陳孟元

?

基于PSO的改進的PID控制器在VAV空調(diào)系統(tǒng)溫度控制中的應(yīng)用

陳孟元1,2

（1.安徽工程大學(xué)，安徽，蕪湖 241000; 2. 安徽省電氣傳動與控制重點實驗室，安徽，蕪湖 241000）

以變風(fēng)量空調(diào)系統(tǒng)的溫度控制作為研究對象，在現(xiàn)有的研究基礎(chǔ)上，提出了粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制方法。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行PID參數(shù)在線整定，粒子群優(yōu)化算法提高BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率和收斂性，結(jié)合三者各自的優(yōu)勢以提高變風(fēng)量空調(diào)系統(tǒng)的控制性能。

VAV系統(tǒng)；溫度控制；粒子群優(yōu)化算法；BP神經(jīng)網(wǎng)絡(luò)；PID控制

變風(fēng)量空調(diào)系統(tǒng)(Variable Air Volume Air Condition System，簡稱VAV空調(diào)系統(tǒng))是通過改變送風(fēng)量使某一區(qū)域的溫度保持在設(shè)定溫度的一種空調(diào)系統(tǒng)[1]。近年來，變風(fēng)量空調(diào)系統(tǒng)由于其節(jié)能優(yōu)勢正受到越來越多的關(guān)注，成為研究的熱點。一個良好的變風(fēng)量空調(diào)系統(tǒng)，除了精確的設(shè)計計算，合理的系統(tǒng)布置，到位的施工安裝外，選擇一個最佳的控制方法也很關(guān)鍵[2]。由于VAV空調(diào)系統(tǒng)具有非線性、大滯后和時變性等特點，對于該系統(tǒng)常規(guī)PID控制方法存在著參數(shù)整定不良、抗干擾能力差等缺點，不能達到預(yù)期的控制效果，尋找一種好的控制策略勢在必行。本文基于人工智能控制思想，結(jié)合粒子群優(yōu)化算法機理，引入BP神經(jīng)網(wǎng)絡(luò)PID控制算法，設(shè)計了一種粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器，并將其應(yīng)用于VAV空調(diào)系統(tǒng)的溫度控制中。

1 VAV空調(diào)系統(tǒng)溫度控制原理

變風(fēng)量空調(diào)系統(tǒng)中的溫度控制是通過特殊的送風(fēng)裝置來實現(xiàn)的，這種送風(fēng)裝置又稱為“末端裝置”。末端控制裝置以室內(nèi)調(diào)節(jié)區(qū)域溫度的波動為控制信號來控制送風(fēng)機的送風(fēng)量，從而適應(yīng)房間溫度的變化[3]。

圖1 “末端裝置”控制回路框圖

VAV空調(diào)系統(tǒng)“末端裝置”框圖如圖1所示。從該框圖可以看出，控制回路含兩個控制器：主控制器為溫控器，副控制器為風(fēng)控器，兩個控制器是串級連接的。通過串級控制可以改善反饋控制回路的性能，當(dāng)溫度傳感器檢測出房間內(nèi)溫度的變化，把信息反饋到溫控器，將檢測到的實際溫度和設(shè)定溫度根據(jù)比較值輸出信號作為所需風(fēng)量的設(shè)定值，風(fēng)量控制器根據(jù)設(shè)定值調(diào)節(jié)風(fēng)閥，改變風(fēng)量，以促使溫度返回到其設(shè)定值上。

2 VAV空調(diào)系統(tǒng)數(shù)學(xué)模型

2.1 空間模型

設(shè)被調(diào)空間溫度均勻分布，即不考慮由送風(fēng)溫差而導(dǎo)致的房間局部溫度差異。根據(jù)能量守恒定律，即一定時間內(nèi)進入空間的能量減去空間流出的能量應(yīng)等于空間內(nèi)能量的變化，得到空間模型的微分方程[4]表達式為：

系統(tǒng)受到干擾而處于不穩(wěn)定狀態(tài)時，

經(jīng)過拉氏變換，為

簡化處理后可以得到調(diào)節(jié)通道的傳遞函數(shù)為：

根據(jù)空調(diào)房間特性參數(shù)的估算公式，對于孔板送風(fēng)的情況有：

2.2 傳感器數(shù)學(xué)模型

溫度傳感器模型[5]可以如式(8)：

2.3 風(fēng)閥執(zhí)行器的數(shù)學(xué)模型

執(zhí)行器是自動控制系統(tǒng)的重要組成部分，其性能好壞直接影響控制質(zhì)量。風(fēng)閥執(zhí)行器的作用就是控制風(fēng)閥全開或全關(guān)，或控制其開在某個角度，或可以在某個角度范圍進行調(diào)節(jié)，來控制風(fēng)量。本系統(tǒng)采用的是電動調(diào)節(jié)閥，其微分方程為：

3 粒子群優(yōu)化算法改進的神經(jīng)網(wǎng)絡(luò)PID控制

粒子群優(yōu)化算法 (Particle Swarm Optimization，PSO)是由美國的Kenned和Eberhar于1995年提出的一種優(yōu)化算法，該算法通過模擬鳥群覓食行為的規(guī)律和過程，建立了一種基于群智能方法的演化計算技術(shù)。由于此算法在多維空間函數(shù)尋優(yōu)、動態(tài)目標(biāo)尋優(yōu)時有實現(xiàn)容易，魯棒性好，收斂快等優(yōu)點在科學(xué)和工程領(lǐng)域已取得很好的研究成果[6]。

粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)是結(jié)合粒子群優(yōu)化算法和梯度下降法來加速收斂和防止陷入部分極小點。具體算法如下[7]：

（1）由輸入節(jié)點數(shù)目由被控對象的輸入變量確定s；

（2）隱含層神經(jīng)元3個，近似比例、積分和微分的作用；

（4）將PID控制器和被控對象串連成閉環(huán)系統(tǒng)；

（5）運行搭建的系統(tǒng)，在采樣周期內(nèi)

⑦+ 1；

循環(huán)運行①-⑦。

按照粒子群優(yōu)化算法的基本原理和算法流程，應(yīng)用粒子群優(yōu)化算法改進BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)PID參數(shù)尋優(yōu)[8]。建立如圖2所示的基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)KP、KI、KD自學(xué)習(xí)的PID控制器結(jié)構(gòu)圖。

圖2 粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)PID控制的模型結(jié)構(gòu)

4 系統(tǒng)仿真

根據(jù)以上分析，在MATLAB的Simulink中作出粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制系統(tǒng)的仿真模型，如圖3所示。圖4為根據(jù)圖3模型運行得到的粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器的房間溫度控制仿真曲線。

圖3 粒子群優(yōu)化算法改進BP神經(jīng)網(wǎng)絡(luò)PID控制仿真模型

圖4 粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)PID控制器房間溫度控制仿真曲線

為了更加直觀地看到不同控制器的控制效果，將使用PID控制器、BPNN PID控制器與本文設(shè)計的PSO-BPNN PID控制器的房間溫度控制仿真曲線進行對比，如圖5所示。

圖5 三種控制器的房間溫度控制仿真曲線

表1 VAV系統(tǒng)溫度控制三種PID控制器性能評價

三種PID控制器的VAV系統(tǒng)房間溫度控制的性能指標(biāo)評價如表1所示?？梢缘贸觯築P神經(jīng)網(wǎng)絡(luò)PID控制器結(jié)合了神經(jīng)網(wǎng)絡(luò)控制和PID控制兩者的優(yōu)點，與常規(guī)PID控制器比較，具有峰值時間短震蕩次數(shù)少，超調(diào)量小，響應(yīng)速度快等特點。利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，自動調(diào)節(jié)權(quán)值，達到在線改變KP、KI、KD三個參數(shù)，降低系統(tǒng)誤差的目的。將BP神經(jīng)網(wǎng)絡(luò)PID控制策略應(yīng)用于VAV空調(diào)系統(tǒng)的溫度控制中，系統(tǒng)穩(wěn)定，室內(nèi)溫度波動小，對于動態(tài)系統(tǒng)而言是一種較好的控制策略。改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器應(yīng)用粒子群優(yōu)化算法代替最速下降法進行BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值訓(xùn)練，可以彌補一般最速下降算法的收斂速度慢和容易陷入局部極小的缺點。另一方面一般BP神經(jīng)網(wǎng)絡(luò)PID控制器雖然能縮短系統(tǒng)的穩(wěn)定時間，然而由于網(wǎng)絡(luò)訓(xùn)練算法的缺陷，系統(tǒng)的穩(wěn)定性仍然不是很理想，利用粒子群優(yōu)化算法進行BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練，可以很快地實現(xiàn)PID控制參數(shù)的尋優(yōu)過程，并且在尋優(yōu)過程中很好避免局部尋優(yōu)的假象。因此從三種控制器的房間溫度控制仿真曲線中可以看出PSO-BP神經(jīng)網(wǎng)絡(luò)PID控制器穩(wěn)定時間快、超調(diào)量小，房間溫度能夠更快進入穩(wěn)定。

5 結(jié)論

本文針對VAV空調(diào)系統(tǒng)溫度控制具有非線性、不確定性等特點，而傳統(tǒng)PID控制難以在線調(diào)整控制參數(shù)，自適應(yīng)能力差，對系統(tǒng)的控制快速性和準(zhǔn)確性差的特點，提出將基于粒子群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)PID控制器應(yīng)用于該系統(tǒng)。在分析得到房間模型和VAV系統(tǒng)各環(huán)節(jié)的數(shù)學(xué)模型后，分別設(shè)計了PID控制器、BP神經(jīng)網(wǎng)絡(luò)PID控制器和粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器，運用MATLAB中的Simulink建立了系統(tǒng)的仿真模型并進行了仿真研究，對比傳統(tǒng)PID控制，可得以下結(jié)論：粒子群優(yōu)化算法改進的BP神經(jīng)網(wǎng)絡(luò)PID控制器既結(jié)合了BP神經(jīng)網(wǎng)絡(luò)控制和常規(guī)PID控制的特點，能夠利用BP神經(jīng)網(wǎng)絡(luò)根據(jù)輸入輸出的變化實現(xiàn)PID控制參數(shù)KP、KI、KD的在線整定，達到很好的控制效果；又能夠利用粒子群優(yōu)化算法全局搜索能力強的優(yōu)點來克服BP算法收斂速度慢、易陷入局部最小點的缺點，在商場VAV系統(tǒng)的溫度控制中能達到很好的控制效果，為VAV空調(diào)系統(tǒng)的溫度控制提供了一種新的思路。

[1] 徐征,劉筱屏,何海亮．溫濕度獨立控制空調(diào)系統(tǒng)節(jié)能性實例分析[J].暖通空調(diào),2007,37(6):129-132.

[2] 何建平.變風(fēng)量空調(diào)系統(tǒng)控制方法對比研究[J].制冷與空調(diào),2009,23(2):83-85.

[3] Aktacir M A, Büyükalaca O, lmaz T Y. A case study for influence of building thermal insulation on cooling load and air-conditioning system in the hot and humid regions[J]. Applied Energy, 2010, 87(2): 599-607.

[4] 曹方,王偉,王介生,等.基于HS-PSO算法的PID控制器參數(shù)自整定[J]．控制工程,2011,18(3):352-355.

[5] 時子青,陳向東,龔靜,等.一種新型MEMS溫度傳感器[J].傳感器與微系統(tǒng),2011,30(9):149-192.

[6] Zhan Z H. Adaptive particle swarm optimization. Systems, Man, and Cybernetics, Part B: Cybernetics[J]. IEEE Transactions on, 2009, 39(6): 1362-1381.

[7] 任子武,傘冶,陳俊風(fēng).改進PSO算法及在PID參數(shù)整定中應(yīng)用研究[J].系統(tǒng)仿真學(xué)報,2006,18(10):2870-2873.

[8] Feng Z X, Ren Q C, Yu J Q. The Modeling and Simulation of VAV System Based on BP Neural Network[J]. Advanced Materials Research, 2012, 374: 109-112.

RESEARCH OF THE IMPROVED BP-NN PID CONTROLLER BASED ON PSO FOR THE VAV AIR-CONDITIONING SYSTEM

CHEN Meng-yuan1,2

(1. Anhui Polytechnic University, Wuhu, Anhui 241000, China; 2. Key Laboratory of Anhui Electric Drive and Control, Wuhu, Anhui 241000, China)

Based on the existed research, we took the temperature control of AVA air-conditioning system as research object and put forward the BP neural network’s control theory of PID based on the particle swarm optimization. By applying BP neural network on the online installation of PID parameter, particle swarm optimization can improves the study speed and convergence of BP neural network. Combining all the three advantages，we improve the control performance of AVA air-conditioning system.

VAV system; temperature control; particle swarm optimization; BP neural network; PID control

1674-8085(2014)01-0055-05

TM351

A

10.3969/j.issn.1674-8085.2014.01.012

2013-01-18；

2013-06-19

安徽省自然科學(xué)基金項目（11040606M153）；蕪湖市科技計劃基金項目（蕪科計[2011]47號文）；安徽省高校自然科學(xué)基金項目(KJ2013A041)；國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201210363003)

陳孟元(1984-)，男，安徽蕪湖人，講師，碩士，主要從事檢測技術(shù)及其自動化研究(E-mail: mychen @ahpu.edu.cn).