汗率，以達(dá)到最佳的條件下，是汗液代謝率的函數(shù)。總之，熱舒適性的問題如下：

這里M指的是人體新陳代謝率（W/m2）；？濁是人體的機(jī)械效率；H指皮膚熱負(fù)荷（W/m2）； fcl為衣服面積系數(shù)；Icl衣服的基本熱阻值；C是人體表面跟環(huán)境之間的熱交換（W/m2）；Pa指空氣蒸汽壓（KPa）；ta指空氣溫度（℃）；tcl指衣服表面溫度；tr為平均輻射溫度，（℃）。

PMV指數(shù)跟這六個(gè)因素之間的關(guān)系如下：

這里W指活動(dòng)量，通常情況下該值為0（W/m2）；Pa為人體所處空氣環(huán)境時(shí)候，里面的水蒸汽氣壓；hc指熱交換系數(shù)W/（m2·℃）；Va是空氣流速（m/s）。

1 神經(jīng)網(wǎng)絡(luò)在PMV值中的應(yīng)用

簡言之，不同的參數(shù)之間聯(lián)系具有挑戰(zhàn)性、計(jì)算出的PMV指標(biāo)[2]關(guān)系復(fù)雜，很難找到一種簡單的方法來計(jì)算神經(jīng)網(wǎng)絡(luò)的結(jié)果。

1.1 設(shè)計(jì)輸入層和輸出層

PMV是由六個(gè)因素決定的，所以輸入層為六大類，包括平均輻射溫度，室內(nèi)空氣溫度，濕度，風(fēng)速，人的活動(dòng)量和衣服量。PMV值在輸出層僅一個(gè)，從而使神經(jīng)網(wǎng)絡(luò)的輸出層，僅此一個(gè)。因此，對于輸入層有六維，輸出層有一維。

1.2 網(wǎng)絡(luò)隱層的選擇

輸入層包括至少一個(gè)隱藏層，線性輸出層一個(gè)，因此神經(jīng)網(wǎng)絡(luò)可以逼近任一個(gè)有理函數(shù)。如果增加隱含層的功能，以減少誤差，以達(dá)到更高的精度，同時(shí)也使得網(wǎng)絡(luò)更加復(fù)雜，并增加了訓(xùn)練期間的權(quán)值。有效性、準(zhǔn)確性綜合考量，使用三層網(wǎng)絡(luò)。

1.3 隱層神經(jīng)元的選擇

根據(jù)建立的神經(jīng)網(wǎng)絡(luò)，隨機(jī)選取神經(jīng)元個(gè)數(shù)，根據(jù)實(shí)驗(yàn)結(jié)果設(shè)定數(shù)量，最終，得到每一層的適當(dāng)數(shù)量為6，21，1。

1.4 初始權(quán)值的選擇

PMV指標(biāo)是復(fù)雜的非線性項(xiàng)可以用一段時(shí)間的訓(xùn)練使其收斂，是否能達(dá)到局部最小值，初始權(quán)值起著重要的作用。我們希望，當(dāng)所積加的輸入對于每個(gè)神經(jīng)元，其值接近零，那么學(xué)習(xí)最初就非平坦進(jìn)行。因此，初始權(quán)值在通常情況下，隨機(jī)且相對較小。如果輸入神經(jīng)元q，初始權(quán)值可以被放置[-2/q，2/q]之間，從而確保從一開始，對于學(xué)習(xí)就是在函數(shù)激勵(lì)最大的地方。

1.5 學(xué)習(xí)步長的選擇

如果決定的學(xué)習(xí)步長比較小，網(wǎng)絡(luò)誤差函數(shù)E是要達(dá)到最小。但是，如果步長太小，學(xué)習(xí)時(shí)間會(huì)延長，這會(huì)使得學(xué)習(xí)過程變得緩慢，如果局部極小值在誤差函數(shù)中過多，將使得網(wǎng)絡(luò)停滯或至少局部最小。如果學(xué)習(xí)的步長很大，權(quán)值變化加快，同時(shí)收斂速度也會(huì)變快。然而，如果學(xué)習(xí)步長過大，算法可能是不穩(wěn)定的，甚至沒辦法收斂。因此，根據(jù)問題性質(zhì)和PMV模型，我們選擇0.75為第一個(gè)步長。

2 BP神經(jīng)神經(jīng)網(wǎng)絡(luò)的構(gòu)造和仿真

2.1 網(wǎng)絡(luò)模型構(gòu)建和初始化

建立BP神經(jīng)網(wǎng)絡(luò)，第一步，構(gòu)建網(wǎng)絡(luò)對象并賦初始值，我們可以用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)newff創(chuàng)建一個(gè)可訓(xùn)練的單隱層BP網(wǎng)絡(luò)，其語法為：

net=newff（PR，[S1，...，Sn]，{TF1，…，TFn}，BTF，BLF，PF）

[S1，…，Sn]是一個(gè)數(shù)組，包括每一層神經(jīng)元的數(shù)量，這里每一層BP神經(jīng)元的個(gè)數(shù)為6，21，1，即S1=6，S2=21，S3=1；每一層網(wǎng)絡(luò)的加權(quán)函數(shù)是dotprod；輸入函數(shù)是netsum；（TF1，…，TFn）為各層神經(jīng)元的傳遞函數(shù)，這里用到“tansig”函數(shù)，是把神經(jīng)元的輸入范圍從（-∞，+∞）映射到（0，1）；BTF用于指定網(wǎng)絡(luò)訓(xùn)練函數(shù)名字，此刻用到tranlm；BLF是權(quán)值和閾值的學(xué)習(xí)函數(shù)，采用learngdm；PF是網(wǎng)絡(luò)操作模式的表征，這里用最小誤差平方、可微函數(shù)mse。

2.2 網(wǎng)絡(luò)模型的訓(xùn)練

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中有許多BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和訓(xùn)練的函數(shù)，文章中我們采用trainlm函數(shù)，它的語法是[net，tr]=trinlm（net，Pd，TL）。此處，net指初始化后的網(wǎng)絡(luò)；tr是每一步長的網(wǎng)絡(luò)性能[6]在訓(xùn)練過程中的記錄；Pd指訓(xùn)練網(wǎng)絡(luò)中的輸入樣本；TL指訓(xùn)練中的輸出樣本。

2.3 網(wǎng)絡(luò)模型的模擬

BP網(wǎng)絡(luò)訓(xùn)練后需驗(yàn)證網(wǎng)絡(luò)性能。驗(yàn)證開始時(shí)，使用sim函數(shù)來模擬訓(xùn)練網(wǎng)絡(luò)，此時(shí)新的網(wǎng)絡(luò)輸入為pnew，網(wǎng)絡(luò)對象是net，輸出是anew，語法如下：

[anew]=sim（net，pnew）

可以得到訓(xùn)練結(jié)果：

TRAINLM，Epoch0/500，MSE 1.10637/0.0001，Gradient 128.394/1e-010

TEAINLM，Epoch25/500，MSE0.000790584/0.0001，Gradient 0.67388/1e-010

TRAINLM，Epoch36/500，MSE8.7715e-005/0.0001，Gradient 0.01

71647/1e-010

TRAINLM，Performancegoalmet.TRAINLM，Performance goal met.

圖1是訓(xùn)練誤差收斂曲線，訓(xùn)練到36步時(shí)，網(wǎng)絡(luò)性能達(dá)到預(yù)期目標(biāo)，并且能得到較為準(zhǔn)確的數(shù)據(jù)。

3 結(jié)束語

這樣的神經(jīng)網(wǎng)絡(luò)模型預(yù)測，可以用來控制空調(diào)系統(tǒng)，我們需要將空調(diào)系數(shù)隨著PMV指標(biāo)調(diào)整，就可以實(shí)現(xiàn)一個(gè)舒適的環(huán)境。

參考文獻(xiàn)

[1]申歡迎.基于PMV指標(biāo)的舒適空調(diào)模糊控制系統(tǒng)仿真研究[D].西安交通大學(xué)，2004.

[2]劉謹(jǐn).基于PMV指標(biāo)的空調(diào)系統(tǒng)舒適控制研究[D].湖南大學(xué)，2003.

[3]朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].電子工業(yè)出版社，2010.

[4]孫增圻.智能控制理論與技術(shù)[M].清華大學(xué)出版社，2004.

[5]董長虹.MATLAB神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].國防工業(yè)出版社，2005.

[6]李成利，黃存柱，常軍.神經(jīng)網(wǎng)絡(luò)在PMV指標(biāo)控制中的應(yīng)用研究[J].微型機(jī)與應(yīng)用，2010.