CN101392939A - 一种建筑物独立供能温度非线性预测控制方法 - Google Patents

Abstract

本发明属于建筑物独立冷热供能技术领域，涉及建筑物独立供能温度非线性预测控制方法，包括PID神经元神经网络和灰色预测控制器，所述的灰色预测控制器根据出水温度的历史变化，采用灰色预测法，得到出水温度预测值，再将该出水温度预测值与出水温度设定值一起被送入PID神经元神经网络，作为其前向网络的输入层；所述的PID神经元神经网络前向网络的隐含层含有3个神经元，各神经元的输出函数分别对应于比例、积分、微分3个部分；网络的输出层进行PID神经元神经网络控制量计算，根据出水温度实际测量值和设定值之间的误差信号在线调整权重。采用本方法能够智能调整运行参数，实现各种气候条件下智能供冷热和稳定高效运行。

Description

一种建筑物独立供能温度非线性预测控制方法

技术领域

本发明属于建筑物独立冷热供能技术领域，具体涉及一种建筑物独立供能温度非线性预测控制方法。

背景技术

建筑物独立供能***是一个具有诸多优点的能量利用***，其控制特点包括多变量、非线性、强耦合、大延迟、纯滞后、时变等。由于建筑物独立供能***应用的地区和气候条件复杂，如果在这个***上采用常规的控制方法如PID控制、模糊控制或者是两个方法的简单组合则无法收到满意的控制效果。其主要问题在于动态与静态性能之间，跟踪设定值与抑制扰动之间，鲁棒性与控制性能之间存在着矛盾。建筑物独立供能***的主要功能是向特定建筑物空间连续稳定高效的提供冷量和热量。稳定的***出水温度是功能实现的重要保证。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种为建筑物独立供能***智能控制方法，以实现功能***冷、热的全天候的自动联供。

为此，本发明采用如下的技术方案：一种建筑物独立供能温度非线性预测控制方法，包括PID神经元神经网络和灰色预测控制器，所述的灰色预测控制器根据出水温度的历史变化，采用灰色预测法，得到出水温度预测值，再将该出水温度预测值与出水温度设定值一起被送入PID神经元神经网络，作为其前向网络的输入层；所述的PID神经元神经网络前向网络的隐含层含有3个神经元，各神经元的输出函数分别对应于比例、积分、微分3个部分；网络的输出层进行PID神经元神经网络控制量计算，根据出水温度实际测量值和设定值之间的误差信号在线调整权重，直至误差达到期望要求，从而实现建筑物独立供能温度非线性预测控制。

上述建筑物独立供能温度非线性预测控制方法，在隐含层至输出层的权重初值最好设定为<＝+0.1的小正数，输入层至隐层积分单元的权重值的整个训练过程中绝对值相等，符号相反。

         →

作为优选实施方式，上述的建筑物独立供能温度非线性预测控制方法，按照下列步骤得到出水温度预测值：

(1)设X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))为主板换出水温度序列，设X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))，其中 $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$ 设，z⁽¹⁾(k)＝0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)]，k＝1，2，…，n.；则GM(1，1)的灰色微分方程为：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝u，k＝1，2，…，n.，

相应的白化方程为 $\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=u,k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$ 其中：a发展系数，u为黑色作用量；

(2)根据下列公式，利用最小二乘法求得a和u：

$[\begin{array}{c}a\\ \\ u\end{array}]{=\left(B^{T}B\right)}^{-1}{B}^T{Y}_n,B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right],$ Y_n＝[x⁽⁰⁾(2)x⁽⁰⁾(3)…x⁽⁰⁾(n)]^T

则白化方程的解为 $x^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a};$

(3)求取灰色微分方程的时间响应序列： ${\hat{x}}^{\left(i\right)}(k+1)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a},k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

(4)根据公式 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$ 计算出水温度值预测序列

上述的建筑物独立供能温度非线性预测控制方法，最好还包括下列的前馈预测控制器：以时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度为输入层，以前馈预测值为输出层，建立基于神经网络的前馈预测控制器，训练神经网络，根据期望输出值与实际前馈预测值的之间的误差信号在线调整神经网络，直至误差达到期望要求，此时神经网络训练完成，网络输出前馈预测值；实际前馈预测值可根据下述方法在线计算得出：采集时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度参数，根据建筑物负荷计算理论，计算出建筑物负荷，然后按比例关系得出实际前馈预测值。

本发明以供能***的出水温度为控制对象，但是其反馈值并不是该温度，而是经过灰色控制算法计算后的数值。这个数值不但反映了***输出温度的现时数值而且反映了这个数值的历史规律，从而更能适应该温度的变化趋势。一些参数的变化，例如气象参数的变化不但影响着建筑物空间的负荷，而且影响着建筑物独立供能***中的空气源热泵的运行参数。前馈控制中，仅仅把房间负荷变化作为前馈值是不全面的。本发明的前馈控制算法，从众多参数变化训练出前馈参数能够反映房间负荷变化和***运行状态变化，从而更加有效。

采用该控制方法***能够智能判断各种运行工况，智能调整运行参数，实现全年各种气候条件下智能的向用户提供冷量、热量和稳定高效运行。本发明的控制方法不但具有工作稳定，鲁棒性强，各参数物理意义明确和工程上易于实现等优点，又具有并行结构和本质学习记忆功能及任意函数逼近的能力，在不同工况下具有广泛的自适应性。

附图说明

图1是本发明实施例的建筑物独立供能***原理图；

图1中：

1——热水储用装置          2——流量控制装置        3——缸套换热器

4——燃气发动机            5——排烟换热器          6——压缩机

7——四通阀                8——室外换热器          9——电子膨胀阀控制器

10——电子膨胀阀           11——板式换热器         12——供水温度传感器

13——回水温度传感器       14——室内换热器         15——***总控制器

图2是神经网络非线性预测PID***控制框图；

图3是前馈控制预测原理图。

具体实施方式

以下结合附图和实施例，对本发明作详细说明：

图1为本实施例供能***机组。本发明的建筑物独立供能***的全自动冷热联供自动调节与控制***，包括数据采集装置，控制器(本实施例采用可编程控制器PLC)，执行器。

本发明的控制对象为***的出水温度，但是其反馈值并不是该温度，而是经过灰色控制算法计算后的数值。这个数值不但反映了***输出温度的现时数值而且反映了这个数值的历史规律，从而更能适应该温度的变化趋势。一些参数的变化，例如气象参数的变化不但影响着建筑物空间的负荷，而且影响着建筑物独立供能***中的空气源热泵的运行参数。前馈控制中，仅仅把房间负荷变化作为前馈值是不全面的。本算法从众多参数变化训练出前馈参数能够反映房间负荷变化和***运行状态变化，从而使控制效果更好。

本发明的神经网络非线性预测PID***控制框图如图2所示，整个控制过程分为三个控制部分，灰色预测控制器(算法)、PID神经元神经网络控制算法和前馈预测控制器(算法)三个部分。PID神经元神经网络控制算法的基本控制思想已经在现有技术中有所体现，它与灰色预测控制部分融合在一起，已经可以完成本发明的主体控制过程。作为优选实施例，本发明还添加了前馈预测控制部分。下面分别对这几个控制器进行详细描述。

1、灰色预测

GM(1，N)模型是包含N个变量的一阶微分方程，N不同表示模型的意义、用途以及数据处理方式不同。GM(1，1)表示模型的因变量只受一个自变量的影响，GM(1，N)表示模型的因变量受N个自变量的影响。本控制方法应用GM(1，1)模型来预测主板换的出水温度。该模型由一个单变量一阶微分方程构成。

X⁽⁰⁾为原始非负数据序列：

X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x(⁰)(n))

本数据序列为主板换出水温度的一系列值，对X⁽⁰⁾进行一次累加生成操作，取得序列X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))，其中 $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

对X⁽¹⁾序列进行紧邻均值生成操作，得到X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾，其中z⁽¹⁾(k)＝0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)]，k＝1，2，…，n.

可得GM(1，1)的灰色微分方程

x⁽⁰⁾(k)+az⁽¹⁾(k)＝u，k＝1，2，…，n.

相应的白化方程为

$\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=u,k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$ 其中：a发展系数，u为黑色作用量。a和u可用最小二乘法求得

$[\begin{array}{c}a\\ \\ u\end{array}]{=\left(B^{T}B\right)}^{-1}{B}^T{Y}_n$

$B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right],$ Y_n＝[x⁽⁰⁾(2)x⁽⁰⁾(3)…x⁽⁰⁾(n)]^T

白化方程的解为

$x^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a}$

相应的灰色微分方程的时间响应序列为

${\hat{x}}^{\left(i\right)}(k+1)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a},k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

对序列

进行累减生成操作，即累加生成的逆运算，可得预测序列

其中

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

这样即可求得下一时刻的主板换出水温度预测值。将这个值和主板换出水温度设定值一起送入PID神经元神经网络进行运算。

2、PID神经元神经网络

PID神经元神经网络PIDNN是3层前向网络，包括输入层、隐含层、输出层，其结构为2-3-1，网络的输入层有两个神经元构成，分别输入控制***的主板换出水温度的给定值r和被控对象主板换出水温度灰色预测后的输出值Y；隐含层有3个神经元，各神经元的输出函数互不相同，分别对应于比例(P)、积分(I)、微分(O)3个部分；网络的输出层完成PIDNN控制规律的综合。网络的前向计算实现PIDNN控制规律，网络的反向算法实现PIDNN参数的自适应调整。

PIDNN的输入层和输出层与一般多层前向神经网络类似。根据控制***主板换出水温度给定值和主板换出水温度灰色预测后的输出值，就有：

x₁＝r(k)

x₂＝y(k)

隐含层各神经元的输入函数为

$u_j^{\&prime;}\left(k\right)=\underset{i=1}{\overset{2}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}{x}_i\left(k\right)$      j＝1，2，3

隐含层的输出函数各不相同，分为比例、积分、微分函数，考虑到在实际控制***中，控制器输出能量为有限值，因此此处对PIDNN输出进行了上下限幅处理，为防止过饱和，对积分单元也进行了限幅处理。

比例元的状态为：

$x_1^{\&prime;}\left(k\right)=\left\{\begin{array}{cc}1& x_1^{\&prime;}\left(k\right)>1\\ u_1^{\&prime;}\left(k\right)& -1<x_1^{\&prime;}\left(k\right)<1\\ -1& x_1^{\&prime;}\left(k\right)<-1\end{array}\right.$

积分元状态：

$x_2^{\&prime;}\left(k\right)=\left\{\begin{array}{cc}1& x_2^{\&prime;}\left(k\right)>1\\ x_2^{\&prime;}\left(k\right)+u_2^{\&prime;}\left(k\right)& -1<x_2^{\&prime;}\left(k\right)<1\\ -1& x_2^{\&prime;}\left(k\right)<-1\end{array}\right.$

微分元的状态为

$x_3^{\&prime;}\left(k\right)=\left\{\begin{array}{cc}1& x_3^{\&prime;}\left(k\right)>1\\ x_3^{\&prime;}\left(k\right)-u_3^{\&prime;}(k-1)& -1<x_3^{\&prime;}\left(k\right)<1\\ -1& x_3^{\&prime;}\left(k\right)<-1\end{array}\right.$

输出层神经元的输出为：

$u\&prime;\&prime;\left(k\right)=\underset{i=1}{\overset{1}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}{x}_i^{\&prime;}\left(k\right)$       j＝1，2，3

其中：w_ij为输入层至隐含层，隐含层至输出层的连接权值，k为采样时刻，i＝1，2为PIDNN中输入层神经元序号，j＝1，2，3为PIDNN中隐含层神经元序号。

PIDNN控制***的反传算法完成网络权值的修改，完成神经网络的学习和记忆功能。学习的目标是使

$J=E_P=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{[r\left(k\right)-y\left(k\right)]}^2$

为最小，式中r为***的给定值，y为***的输出值，m为每批采样点数。

按梯度法调节PIDNN权值，设学习步长，经过n步训练后，隐含层至输出层的权重值为：

$w_{j1}(n_0+1)=w_{j1}\left(n_0\right)-{\mathrm{\&eta;}}_{j1}\frac{\&PartialD;J}{\&PartialD;w_{j1}}$

上式中的：

$\frac{\&PartialD;J}{{\&PartialD;w}_{j1}}=\frac{\&PartialD;J}{\&PartialD;y}\&CenterDot;\frac{\&PartialD;y}{\&PartialD;x\&prime;\&prime;}\&CenterDot;\frac{\&PartialD;x\&prime;\&prime;}{{\&PartialD;w}_{j1}}=-\frac{2}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}[r\left(k\right)-y\left(k\right)]\&CenterDot;\frac{y(k+1)-y\left(k\right)}{x\&prime;\&prime;\left(k\right)-x\&prime;\&prime;(k-1)}\&CenterDot;x_j^{\&prime;}=-\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{J1}^{\&prime;}\left(k\right)x_j^{\&prime;}\left(k\right)$

其中：

${\mathrm{\&delta;}}_{J1}^{\&prime;}\left(k\right)=2[r\left(k\right)-y\left(k\right)]\frac{y(k+1)-y\left(k\right)}{x\&prime;\&prime;\left(k\right)-x\&prime;\&prime;(k-1)}$

x＂(k)为输出层神经元的输出值。

使用

代替

以解决对象参数未知而造成的困难，该项为其中的一个相乘因子，该项的正负决定收敛方向，其中大小只约定收敛的速度。

输入层对隐含层的权重值为：

$w_{\mathrm{ij}}(n_0+1)=w_{\mathrm{ij}}\left(n_0\right)-{\mathrm{\&eta;}}_{j1}\frac{\&PartialD;J}{\&PartialD;w_{\mathrm{ij}}}$

同理

$\frac{\&PartialD;J}{{\&PartialD;w}_{j1}}=\frac{\&PartialD;J}{\&PartialD;y}\&CenterDot;\frac{\&PartialD;y}{\&PartialD;x\&prime;\&prime;}\&CenterDot;\frac{\&PartialD;x\&prime;\&prime;}{\&PartialD;x_j^{\&prime;}}\&CenterDot;\frac{{\&PartialD;x}_j^{\&prime;}}{\&PartialD;u_i^{\&prime;}}\&CenterDot;\frac{{\&PartialD;u}_i^{\&prime;}}{{\&PartialD;w}_{j1}}=-\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&delta;}}_{J1}\left(k\right)x_i^{\&prime;}\left(k\right)$

其中， ${\mathrm{\&delta;}}_{J1}\left(k\right){=\mathrm{\&delta;}}_{J1}^{\&prime;}\left(k\right)\&CenterDot;w_{J1}\&CenterDot;\frac{x_j^{\&prime;}(k+1)-x_j^{\&prime;}\left(k\right)}{u_j^{\&prime;}\left(k\right)-u_j^{\&prime;}(k-1)}$

选择合适的网络权重初值，可以加快学习和收敛速度，PIDNN的权重初值按PID控制规律的特点选取。输入层至隐含层权重初值满足(r，y)e映射的要求：

  隐层  w_1j(0)＝+1

  隐层  w_2j(0)＝-1

隐层至输出层的权重初值在无先验经验的情况下设定为小正数，取w_j1＝+0.1。同时，为了保证***调节无静差，输入层至隐层积分单元的权重值应满足(r，y)e的无畸变性。所以，

至隐层积分单元的权重值w₁₂、w₂₂的绝对值在整个过程中相等，符号相反。学***方均值，当本次TP时间内的误差平方均值小于设定允许误差时停止学习。

将计算结果输出后与前馈预测值相加后来控制主板换的出水温度。

3、前馈预测算法

***采集时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度等参数，送入神经网络的输入层，信息正向传播。给出的输入信息通过输入层经隐含层处理，并计算每个单元的实际输出值。

共有1层和n个节点(或称单元)的一个任意网络，每层单元只接受前一层的输出信息并输出给下一层各个节点，各节点的特性为连续可微函数。设给定S个样本(x_k，d_k)(k＝1，2，…，S)，任一节点i的输出为O_i，对某一个样本k，其输入向量为x_k(n维)，网络的输出向量为d_k(m维)。现在研究第1层的第j个单元，当输入第k个样本时，节点j的输入值为

$I_{\mathrm{jk}}^l=\underset{i=1}{\overset{n_l}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}\&CenterDot;O_{\mathrm{ik}}^{l-1}$

式中：k为样本序号；1，1—1为网络层号；i为对应于节点j的前一层的某一个节点(该层总节点数为n1)；O_ik为节点i对某一个样本k的输出值；w_ij为从节点i到节点j的连接权值。

节点j的输出值为

$O_{\mathrm{jk}}^l=f\left(I_{\mathrm{jk}}^l\right)$

式中：为节点的输入信息；f(x)为节点的激活函数；1表示网络层号。

若在输出层未能得到期望的输出值，则逐层递归地计算实际输出值与期望输出值之差值即误差，以便根据误差调节权值。

定义网络的期望输出值d_k与实际输出值的误差平方和为目标函数，即：

$E_k=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{(d_{\mathrm{jk}}-y_{\mathrm{jk}}^{\&prime;})}^2$

式中：d_jk为节点j对样本k的期望输出值；为节点j对样本k的实际输出值，即利用采集到的时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度等参数值，通过传热学公式计算出建筑物的负荷，然后按比例关系得出实际前馈预测值。该比例关系，可以通过试验或者经验来确定。现有技术中，已有了一些计算建筑物负荷的文献记载，详细可参见曹叔维编著的《房间热过程和空调负荷》(上海科学技术文献出版社/1991.10，ISBN号：7-80513-837-0/TU831.8)一书。

上式中，m为输出层的神经元个数。如果只有一个输出单元(m＝1，j＝1)，则有

$E_k=\frac{1}{2}{(d_{\mathrm{jk}}-y_{\mathrm{jk}}^{\&prime;})}^2$

S个样本的总误差定义为：

$E_k=\frac{1}{2S}\underset{i=1}{\overset{S}{\mathrm{\&Sigma;}}}{E}_k$

这样，网络的学习问题就等价于无约束最优化问题，E(w)＝min。

通过调整权值w，使总误差E极小。权值调整式为

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)-\mathrm{\&mu;}\&CenterDot;\frac{\&PartialD;E}{{\&PartialD;w}_{\mathrm{ij}}}$

式中：t为迭代次数；μ为步长；

$\frac{\&PartialD;E}{{\&PartialD;w}_{\mathrm{ij}}}=\underset{i=1}{\overset{S}{\mathrm{\&Sigma;}}}\frac{{\&PartialD;E}_k}{{\&PartialD;w}_{\mathrm{ij}}}$

S为样本个数；w_ij是从节点i到节点j的连接权值。

这两个过程的反复作用，使得误差逐步减小，最后，当误差达到所期望的要求时，网络的学习过程结束，网络输出前馈预测值。

本实施例全年工作过程描述如下：建筑物独立供能***全年不间断运行，其运行模式按照四季划分春季运行模式、夏季运行模式、秋季运行模式和冬季运行模式。本控制***实现该***的全年控制。控制***以候温判断季节更替，室外温度低于10℃，采用冬季运行模式，室外温度在10～20℃之间为春季和秋季运行模式，室外温度在22℃以上为夏季运行模式。

当***进入春季运行模式，建筑物采用全新风通风，不需要向其提供冷量或者热量，所以***出于停机状态。当然，在春季的某一天或者某时刻，温度会低于10℃或者高于20℃，但是控制***依然实现停机控制，这样可以避免机组错误起机，造成能源浪费。当室外温度高于20℃，控制***控制供能***进入夏季的制冷运行模式。夏季，当室外温度低于室内夏季设计温度，则不需要启动机组，而多使用自然通风。当室外温度高于室内夏季设计温度，应启动机组制冷运行。由于控制内采用前馈预测，即使室外温度没有高于室内设计温度，而有高于的趋势，***能搞判断而提前开机。尤其在机组运行过程中，该控制***更能体现出优势。以夏季某天为例(制冷模式下，***出水温度为7℃)，早上室外温度从30℃开始升高，建筑物独立供能***初始转速为2000r/min。当室外温度升高，室内负荷将增加。由于存在建筑物围护结构，负荷增加存在延迟，独立供能***的水温反应相应延迟。本控制***的前馈预测直接采集当前室外温度等各种变化经过计算，得出前馈数值，送入控制器，使其提前动作。这样室外温度一增加，控制***控制供能***随之增加制冷量。制冷量的增加和房间负荷的增加同步，而不会存在延迟，保证***运行更佳平稳、安全。早上至中午的温度持续上升，灰色预测能够采集连续的温度变化，得出这一系列温度的变化幅度与变化速率。经过计算得出结果。***把这个能够反映温度变化规律的结果当作控制***的反馈值参与***控制，也就是说本控制器输出的控制量反映了本次变化幅度、历史变化幅度和速度，预测出未来变化幅度和速度，有利于准确控制。室外温度从30℃增加到31℃，前馈预测模型根据这一温度变化，经过计算预测出前馈数值为400(控制器输出模拟量-3200～3200)，由于存在着围护结构等的延迟，房间负荷还没有发生大的变化，当前供水温度也就还没有发生大的变化，只为7.06℃。灰色预测模型采集本次7.06℃和前几次的回水温度值组成回水温度系列{7.01℃、7.02℃、7.035℃、7.06℃}。经过计算，回水温度为7.08℃。将7.08℃代替7.06℃当作反馈温度，而送入控制器内。控制器采集设定温度7℃和反馈温度7.08℃，送入PID神经元神经网络进行计算。计算得出控制量为500。加上前馈预测的400，那么控制器的总输出量为900。线性化后，得出供能***应该提高到1800r/min。如此运行，***的出水温度基本稳定在7℃±2％。当时间进入下午降温时段，室外温度从35℃降低到34℃，前馈预测模型根据这一温度变化，经过计算预测出前馈数值为300，由于存在着围护结构等的延迟，房间负荷还没有发生大的变化，当前供水温度也就还没有发生大的变化，只为6.95℃。灰色预测模型采集本次6.95℃和前几次的回水温度值组成回水温度系列{7.01℃、7℃、6.98℃、6.95℃}。经过计算，回水温度为6.93℃。将6.93℃代替6.95℃当作反馈温度，而送入控制器内。控制器采集设定温度7℃和反馈温度6.93℃，送入PID神经元神经网络进行计算。计算得出控制量为400。加上前馈预测的300，那么控制器的总输出量为700。线性化后，得出供能***应该降低到2300r/min。如此运行，***的出水温度基本稳定在7℃±2％。当候温降至20℃～10℃，***进入秋季运行，其控制方式与春季基本相同，不再赘述。当候温降至10℃及以下，控制器进入冬季运行模式。控制器冬季运行模式与夏季运行模式相似。以冬季某天为例(制热模式下，***出水温度为60℃)，早上室外温度从-5℃开始升高，建筑物独立供能***初始转速为2400r/min。

室外温度从-5℃增加到-2℃，前馈预测模型根据这一温度变化，经过计算预测出前馈数值为-600(控制器输出模拟量-3200～3200)，由于存在着围护结构等的延迟，房间负荷还没有发生大的变化，当前供水温度也就还没有发生大的变化，只为61℃。灰色预测模型采集本次和前几次的回水温度值组成回水温度系列{60℃、60.2℃、60.5℃、61℃}。经过计算，输出结果为61.8℃。将61.8℃代替61℃当作反馈温度，而送入控制器内。控制器采集设定温度60℃和反馈温度61.8℃，送入PID神经元神经网络进行计算。计算得出控制量为-700。加上前馈预测的-600，那么控制器的总输出量为-1300。线性化后，得出供能***应该降低到1700r/min。如此运行，***的出水温度稳定在60℃±2％。当时间进入下午降温时段，室外温度从0℃降低到-3℃，前馈预测模型根据这一温度变化，经过计算预测出前馈数值为300，由于存在着围护结构等的延迟，房间负荷还没有发生大的变化，当前供水温度也就还没有发生大的变化，只为59℃。灰色预测模型采集本次59℃和前几次的回水温度值组成回水温度系列{60.2℃、59.9℃、59.5℃、59℃}。经过计算，回水温度为58.5℃。将58.5℃代替59℃当作反馈温度，而送入控制器内。控制器采集设定温度60℃和反馈温度58.5℃，送入PID神经元神经网络进行计算。计算得出控制量为400。加上前馈预测的300，那么控制器的总输出量为700。线性化后，得出供能***应该升高到2300r/min。如此运行，***的出水温度基本稳定在60℃±2％。当候温升至10℃～20℃，***进入又一次进入春季运行，重复另一个循环。

Claims (5)

1.一种建筑物独立供能温度非线性预测控制方法，包括PID神经元神经网络和灰色预测控制器，所述的灰色预测控制器根据出水温度的历史变化，采用灰色预测法，得到出水温度预测值，再将该出水温度预测值与出水温度设定值一起被送入PID神经元神经网络，作为其前向网络的输入层；所述的PID神经元神经网络前向网络的隐含层含有3个神经元，各神经元的输出函数分别对应于比例、积分、微分3个部分；网络的输出层进行PID神经元神经网络控制量计算，根据出水温度实际测量值和设定值之间的误差信号在线调整权重，直至误差达到期望要求，从而实现建筑物独立供能温度非线性预测控制。

2.根据权利要求1所述的建筑物独立供能温度非线性预测控制方法，其特征在于，在隐含层至输出层的权重初值设定为<＝+0.1的小正数，输入层至隐层积分单元的权重值的整个训程中绝对值相等，符号相反。

3.根据权利要求1所述的建筑物独立供能温度非线性预测控制方法，其特征在于，按照下列步骤得到出水温度预测值：

(1)设X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))为主板换出水温度序列，设X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))，其中 $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

设，z⁽¹⁾(k)＝0.5[x⁽¹⁾(k)+x⁽¹⁾(k-1)]，k＝1，2，…，n.；则GM(1，1)的灰色微分方程为：

x⁽⁰⁾(k)+αz⁽¹⁾(k)＝u，k＝1，2，…，n.，

相应的白化方程为 $\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}\left(t\right)=u,$ k＝1，2，…，n.其中：a发展系数，u为黑色作用量；

(2)根据下列公式，利用最小二乘法求得a和u：

$[\begin{array}{c}a\\ \\ u\end{array}]={\left(B^{T}B\right)}^{-1}{B}^T{Y}_n,B=\left[\begin{array}{cc}{-z}^{\left(1\right)}\left(2\right)& 1\\ {-z}^{\left(1\right)}\left(3\right)& 1\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;\\ {-z}^{\left(1\right)}\left(n\right)& 1\end{array}\right],$ Y_n＝[x⁽⁰⁾(2)x⁽⁰⁾(3)…x⁽⁰⁾(n)]^T

则白化方程的解为 $x^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a};$

(3)求取灰色微分方程的时间响应序列 ${\hat{x}}^{\left(i\right)}(k+1)=(x^{\left(1\right)}\left(1\right)-\frac{u}{a})e^{-\mathrm{ak}}+\frac{u}{a},k=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n.$

(4)根据公式 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),$ k＝1，2，…，n.计算出水温度值预测序列 ${\hat{X}}^{\left(0\right)}.$

4.根据权利要求1所述的建筑物独立供能温度非线性预测控制方法，其特征在于，所述建筑物独立供能温度非线性预测控制方法还包括下列的前馈预测控制器：以时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度为输入层，以前馈预测值为输出层，建立基于神经网络的前馈预测控制器，训练神经网络，根据期望输出值与实际前馈预测值的之间的误差信号在线调整神经网络，直至误差达到期望要求，此时神经网络训练完成，网络输出前馈预测值。

5.根据权利要求4所述的建筑物独立供能温度非线性预测控制方法，其特征在于，实际前馈预测值根据下述方法在线计算得出：采集时间、太阳辐射量、室内外空气的温湿度、发动机转速和建筑物独立供能***的供回水温度参数，根据建筑物负荷计算理论，计算出建筑物负荷，然后按比例关系得出实际前馈预测值。

Images