中央制冷空調(diào)冷凍水系統(tǒng)模糊RBF控制研究

孫麗萍， 李元， 張冬妍， 劉亞秋

(東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040)

中央制冷空調(diào)冷凍水系統(tǒng)模糊RBF控制研究

孫麗萍， 李元， 張冬妍， 劉亞秋

(東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040)

針對(duì)中央空調(diào)冷凍水系統(tǒng)回水溫度快速準(zhǔn)確調(diào)節(jié)問(wèn)題，提出基于模糊徑向基函數(shù)(radial basis function，RBF)網(wǎng)絡(luò)的變流量回水溫度智能控制方法。首先，對(duì)冷凍水系統(tǒng)旁通閥門(mén)的水量開(kāi)度、泵組轉(zhuǎn)速等輸入量，按照模糊控制理論，進(jìn)行模糊化與反模糊化處理,獲得歸一化的輸入信息向量；然后，利用能夠全局尋優(yōu)的RBF網(wǎng)絡(luò)進(jìn)行溫度預(yù)測(cè)，不斷迭代預(yù)測(cè)產(chǎn)生理想的預(yù)測(cè)溫度；最后，當(dāng)期望溫度與預(yù)測(cè)迭代的溫度殘差小于門(mén)限值時(shí)，停止迭代，輸出并記錄溫度，完成冷凍水系統(tǒng)的非線性溫度控制。仿真實(shí)驗(yàn)表明，相比于傳統(tǒng)反向神經(jīng)(back propagation，BP)網(wǎng)絡(luò)控制，RBF控制方法迭代次數(shù)更少且精度更高，能夠提高系統(tǒng)的整體性能。

中央空調(diào)；冷凍水系統(tǒng)；徑向基函數(shù)；模糊控制；反向傳播神經(jīng)網(wǎng)絡(luò)

0 引 言

能源危機(jī)已逐漸成為當(dāng)今時(shí)代的重要話題之一，其中建筑節(jié)能的話題尤為突出[1]。中央空調(diào)系統(tǒng)中重要的組成部分之一是空調(diào)冷凍水系統(tǒng)，研究中央空調(diào)冷凍水系統(tǒng)的節(jié)能控制方法，已經(jīng)成為當(dāng)下的研究熱點(diǎn)[2]。中央空調(diào)冷凍水系統(tǒng)具有非線性、大滯后、大慣性及強(qiáng)耦合典型特性，目前市場(chǎng)中的設(shè)備主要采用PID調(diào)節(jié)方式，利用傳統(tǒng)PID算法對(duì)空調(diào)冷凍水系統(tǒng)進(jìn)行調(diào)節(jié)時(shí)，由于該系統(tǒng)時(shí)間常數(shù)較大，導(dǎo)致調(diào)試過(guò)程費(fèi)時(shí)費(fèi)力，即便調(diào)整過(guò)后系統(tǒng)的各項(xiàng)性能指標(biāo)也難以達(dá)到期望標(biāo)準(zhǔn)[3]。

黃棟針對(duì)傳統(tǒng)PID冷凍水控制系統(tǒng)適應(yīng)能力差的問(wèn)題[4]設(shè)計(jì)了模糊控制方法，改進(jìn)后的控制系統(tǒng)實(shí)現(xiàn)了變負(fù)荷工況下的冷凍水系統(tǒng)綜合性能的優(yōu)化。張超采用模糊PID控制對(duì)冷凍水系統(tǒng)進(jìn)行變水量調(diào)節(jié)，使得系統(tǒng)的響應(yīng)速度明顯加快，減少了超調(diào)量并提升系統(tǒng)的整體穩(wěn)態(tài)精度[5]。BP神經(jīng)網(wǎng)絡(luò)已大量應(yīng)用于基于神經(jīng)網(wǎng)絡(luò)的智能控制研究[6]。張義等提出BP神經(jīng)網(wǎng)絡(luò)PID控制方法，實(shí)現(xiàn)系統(tǒng)參數(shù)更加準(zhǔn)確的非線性逼近[7]。李界家、武俊峰等進(jìn)一步研究了BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制方法，使控制精度更高，能耗更低[8]。但模糊PID控制和BP神經(jīng)網(wǎng)絡(luò)控制存在局限性，如冷凍水系統(tǒng)是復(fù)雜非線性系統(tǒng)，若冷凍水控制系統(tǒng)采用模糊PID控制，模糊控制器各個(gè)參數(shù)在經(jīng)過(guò)調(diào)試確定后就無(wú)法改變，如此一來(lái)該系統(tǒng)仍需要進(jìn)一步調(diào)節(jié)以大范圍適應(yīng)系統(tǒng)參數(shù)的變化[9]，此外BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)、收斂速度慢且容易陷入局部最優(yōu)，不適于冷凍水系統(tǒng)快速、高精度的復(fù)雜計(jì)算[10]。徑向基函數(shù)(radial basis function,RBF)網(wǎng)絡(luò)是一種局部逼近網(wǎng)絡(luò)[11]。網(wǎng)絡(luò)由輸入到輸出的映射是非線性的；而網(wǎng)絡(luò)輸出對(duì)可調(diào)參數(shù)卻是線性的，權(quán)值可以直接由線性方程解出，實(shí)現(xiàn)全局最優(yōu)，且收斂速度更快[12-14]。采用模糊控制與RBF網(wǎng)絡(luò)可對(duì)PID控制參數(shù)進(jìn)行在線整定[15]。歐陽(yáng)磊等利用RBF網(wǎng)絡(luò)快速收斂、全局尋優(yōu)的特點(diǎn)，完善了電機(jī)系統(tǒng)的穩(wěn)定性[16]。曾燁等提出RBF冷凍水流量軟測(cè)量模型，大幅降低了控制誤差[17]。朱建華提出了對(duì)冷凍水空調(diào)室內(nèi)溫濕度控制，利用線性參數(shù)變化模型對(duì)蒸發(fā)器出口冷凍水的溫度動(dòng)態(tài)變化進(jìn)行建模[18]；樊勇更是利用了更先進(jìn)的蟻群算法對(duì)冷凍水進(jìn)行控制研究[19]，并且在該模型的基礎(chǔ)上，設(shè)計(jì)了冷凍水溫度的預(yù)測(cè)控制器。Liu Z,Song F等通過(guò)對(duì)空調(diào)系統(tǒng)加入智能控制預(yù)測(cè)使其達(dá)到節(jié)能的目的，與此同時(shí)賈鶴鳴等所提出的估計(jì)算法，對(duì)空調(diào)節(jié)能控制有十分重要的參考意義[20-23]。同時(shí)，改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)于系統(tǒng)的控制精度有很大的提升[24-25]。

本文設(shè)計(jì)模糊RBF神經(jīng)網(wǎng)絡(luò)對(duì)系統(tǒng)模型進(jìn)行辨識(shí)學(xué)習(xí)，提升系統(tǒng)模型的精度，同時(shí)設(shè)計(jì)模糊PID控制器以提升控制精度，降低系統(tǒng)在運(yùn)行中的能耗，減少超調(diào)量，增強(qiáng)閉環(huán)系統(tǒng)的魯棒性。在負(fù)荷變化頻繁的工況下能夠快速調(diào)整進(jìn)水回水溫度，使冷凍水穩(wěn)定地保持在理想的溫度。

1 中央空調(diào)冷凍水基本結(jié)構(gòu)

中央空調(diào)系統(tǒng)分為多個(gè)子系統(tǒng)，冷凍水系統(tǒng)即為其中較難調(diào)節(jié)的環(huán)節(jié)之一，亦是整個(gè)系統(tǒng)的重要子系統(tǒng)之一。冷凍水系統(tǒng)具有管網(wǎng)結(jié)構(gòu)分布復(fù)雜、組成系統(tǒng)設(shè)備繁多、溫度滯后時(shí)間長(zhǎng)等難點(diǎn)。冷凍水系統(tǒng)即是將空調(diào)系統(tǒng)中的冷熱源產(chǎn)生的冷量通過(guò)在樓宇中分布的管網(wǎng)輸送到末端用戶的系統(tǒng)。中央空調(diào)的冷凍水系統(tǒng)包含水處理設(shè)備、冷水機(jī)組、旁通管、泵組、定壓設(shè)備、管路、分水器、水處理設(shè)備、末端設(shè)備等，如圖1所示。

圖1 冷凍水系統(tǒng)設(shè)備結(jié)構(gòu)圖Fig.1 Chilled water system equipment structure

在風(fēng)機(jī)盤(pán)管組件調(diào)節(jié)冷量，可大大降低冷凍水水泵電機(jī)的能耗，進(jìn)而節(jié)約冷凍水整體輸送環(huán)路的運(yùn)行與維護(hù)費(fèi)用。

根據(jù)上述分析，若要保持冷凍水空調(diào)主機(jī)的供水溫度不變，則需持續(xù)對(duì)冷凍水的回流水溫度進(jìn)行檢測(cè)。當(dāng)冷凍水的回水水溫高于預(yù)設(shè)值時(shí)，空調(diào)系統(tǒng)末端負(fù)荷增加，這時(shí)控制系統(tǒng)發(fā)出加大冷凍水流量的指令；當(dāng)溫控系統(tǒng)檢測(cè)到冷凍水的回水溫度低于預(yù)設(shè)值時(shí)，表明空調(diào)系統(tǒng)末端負(fù)荷減小，此時(shí)需要降低空調(diào)冷凍水流量。以上即為冷凍水流量變流量調(diào)節(jié)的節(jié)能工作原理。

圖2為控制系統(tǒng)結(jié)構(gòu)框圖。將給定的期望水溫度數(shù)值輸入至控制系統(tǒng)，并對(duì)系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)，利用溫度控制器輸出的控制信號(hào)對(duì)風(fēng)機(jī)盤(pán)管水泵等進(jìn)行控制，將出水溫度反饋至前端。

圖2 控制系統(tǒng)結(jié)構(gòu)框圖Fig.2 Control system structure diagram

具體控制系統(tǒng)示意圖如圖3所示。

圖3 冷凍水控制系統(tǒng)示意圖Fig.3 Chilled water control system diagram

在冷水機(jī)組內(nèi)先將入水口的溫度輸入至冷水機(jī)組控制器，結(jié)合末端出水口溫度及輸入溫度，計(jì)算出該溫度差及溫度差的變化率輸入至風(fēng)機(jī)部分控制器，調(diào)節(jié)利用RBF進(jìn)行預(yù)測(cè)建模，并調(diào)整風(fēng)機(jī)盤(pán)管開(kāi)閉數(shù)量及二次加壓泵速率，以達(dá)到功率最大化使用。

2 基于模糊RBF的冷凍水系統(tǒng)建模

冷凍水系統(tǒng)變流量模糊RBF模型訓(xùn)練時(shí)，可將閥門(mén)開(kāi)度作為輸入量，將期望回水溫度當(dāng)做輸出量，將中間工作過(guò)程采用模糊規(guī)則，由此建立模糊RBF模型。

采用Tkagi-Sugneo模糊邏輯系統(tǒng)，優(yōu)點(diǎn)是其輸出能由規(guī)則庫(kù)中變量的隸屬度函數(shù)精確確定；因此，能用系統(tǒng)辨識(shí)的方法來(lái)確定該系統(tǒng)的參數(shù)，可以用確定系統(tǒng)階數(shù)的方法來(lái)確定規(guī)則數(shù)。Tkagi-Sugneo模糊邏輯系統(tǒng)的模糊規(guī)則有如下特殊形式：

基于Tkagi-Sugneo模糊邏輯系統(tǒng)的模糊RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖 4所示。

圖4 模糊RBF網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Fuzzy RBF network structure

利用檢測(cè)出水口，入水口溫度得出溫度差及溫度差變化率，并以此為根據(jù)利用神經(jīng)網(wǎng)絡(luò)推斷溫度與閥門(mén)開(kāi)閉及集水器二次加壓泵組調(diào)節(jié)的規(guī)律，并以此作為指導(dǎo)，為出水溫度的有效控制提供實(shí)際基礎(chǔ)。網(wǎng)絡(luò)結(jié)構(gòu)圖設(shè)計(jì)如圖5所示。

圖5 控制器內(nèi)部模糊RBF網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Controller internal fuzzy RBF network

輸入層僅有溫度差及溫度變化率兩個(gè)輸入量，輸出層僅含出水溫度唯一輸出量，網(wǎng)絡(luò)隱含層采用高斯基函數(shù)調(diào)節(jié)，該系統(tǒng)利用溫度差及溫度變化率來(lái)控制與預(yù)測(cè)出水溫度。由于在使用冷凍水時(shí)室外溫度多在20 ℃以上，一般在23～25 ℃左右，故在此區(qū)間根據(jù)現(xiàn)實(shí)已有經(jīng)驗(yàn)內(nèi)選擇100組樣本數(shù)據(jù)進(jìn)行訓(xùn)練。

模糊RBF網(wǎng)絡(luò)徑向基函數(shù)選用高斯函數(shù)，即

(1)

1)輸入層：含有n個(gè)節(jié)點(diǎn)，且其輸入的狀態(tài)向量為x=[x1…xn]T，將上述輸入信號(hào)x傳遞至模糊層。

3)規(guī)則層：每個(gè)節(jié)點(diǎn)表示一條模糊規(guī)則，該節(jié)點(diǎn)可以實(shí)現(xiàn)模糊規(guī)則的匹配，即

(2)

4)去模糊層：該層的作用是實(shí)現(xiàn)歸一化計(jì)算，即

(3)

5)輸出層：加權(quán)平均計(jì)算為

(4)

(5)

其中：y=[y1…yL]T表示實(shí)際輸出；d=[d1…dL]T表示期望輸出；‖?‖2表示2范數(shù)。輸出函數(shù)為

(6)

具體流程如圖6所示。

圖6 RBF網(wǎng)絡(luò)算法流程圖Fig.6 RBF network algorithm flow chart

3 仿真實(shí)驗(yàn)

由于模糊RBF網(wǎng)絡(luò)擴(kuò)展速度值(spread)選取影響預(yù)測(cè)輸出，表1給出了不同spread值的比較結(jié)果。由表1可得，選取的spread值對(duì)決定系數(shù)在0.3和0.4時(shí)較好，逼近效果最佳。

表1 不同spread值結(jié)果Table 1 Different spread answer

因此，選取spread值為0.3，更有利于本實(shí)驗(yàn)的進(jìn)行，仿真結(jié)果如下圖7所示。

由圖7可以看出在不同的測(cè)試時(shí)間階段上，模糊RBF網(wǎng)絡(luò)的決定系數(shù)R2均大于BP神經(jīng)網(wǎng)絡(luò)，模糊RBF網(wǎng)絡(luò)輸出的預(yù)測(cè)溫度在仿真時(shí)間內(nèi)更加接近期望溫度，且模糊RBF神經(jīng)網(wǎng)絡(luò)波動(dòng)更低，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)出現(xiàn)較大波動(dòng)。因此RBF神經(jīng)網(wǎng)絡(luò)在模型預(yù)測(cè)上更加準(zhǔn)確，可以改善在后續(xù)控制過(guò)程中由于滯后原因造成水溫調(diào)節(jié)不準(zhǔn)確的問(wèn)題。

圖7 RBF與BP神經(jīng)網(wǎng)絡(luò)的溫度預(yù)測(cè)Fig.7 Prediction of the RBF and BP neural network temperature

圖8 收斂曲線Fig.8 Convergence curves

收斂曲線比較結(jié)果如圖8所示，BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)較多，收斂也十分緩慢，第10次迭代時(shí)BP神經(jīng)網(wǎng)絡(luò)誤差依舊較大，然而模糊PBF神經(jīng)網(wǎng)絡(luò)誤差已經(jīng)大幅降低；在第15次迭代之后模糊RBF神經(jīng)網(wǎng)絡(luò)誤差已經(jīng)十分微小，同一時(shí)間的BP神經(jīng)網(wǎng)絡(luò)誤差卻還超過(guò)0.001。模糊RBF網(wǎng)絡(luò)收斂速度更快，迭代次數(shù)更少，誤差更小，模糊RBF網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比，在速度與精度上占有很大優(yōu)勢(shì)。圖9為模糊神經(jīng)網(wǎng)絡(luò)控制訓(xùn)練曲線。訓(xùn)練輸出準(zhǔn)確，訓(xùn)練誤差較低，收斂迅速。

圖9 模糊RBF輸出效果圖Fig.9 Fuzzy RBF output

4 基于模糊PID冷凍水控制系統(tǒng)設(shè)計(jì)

圖10給出了模糊PID冷凍水控制系統(tǒng)框圖。本文旨在建立模糊RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)冷凍水回水溫度進(jìn)行預(yù)測(cè)，再采用模糊PID方法進(jìn)行控制，以期達(dá)到比單純直接利用模糊PID控制更好的控制效果。

圖10 冷源控制系統(tǒng)框圖Fig.10 Cold source control system diagram

模糊PID控制的核心是將設(shè)計(jì)人員的技術(shù)知識(shí)和實(shí)際操作經(jīng)驗(yàn)收集并且總結(jié)，針對(duì)不同的控制對(duì)象建立適合控制對(duì)象的模糊規(guī)則表，從而獲得整定的關(guān)于3個(gè)控制調(diào)節(jié)參數(shù)的模糊規(guī)則分類(lèi)表。

1)在輸入量和輸出量基礎(chǔ)上選取測(cè)量誤差e與誤差變化率ec。并在其模糊論域上進(jìn)一步定義負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大，分別為NB、NM、NS、ZO、PS、PM、PB表示的7個(gè)對(duì)應(yīng)的模糊集合，選擇三角形隸屬度函數(shù)的方式對(duì)目標(biāo)進(jìn)行模糊化，為使計(jì)算更加方便現(xiàn)將e、ec、Kp、Ki、Kd的論域均取為[-3,+3]。

2)Kp、Ki、Kd模糊規(guī)則表的建立依據(jù)：Kp為比例系數(shù)，其作用在于改進(jìn)系統(tǒng)的調(diào)節(jié)精度和響應(yīng)速度；積分系數(shù)Ki用于系統(tǒng)穩(wěn)態(tài)誤差的消除，Ki的大小與系統(tǒng)穩(wěn)態(tài)誤差的消除速度呈正相關(guān)變化；系數(shù)Kd的作用是提升系統(tǒng)整體的動(dòng)態(tài)特性，稱為微分系數(shù)。

由上述規(guī)則可以設(shè)計(jì)Kp、Ki、Kd的模糊規(guī)則表如表2～表4所示。

表2 KP模糊規(guī)則表Table 2 KP fuzzy table

表3 Ki模糊規(guī)則表Table 3 Ki fuzzy table

表4 Kd模糊規(guī)則表Table 4 Kd fuzzy table

實(shí)驗(yàn)仿真環(huán)境：計(jì)算機(jī)intel i7-4710MQ型處理器，主頻2.9 GHz，16GDDR3內(nèi)存，采用Matlab 2014a軟件進(jìn)行仿真。

考慮非線性冷凍水溫控制的仿真系統(tǒng)，運(yùn)用Matlab模糊控制及RBF網(wǎng)絡(luò)工具箱針對(duì)該函數(shù)進(jìn)行仿真從而建立冷凍水流量軟測(cè)量模型。在Matlab中，newrb為模糊RBF網(wǎng)絡(luò)建模主要函數(shù)，其運(yùn)用正交最小二乘法對(duì)數(shù)據(jù)中心進(jìn)行選取，直至均方誤差最小。假設(shè)控制回水溫度為7℃，仿真時(shí)間t取65 min，管道揚(yáng)程30 m，壓力設(shè)置0-250 kPa。

圖11表示高斯隸屬度函數(shù)變化曲線。根據(jù)圖11可知，高斯隸屬度函數(shù)曲線連續(xù)且處處可微，其中參數(shù)σ的取值對(duì)于隸屬度函數(shù)的形狀有著直接影響，由圖觀察可知該圖像的隱函數(shù)形狀尖銳表明系統(tǒng)的靈敏度良好，且模糊子集分辨率較高。同時(shí)能抑制噪聲的干擾，魯棒性佳。

圖11 高斯隸屬度函數(shù)曲線Fig.11 Gaussian membership function curve

圖12為三種控制算法在冷凍水溫度調(diào)節(jié)中的輸出結(jié)果對(duì)比圖12中三條曲線分別對(duì)應(yīng)，利用模糊RBF神經(jīng)網(wǎng)絡(luò)系統(tǒng)建模后的模糊PID控制輸出曲線與未利用系統(tǒng)建模的模糊PID控制輸出曲線和傳統(tǒng)PID控制輸出曲線的對(duì)比，在圖中利用了模糊RBF系統(tǒng)建模后的模糊PID控制比直接采用傳統(tǒng)模糊PID的曲線更快逼近期望值，說(shuō)明相較于傳統(tǒng)模糊PID，利用模糊RBF建模后的模糊PID控制收斂更迅速，且曲線更平滑，波動(dòng)更小，說(shuō)明利用模糊RBF建模后的閉環(huán)系統(tǒng)控制精度高，超調(diào)量低，而且對(duì)于后期末端負(fù)荷變化時(shí)，能更好的調(diào)節(jié)冷凍水溫度，使冷凍水溫度維持于期望溫度，即便負(fù)荷變換時(shí)亦未見(jiàn)較大波動(dòng)，說(shuō)明利用模糊RBF建模后的模糊PID控制方法具有更強(qiáng)的魯棒性和穩(wěn)定性。

圖12 控制輸出曲線對(duì)比圖Fig.12 Comparison diagram of the controlled output curve

5 結(jié) 論

針對(duì)冷凍水系統(tǒng)的變流量溫度控制問(wèn)題，設(shè)計(jì)一種能夠快速收斂且準(zhǔn)確預(yù)測(cè)輸出的模糊神經(jīng)網(wǎng)絡(luò)控制方法，模糊運(yùn)算能夠提高系統(tǒng)的自適應(yīng)與抗干擾能力，利用RBF系統(tǒng)建模后的系統(tǒng)能夠?qū)崿F(xiàn)全局尋優(yōu)與快速收斂。實(shí)驗(yàn)結(jié)果表明，選取適當(dāng)?shù)膕pread值，利用模糊RBF系統(tǒng)建模后的在進(jìn)行控制相比于直接運(yùn)用傳統(tǒng)模糊PID控制方法，誤差更低，迭代次數(shù)更少，非線性逼近精度更高，在一定程度上，進(jìn)一步緩解了冷凍水系統(tǒng)響應(yīng)速度慢、回水溫度調(diào)節(jié)差的矛盾，具有更高的工程實(shí)用價(jià)值。

[1] 曹華，張九根.中央空調(diào)冷卻水、冷凍水系統(tǒng)的變頻節(jié)能分析[J].電機(jī)與控制應(yīng)用，2014(4): 62-66. CAO Hua,ZHANG Jiugen,Energy Saving analysis for variable frequency pump of cooling and chilled water in central air conditioning system[J].Electric Machines & Control Application,2014(4):62-66.

[2] 張小衛(wèi)，陳育平，張佳佳.大溫差空調(diào)冷凍水系統(tǒng)的節(jié)能分析[J].山西能源與節(jié)能.2009(6): 77-79. ZHANG Xiaowei,CHEN Yuping,ZHANG Jiajia,Analysis on energy consumption of air-conditioning chilled water system with largest temperature difference[J].Shanxi Energy and Conservation,2009(6):77-79.

[3] Lygouras J N,Botsaris P N,Vourvoulakis J,et al.Fuzzy logic controller implementation for a solar air-conditioning system[J].Applied Energy,2007,84(12): 1305-1318.

[4] 黃棟.模糊控制在中央空調(diào)系統(tǒng)中的應(yīng)用[J].建筑電氣,2013(1): 54-59. HUANG Dong.Application of fuzzy control to central air-conditioning system[J].Building Electricity,2013(1):54-59.

[5] 張超.中央空調(diào)冷凍水系統(tǒng)的模糊PID控制[J].機(jī)電工程技術(shù),2009(8): 67-69. ZHANG Chao.Fuzzy PID control of chilled water system of central air conditioning system[J].Mechanical & Electrical Engineering Technology,2009(8):67-69.

[6] LI Jiejia,SHENG Qingfei,MA Bin,et al.Temperature and humidity adaptive control in centre air-conditioning system based on BP neural networks[J].Instrument Technique & Sensor,2007,28(1): 55-57.

[7] 張義，左為恒，林濤.BP神經(jīng)網(wǎng)絡(luò)PID控制在空調(diào)系統(tǒng)中的應(yīng)用[J].計(jì)算機(jī)仿真,2011(4):149-151. ZHANG Yi,ZUO Weiheng,LIN Tao.Application of BP neural network PID control in air canditioning system[J].Computer Simulation,2011(4):149-151.

[8] 李界家，盛慶飛，馬斌，等.基于BP神經(jīng)網(wǎng)絡(luò)的中央空調(diào)溫濕度自適應(yīng)控制系統(tǒng)[J].儀表技術(shù)與傳感器.2007(1): 55-57.LI Jiejia,SHENG Qingfei,MA Bin,et al.Temperature and humidity adaptive control in centreair-conditioning system based on BP neural networks[J].Instrument Technique and Sensor,2007(1):55-57.

[9] DUAN Y H.Research of Predictive fuzzy-PID controller in temperature of central air-conditioning system[J].Journal of System Simulation.2008,20(3): 615-620.

[10] ZOU X,DING W,LIU D,et al.Classification of rice planthopper based on invariant moments and BP neural network[J].Nongye Gongcheng Xuebao/transactions of the Chinese Society of Agricultural Engineering.2013,29(18): 171-178.

[11] LI Q.Prediction model of hourly air conditioning load of building based on RBF neural network[J].Journal of South China University of Technology，2008,36(10): 25-30.

[12] YAO Y,LIAN Z,HOU Z,et al.An innovative air-conditioning load forecasting model based on RBF neural network and combined residual error correction[J].International Journal of Refrigeration，2006,29(4):528-538.

[13] 徐慶宏，戴先中.基于在線學(xué)習(xí)RBF神經(jīng)網(wǎng)絡(luò)的汽門(mén)開(kāi)度自適應(yīng)補(bǔ)償控制方法[J].電機(jī)與控制學(xué)報(bào)，2010,14(2): 13-19. XU Qinghong,DAI Xianzhong.Online learning RBF neural network-based adaptive compensative control scheme for governor system[J].Electrical Machines and Control，2010,14(2):62-66.

[14] 張淮清，俞集輝.瞬態(tài)渦流問(wèn)題求解的時(shí)域徑向基函數(shù)方法[J].電機(jī)與控制學(xué)報(bào),2008(6):685-690. ZHANG Huaiqing,YU Jihui.Solving transient eddy current problem with radial basis function method in time domain[J].Electrical Machines and Control,2008(6):685-690.

[15] 吳帆，劉璐，李鵬.一種基于RBF神經(jīng)網(wǎng)絡(luò)的模糊PID控制算法[J].重慶科技學(xué)院學(xué)報(bào)(自然科學(xué)版),2009(6): 142-144. WU Fan,LIU Lu,LI Peng.A fuzzy PID control algorithm based on RBF neural networks[J].Journal of Chongqing University of Science and Technology(Natural & Sciences Edition),2009(6):142-144.

[16] 曾燁，李婷婷.基于RBF神經(jīng)網(wǎng)絡(luò)的冷凍水流量軟測(cè)量研究[J].工業(yè)控制計(jì)算機(jī),2014(6): 73-74. ZENG Ye,LI Tingting.Chilled water flow research of software based on RBF neural networks[J].Industrial Control Computer,2014(6):73-74.

[17] 武俊峰，王世明.一種基于模糊控制的兩步法預(yù)測(cè)控制方法[J].電機(jī)與控制學(xué)報(bào),2010,14(7):75-80. WUJunfeng,WANG Shiming.Research method on a two-step general predictive control based on fuzzy control[J].Electrical Machines and Control,2010,14(7):75-80.

[18] 朱建華.冷凍水空調(diào)溫濕度先進(jìn)控制技術(shù)研究[D].杭州：浙江大學(xué),2016:15-20.

[19] 樊勇.混沌蟻群算法在中央空調(diào)冷凍水控制系統(tǒng)中的應(yīng)用研究[D].衡陽(yáng)：南華大學(xué),2012.

[20] LIU Z,SONG F,JIANG Z,et al.Optimization based integrated control of building HVAC system[J].Building Simulation.2014,7(4): 375-387.

[21] VAKILOROAYA V,SAMALI B,FAKHAR A,et al.A review of different strategies for HVAC energy saving[J].Energy Conversion & Management.2014,77(1): 738-754.

[22] BUDAIWI I M,ABDOU A A.HVAC system operational strategies for reduced energy consumption in buildings with intermittent occupancy: The case of mosques[J].Energy Conversion and Management.2013,73: 37-50.

[23] 賈鶴鳴，楊澤文，宋文龍.考慮狀態(tài)約束的容積卡爾曼濾波估計(jì)算法[J].山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,34(6): 84-89. JIA Heming,YANG Zewen,SONG Wenlong.Cubature Kalman filter estimation algorithm with state constraints[J].Journal of Shangdong University of Science and Technology (Natural & Sciences Edition),2015,34(6): 84-89.

[24] 郎憲明,屈寶存,吳傳國(guó),等.基于蟻群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的汽溫系統(tǒng)控制[J].哈爾濱理工大學(xué)學(xué)報(bào),2010,15(6):47-50. LANG Xianming,QU Baocun,WU Chuanguo,et al.Main steam temperature control using RBF neural network based on ant colony optimization algorithm[J].Journal of Harbin University of Science and Technology,2010,15(6):47-50.

[25] 滿春濤，李曉霞，張禮勇.一種基于ACO的RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法[J].哈爾濱理工大學(xué)學(xué)報(bào),2007,13(1):56-58. MAN Chuntao,LI Xiaoxia,ZHANG Liyong.A new training algorithm for RBF neural network based on ACO[J].Journal of Harbin University of Science and Technology,2007,13(1):56-58.

(編輯：張 楠)

Fuzzy radial basis function control for central air conditioning system

SUN Li-ping， LI Yuan， ZHANG Dong-yan， LIU Ya-qiu

(College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China)

Aiming at the problem of rapid and accurate adjustment of chilled water system on central air-conditioning backwater temperature,an intelligent control method based on fuzzy RBF network was proposed.Firstly,the fuzzy control theory was used to deal with the amount of water and the rotational speed of the bypass valve of the chilled water system.Then,RBF network was used to complete the global optimization of temperature prediction,and then the ideal iterative prediction temperature was produced by proposed method; finally,the iteration was stopped when the desired temperature and residual temperature prediction iterative was less than the threshold value,output and record the temperature,nonlinear temperature control of chilled water system was been completed.The simulation experiments show that the RBF control method is better than the traditional BP neural network control method,the iteration number is less and precision is higher,and improved proposed control method can improve system performance.

central air-conditioning; chilled water system; radial basis function; fuzzy control; back propagation neural network

2016-09-23

國(guó)家自然科學(xué)基金(31370565)

孫麗萍(1958—)，女，博士，教授，博士生導(dǎo)師，研究方向?yàn)橹悄芸刂婆c檢測(cè)； 李 元(1991—)，男，碩士研究生，研究方向?yàn)閺?fù)雜系統(tǒng)建模仿真與智能控制； 張冬妍(1976—)，女，博士，副教授，研究方向?yàn)榭刂乒こ蹋?劉亞秋(1971—)，男，博士，教授，博士生導(dǎo)師，研究方向?yàn)橛?jì)算機(jī)控制與應(yīng)用。

張冬妍

10.15938/j.emc.2017.05.015

TU 83

A

1007-449X(2017)05-0110-07