专利汇可以提供一种VAV变风量空调系统控制方法专利检索,专利查询,专利分析的服务。并且本 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。,下面是一种VAV变风量空调系统控制方法专利的具体信息内容。
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、CO2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CO2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CO2浓度,输出为下一时刻CO2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:
其中xi为归一化后神经网络的输入值,xdi为原输入值,xdmin为原输入值中的最小值,xdmax为原输入值中的最大值;ytl为归一化后神经网络的目标值,ydl表示原目标值;ydmin表示原目标值中的最小值;ydmax为原目标值中的最大值;
4)对神经网络进行离线训练;
第二步:VAV空调末端串级预测控制
1)确定末端外环预测控制目标函数
末端外环预测控制目标函数为:
其中Mc为预测时域,t1是预测时域内的初始时刻,To[k]为第k个采样周期的空调区域温度,To,set[k]是第k个采样周期的空调区域温度设定值,Lo为第k个采样周期末端外环目标函数;
2)确定末端内环预测控制目标函数
末端内环预测控制目标函数为:
其中Vi[k]为第k个采样周期的风量,Vi,set[k]是第k个采样周期的风量设定值;Mi为预测时域,Li为第k个采样周期末端内环目标函数;
3)确定末端内环神经网络预测控制器和末端外环神经网络预测控制器结构末端串级控制回路内外环控制器均选用神经网络预测控制器,末端内环神经网络预测控制器将风量设定值、空调机组主风道管道静压与管道风量作为输入,阀门开度为输出;末端外环神经网络预测控制器的输入参数包括室外温度、太阳辐射强度、室内温度和空调区域温度设定值;输出参数为风量设定值;
4)对末端内环神经网络预测控制器和末端外环神经网络预测控制器进行在线寻优训练,根据采集的空调区域温度,输入外环神经网络预测控制器,计算出设定风量,再利用内环神经网络预测控制器对末端风阀开度进行调整;
第三步:VAV空调机组预测控制
1)确定VAV空调机组可调整设定静压的静压控制回路、VAV空调机组总风量控制回路、VAV空调机组送风温度控制回路和VAV空调机组新风比串级控制回路预测控制目标函数静压控制回路预测控制目标函数为:
其中Ps[k]为第k个采样周期的管道静压,Ps,set[k]是第k个采样周期的空调区域设定静压,Ms为预测时域,Ufan[k]为k个采样周期风机电压控制量,Ls为第k个采样周期静压控制回路目标函数;
总风量控制回路预测控制目标函数为:
其中Vfan[k]为第k个采样周期的管道风量,Mf为预测时域,Vfan.set[k]为第k个采样周期的各末端预测风量之和,Lf为第k个采样周期总风量控制回路目标函数;
送风温度控制回路预测控制目标函数为:
其中Tst[k]为第k个采样周期的温度,Tst,set[k]是第k个采样周期的设定温度,Mst为预测时域,Lst为第k个采样周期送风温度控制回路目标函数;
新风比控制回路外环预测控制目标函数为:
其中Q[k]为第k个采样周期的空气质量,Qset[k]为第k个采样周期的空气质量设定值,Mq为预测时域,Lno为第k个采样周期新风比控制回路外环目标函数;
新风比控制回路内环预测控制目标函数为:
其中Vi[k]为第k个采样周期的预测风阀输出风量,S[k]是第k个采样周期的设定风量,Mi为预测时域,Lni为第k个采样周期新风比控制回路内环目标函数;
2)确定VAV空调机组可调整设定静压的静压控制回路、VAV空调机组总风量控制回路、VAV空调机组送风温度控制回路和VAV空调机组新风比串级控制回路神经网络预测控制器结构
静压神经网络预测控制器的输入信号为设定管道静压和管道静压,输出为风机转速;
总风量神经网络预测控制器输入信号为管道风量和总风量,输出为风机转速;
送风温度神经网络预测控制器的输入信号为设定送风温度和送风温度,输出为水阀开度;
新风比串级控制回路内外环控制器均选用神经网络预测控制器,新风比外环神经网络预测控制器输入为设定CO2浓度和回风CO2浓度,输出为设定新风量;新风比内环神经网络预测控制器将设定风量、新风管道静压与管道风量作为输入,新风阀门开度为输出;
3)当系统静压监测点的静压值下降达到设定值时,选择可调整设定静压的静压预测控制策略,实现静压控制回路中静压神经网络预测控制器在线寻优;
4)当系统静压监测点的静压值高于设定值时,运行总风量预测控制策略,实现总风量控制回路中总风量神经网络预测控制器在线寻优;
5)实现送风温度控制回路中送风温度神经网络预测控制器在线寻优;
6)实现新风比串级控制回路中新风比内环和外环神经网络预测控制器在线寻优,根据采集的回风CO2浓度,输入外环神经网络预测控制器,计算出设定新风量,再利用内环神经网络预测控制器对新风风阀开度进行调整。
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0V到10V间隔1V分成十个等级,同时,末端风阀开度也按0V到10V间隔1V分成十个等级,采集室外太阳辐射强度、室外温度、CO2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0V到10V间隔1V分成十个等级,同时,末端风阀开度也按0V到10V间隔1V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0V到10V间隔
1V分成十个等级,采集VAV空调机组风机转速、管道静压、回风CO2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0V到10V间隔1V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0V到10V间隔1V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0V到10V间隔1V分成十个等级,同时,新风风阀开度也按0V到10V间隔1V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0V到10V间隔1V分成十个等级,同样的,新风风阀开度也按0V到10V间隔1V分成十个等级,采集CO2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
神经网络类型 单隐层前向BP网络
输入层节点数 A*
输出层节点数 1
隐层节点数 B*
神经元激发函数 隐层'tansig',输出层'purelin'
学习函数 'learngdm'
性能函数 'msereg'
网络训练函数 'trainbr'
权(阈)值初始化方法 'initnw'
最大训练时间 2000Epochs
目标误差 0
A*:空调区域温度预测模型取值6,末端风阀预测模型、空气质量预测模型、送风温度预测模型、主风道风量预测模型和新风风阀预测模型取值2,主风道管道静压预测模型取值5;
B*:
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Mo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; 为k+1时刻预测模型输出,即k+1时刻的室内预测温度;x*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; 为阀门末端风阀预测模型输出的k+1时刻预测风量,将x[t1]、x*和-1作用于末端外环神经网络预测控制器,得到设定量S[t1],将S[t1]、Y[t1]和-1作用于末端内环神经网络预测控制器,得到C[t1],然后将C[t1]作用于末端风阀预测模型,得到预测风量 保持末端内环神经网络预测控制器权值不变,将 S[t1]和-1作用于末端内环神经网络预测控制器,得到C’[t1+1],将C’[t1+1]输入末端风阀预测模型,得到 将 S[t1]和-1作用于末端内环神经网络预测控制器,得到C’[t1+2];将C’[t1+2]输入末端风阀预测模型,得到 将所计算出的数据保存起来,令λi[k+Mi]=0,从后向前分别计算式(3)中的λi[k]和qi[k]:
(3)
式中fv(k)代表之前建立的末端风阀预测模型;gi(k;Wi)为末端内环神经网络预测控制器方程;根据计算出的qi[k],通过式(4)和式(5)修正末端内环神经网络预测控制器的权值:
Wi=Wi+ΔWi (5)
其中Wi是末端内环神经网络预测控制器的权值阵,μi是权值更新率,μi选择0.05,不断修改末端内环神经网络预测控制器的权值,直至ΔWi<0.001;
将S[t1]、Y[t1]和-1作用于寻优后的末端内环神经网络预测控制器,得到u’[t1],将u'[t1]作用于末端风阀预测模型,得到 之后将x[t1]、 作用于空调区域预测模型,得到 保持末端外环神经网络预测控制器权值不变,将 x*和-1作用于末端外环神经网络预测控制器,得到设定量s’[t1+1];再一次进行内环寻优,将s’[t1+1]、和-1作用于寻优后的末端内环神经网络预测控制器,得到u’[t1+1],再将u’[t1+1]作用于末端风阀预测模型,得到 之后将x[t1+1]x[1]、 作用于空调区域预测模型,得到 将 x*和-1作用于末端外环神经网络预测控制器,得到设定量s’[t1+2];再一次进行内环寻优,将s’[t1+2]、 和-1作用于寻优后的末端内环神经网络预测控制器,得到u’[t1+2],再将u’[t1+2]作用于末端风阀预测模型,得到 之后,将 作用于空调区域预测模型,得到 并依此类推,利用控制器神
经网络和对象预测模型推算出到未来u’[t1+i]和 的值,其中i=3,…,6,并将所计算出的数据保存起来,令λo[k+Mo]=0,从后向前分别计算式(6)中的λo[k]和qo[k]:
(6)
式中fz(k)代表之前建立的空调区域预测模型,go(k;Wo)为末端外环神经网络预测控制器方程,根据计算出的qo[k],对于k=t1+Mo-1,…,t1+2,t1+1,t1,通过式(7)和式(8)修正末端外环神经网络预测控制器的权值:
Wo=Wo+ΔWo (8)
其中Wo是末端外环神经网络预测控制器的权值阵,μo是权值更新率,μo选择0.05,不断修改末端外环神经网络预测控制器的权值,直至ΔWo<0.001;在外环寻优结束后,将x[t1]和x*输入末端外环神经网络预测控制器,再将得到的S[t1]和Y[t1]输入末端内环神经网络预测控制器,将输出u[t1]直接作用于末端风阀;
下一个采样周期到时重复上述操作,分别计算出以后各个时刻控制量的值,直至控制过程结束。
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μs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,x*是设定管道静压,将x[t1]、x*和-1作用于静压神经网络预测控制器,得到控制量ufan[t1],然后将ufan[t1]作用于被控对象,得到x[t1+1],再将ufan[t1]、x[t1]和-1作用于主风道管道静压预测模型,得到保持静压神经网络预测控制器权值不变,将x[t1+1]、x*和-1作用于控制器,得到u’fan[t1+1],将u’fan[t1+1]、x[t1+1]和-1作用于主风道管道静压预测模型,得到 将所计算出的数据保存起来,令λs[k+Ms]=0,从后向前分别计算式(9)中的λs[k]和qs[k]:
(9)
其中式中fs(k)代表之前建立的主风道管道静压预测模型,gs(k;Ws)为静压神经网络预测控制器方程,根据计算出的qs[k],对于k=t1+Ms-1,…,t1+2,t1+1,t1,通过式(10)和式(11)修正静压神经网络预测控制器的权值:
Ws=Ws+ΔWs (11)
其中Ws是静压神经网络预测控制器的权值阵,μs是权值更新率,μs选择0.05,不断修改静压神经网络预测控制器的权值,直至ΔWs<0.001;
下一个采样周期到时重复上述操作,分别计算出以后各个时刻控制量的值,直至控制过程结束。
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μf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,x*是各区域风量设定值之和,将x[t1]、x*和-1作用于总风量神经网络预测控制器,得到控制量ufan[t1],然后将ufan[t1]作用于被控对象,得到x[t1+1],再将ufan[t1]、x[t1]和-1作用于主风道风量预测模型,得到 保持总风量神经网络预测控制器权值不变,将x[t1+1]、x*和-1作用于控制器,得到u’fan[t1+1],将u’fan[t1+1]、x[t1+1]和-1作用于主风道风量预测模型,得到 将所计算出的数据保存起来,令λf[k+Mf]=0,从后向前分别计算式(12)中的λf[k]和qf[k]:
(12)
其中ff(k)代表之前建立的主风道风量预测模型,gf(k;Wf)为总风量神经网络预测控制器方程,根据计算出的qf[k],对于k=t1+Mf-1,…,t1+2,t1+1,t1,通过式(13)和式(14)修正总风量神经网络预测控制器的权值:
Wf=Wf+ΔWf (14)
其中Wf是总风量神经网络预测控制器的权值阵,μf是权值更新率,μf选择0.05,不断修改总风量神经网络预测控制器的权值,直至ΔWf<0.001;
下一个采样周期到时重复上述操作,分别计算出以后各个时刻控制量的值,直至控制过程结束。
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μst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,x*是设定送风温度,控制系统检测所有末端VAV-BOX一次风量,当出现某一VAV-BOX一次风量低于额定风量30%时,减小水阀开度,将设定送风温度x*提高0.5℃;当某一末端VAV-BOX一次风量大于70%时,增大水阀开度,将设定送风温度x*降低0.5℃;
将x[t1]、x*和-1作用于送风温度神经网络预测控制器,得到控制量u[t1],然后将u[t1]作用于被控对象,得到x[t1+1],再将u[t1]、x[t1]和-1作用于送风温度预测模型,得到 保持送风温度神经网络预测控制器权值不变,将x[t1+1]、x*和-1作用于控制器,得到u'[t1+1],将u'[t1+1]、x[t1+1]和-1作用于送风温度预测模型,得到 将所计算出的数据保存起来,令λst[k+Mst]=0,从后向前分别计算式(15)中的λst[k]和qst[k]:
(15)
其中fst(k)代表之前建立的送风温度预测模型,gst(k;Wst)为送风温度神经网络预测控制器方程,根据计算出的qst[k],对于k=t1+Mst-1,…,t1+2,t1+1,t1,通过式(16)和式(17)修正送风温度神经网络预测控制器的权值:
Wst=Wst+ΔWst (17)
其中Wst是送风温度神经网络预测控制器的权值阵,μst是权值更新率,μst选择0.05,不断修改送风温度神经网络预测控制器的权值,直至ΔWst<0.001;
下一个采样周期到时,重复上述操作,分别计算出以后各个时刻控制量的值,直至控制过程结束。
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[0.7,1]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Mq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CO2浓度; 为k时刻预测模型输出,即k+1时刻的回风CO2浓度; 为t1时刻的回风CO2浓度;x*是CO2浓度设定值;S[k]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;O[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; 为新风风阀预测模型输出的k+1时刻预测风量,将x[t1]、x*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[t1],将S[t1]、Y[t1]和-1作用于新风比内环神经网络预测控制器,得到O[t1],然后将O[t1]分别作用于新风风阀预测模型,得到预测风量 保持新风比内环神经网络预测控制器权值不变,将 S[t1]和-1作用于新风比内环神经网络预测控制器,得到O’[t1+1],将O’[t1+1]输入新风风阀预测模型,得到 将 S[t1]和-1作用于新风比内环神经网络预测控制器得到O’[2],将O’[2]输入新风风阀预测模型,得到 将所计算出的数据保存起来,令λni[k+2]=0,从后向前分别计算式(18)中的λni[k]和qni[k]:
(18)
式中fnv(k)代表之前建立的新风风阀预测模型;gni(k;Wni)为新风比内环神经网络预测控制器方程;根据计算出的qni[k],通过式(19)和式(20)修正新风比内环神经网络预测控制器的权值:
Wni=Wni+ΔWni (20)
其中Wni是新风比内环神经网络预测控制器的权值阵,μni是权值更新率,μni选择
0.05,不断修改新风比内环神经网络预测控制器的权值,直至ΔWni<0.001;
将S[t1]、Y[t1]和-1作用于寻优后的新风比内环神经网络预测控制器,得到u[t1],然后将u[t1]作用于被控对象,得到x[t1+1],再将u[t1]作用于新风风阀预测模型,得到之后将x[t1]、 作用于空调区域预测模型,得到 保持新风比外环神经网络预测控制器权值不变,将x[t1+1]、x*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’[t1+1];再一次进行内环寻优,将s’[t1+1]、 和-1作用于寻优后的新风比内环神经网络预测控制器,得到u’[t1+1],再将u’[t1+1]作用于新风风阀预测模型,得到之后,将x[t1+1]、 作用于空调区域预测模型,得到 将 x*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’[t1+2];再一次进行内环寻优,将s’[t1+2]、 和-1作用于寻优后的新风比内环神经网络预测控制器,得到u’[t1+2],再将u’[t1+2]作用于新风风阀预测模型,得到 之后,将 作用于空
调区域预测模型,得到 并依此类推,利用控制器神经网络和对象预测模型推算出到未来u’[t1+i]和 的值,其中i=3,…,6,并将所计算出的数据保存起来,令λno[k+Mq]=0,从后向前分别计算式(21)中的λno[k]和qno[k]:
(21)
式中fn(k)代表之前建立的空气质量预测模型,gno(k;Wno)为新风比外环神经网络预测控制器方程,根据计算出的qno[k],对于k=t1+Mq-1,…,t1+2,t1+1,t1,通过式(22)和式(23)修正新风比外环神经网络预测控制器的权值:
Wno=Wno+ΔWno (23)
其中Wno是新风比外环神经网络预测控制器的权值阵,μno是权值更新率,μno选择
0.05,不断修改新风比外环神经网络预测控制器的权值,直至ΔWno<0.001;在外环寻优结束后,将x[t1]和x*输入新风比外环神经网络预测控制器,再将得到的S[t1]和Y[t1]输入新风比内环神经网络预测控制器,将输出u[t1]直接作用于新风风阀;
下一个采样周期到时重复上述操作,分别计算出以后各个时刻控制量的值,直至控制过程结束。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
路面层间结构脱空状态检测方法、系统及使用方法 | 2020-05-15 | 639 |
聚合物及有机发光器件 | 2020-05-15 | 125 |
一种热激活延迟荧光材料及其应用 | 2020-05-15 | 210 |
有机电致发光元件 | 2020-05-14 | 962 |
有机发光元件、显示设备、摄像设备和照明设备 | 2020-05-13 | 557 |
一种热激活延迟荧光材料及其发光装置 | 2020-05-15 | 502 |
有机发光器件 | 2020-05-13 | 343 |
有机电致发光材料和装置 | 2020-05-13 | 307 |
具有三重态发射体复合物的有机电致发光组件 | 2020-05-15 | 564 |
一种高强高保温砌块 | 2020-05-14 | 286 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。