摘要：文章通過對中央空調(diào)自動控制系統(tǒng)的控制原理、方法進(jìn)行了分析，重點對人工神經(jīng)元網(wǎng)絡(luò)做了闡述，提出空調(diào)系統(tǒng)的優(yōu)化控制方法，根據(jù)中央空調(diào)系統(tǒng)的技術(shù)發(fā)展及未來發(fā)展需求，展望了空調(diào)系統(tǒng)控制技術(shù)的發(fā)展趨勢。
　　關(guān)鍵詞：中央空調(diào)，系統(tǒng)控制，優(yōu)化，人工神經(jīng)元網(wǎng)絡(luò)
　　中央空調(diào)設(shè)備通常只有在額定的條件下運行的效率最高，而另一方面，空調(diào)系統(tǒng)由于風(fēng)、水、制冷劑、負(fù)荷點及控制參數(shù)等等各方面的因素，往往并不能達(dá)到最佳的運行效果，如何進(jìn)行優(yōu)化設(shè)計及控制解決上述等等問題是擺在設(shè)計工作人員面前的課題。
　　一、控制系統(tǒng)的基本構(gòu)成
　　目前使用的空調(diào)系統(tǒng)基本上都是采用集散控制模式和模塊化結(jié)構(gòu)，通常由中央控制器、現(xiàn)場控制器及末端設(shè)備三個主要部分組成。中央控制器能對主要設(shè)備及系統(tǒng)的運行狀態(tài)和參數(shù)進(jìn)行監(jiān)測，顯示、記錄和遠(yuǎn)程設(shè)定啟停遠(yuǎn)程控制，又能通過系統(tǒng)下面連接著的直接數(shù)字控制器來控制現(xiàn)場設(shè)備，接收空調(diào)設(shè)備上的各種傳感器和檢測器發(fā)出的數(shù)據(jù)，按控制器內(nèi)部預(yù)先設(shè)置的參數(shù)和控制程序進(jìn)行響應(yīng)運算。操作平臺宜采用實時圖形監(jiān)控操作軟件，可圖形化顯示或打印各種信息來觀察當(dāng)前或以前所監(jiān)控的各種空調(diào)設(shè)備運行狀態(tài)及數(shù)據(jù)，并采用標(biāo)準(zhǔn)的TCP/IP協(xié)議，具有開放性數(shù)據(jù)庫，能滿足集中監(jiān)控的需要并同時與系統(tǒng)規(guī)模相適應(yīng)。
　　二、優(yōu)化控制方法
　　空調(diào)系統(tǒng)運行要想達(dá)到節(jié)能的效果，優(yōu)化控制系統(tǒng)也是其重要的關(guān)鍵環(huán)節(jié)，現(xiàn)在許多研究設(shè)計人員在其性能優(yōu)化控制方面,利用人工神經(jīng)網(wǎng)絡(luò)來模擬空調(diào)系統(tǒng)中各個設(shè)備的非線性特性，實現(xiàn)對整個系統(tǒng)的優(yōu)化控制。也有一些研究人員采用智能優(yōu)化方法，重點關(guān)注變工況的在線優(yōu)化控制。現(xiàn)在就一些研究方法及人工神經(jīng)元網(wǎng)絡(luò)做個分析探討。
　　1、應(yīng)用多目標(biāo)遺傳算法進(jìn)行溫度的優(yōu)化設(shè)定,獲得最佳能量利用效率和令人舒適的溫度。
　　2、建立簡單精確的空氣處理單元工程模型的方法。該方法基于能量平衡和換熱原理,通過非線性規(guī)劃和最小二乘法來估測模型的三個參數(shù)。該方法具有魯棒性,是一種在整個工作范圍內(nèi)和實際性能更加匹配的方案。
　　3、最小焓值估計方法。把熱舒適度水平的定義和焓熱值理論綜合運用到一個負(fù)載預(yù)測軟件中,以尋求一個合適的溫度和與之相匹配的濕度,以使空調(diào)控制系統(tǒng)在最小焓值估計的輔助下進(jìn)行控制。
　　4、采用非線性、多輸入、多輸出暖通空調(diào)系統(tǒng)的控制器,引入狀態(tài)反饋和擾動線性反饋方法到擾動解耦和非線性系統(tǒng)的線性化之中。采用這種方法能使可測量的擾動(溫度和濕度)負(fù)載都可以被補償,還可以自適應(yīng)負(fù)荷的快速變化并且沒有偏差。仿真結(jié)果顯示根據(jù)這種方法設(shè)計的控制器具有高擾動解耦能力和很好的跟蹤特性。
　　5、采用實時的暖通空調(diào)系統(tǒng)的設(shè)備應(yīng)該對有效的實體進(jìn)行實時熱環(huán)境控制的觀點。該設(shè)備由一組為熱存儲服務(wù)的冷熱空氣循環(huán)回路和由回路供給的冷熱氣流構(gòu)成。可以通過控制流量來獲得定點溫度和流速。該系統(tǒng)應(yīng)用了串級控制算法和增益表。結(jié)果表明,控制器可以在2～3s內(nèi)使溫度和流速逼近設(shè)定點。
　　三、基于人工神經(jīng)元網(wǎng)絡(luò)算法的控制應(yīng)用
　　人工神經(jīng)元網(wǎng)絡(luò)簡稱ANN(artificialneuralnetwork)，是大量簡單的處理單元廣泛連接而成的復(fù)雜網(wǎng)絡(luò),用于模仿人類大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和行為。ANN具有學(xué)習(xí)、記憶、歸納功能,類似于人的右半腦直覺思維,ANN的結(jié)構(gòu)見圖1。
　　
　　圖1ANN的結(jié)構(gòu)
　　人工神經(jīng)元網(wǎng)絡(luò)由輸入層、隱層、輸出層組成,通常隱層可有一個或多個層。人工神經(jīng)元網(wǎng)絡(luò)的每層有多個神經(jīng)元,兩個神經(jīng)元之間的連接附有一數(shù)值Wj1-kn作為權(quán)值。單個神經(jīng)元結(jié)構(gòu)如圖2,作為基本運算單元,它是一個多輸入、單輸出的非線性單元,可以有一個內(nèi)部反饋信號Si和閥值θi。輸入輸出的計算公式為:
　　Yi=F(nΣj=1ΣWjiXj+Si)
　　
　　圖2單個神經(jīng)元結(jié)構(gòu)
　　Xj為來自上層節(jié)點的輸入,Yi為輸出,F為特性函數(shù),又稱為限幅函數(shù),作用是將可能的無限域變換到一定的有限范圍內(nèi)輸出,ANN中多個神經(jīng)元按層排列,層間不同的連接方式會帶來不同的網(wǎng)絡(luò)特性。ANN的學(xué)習(xí)能力與人腦類似,要實現(xiàn)某種功能前就必須進(jìn)行訓(xùn)練。其實質(zhì)是找出一定的權(quán)值使得對于一組給定的輸入產(chǎn)生令人滿意的輸出。調(diào)節(jié)加權(quán)值所遵循的規(guī)則就是訓(xùn)練算法。每一個訓(xùn)練范例在網(wǎng)中經(jīng)過兩遍傳遞計算,一遍向前傳播計算,從輸入層開始,傳遞各層并經(jīng)過處理后,產(chǎn)生一個輸出,并得到一個該實際輸出和所需輸出之差的差錯矢量;一遍向后傳播計算,從輸出層至輸入層,利用差錯矢量對權(quán)值進(jìn)行逐層修改,最終使該網(wǎng)絡(luò)在樣本集上的誤差平方和最小或達(dá)到要求。對于HVAC系統(tǒng)來說,BP是一種較適合的算法,簡單易用,尤其它的各種改進(jìn)算法能良好地滿足需要。從控制角度來說,一個3層的ANN模型就可任意逼近任意非線性系統(tǒng),且它有黑箱建模的優(yōu)點,適用于復(fù)雜非線性對象的建模。另外它的并行計算過程類似于人腦的直覺,速度很快,可以實現(xiàn)實時控制。以下從控制、建模、優(yōu)化3個方面介紹ANN在HVAC系統(tǒng)中的應(yīng)用。
　　建筑物內(nèi)空調(diào)大多數(shù)為舒適性空調(diào),控制精度要求不高(±1℃),所以大多數(shù)控制是PID控制,但某些場合下PID仍會有較大偏差,如在變風(fēng)量控制中,各參數(shù)的較大隨機變化會影響設(shè)備的時間常數(shù),PID的積分時間、微分時間、增益寬是固定的,不能對環(huán)境的變化作出反應(yīng),所以它的控制性能將不可避免地下降。
　　以圖3VAV系統(tǒng)中的加熱盤管為例,由于風(fēng)量、水溫、水流量都可能有較大變化,需要閥門控制器能快速適應(yīng)環(huán)境變化以保持出風(fēng)溫度在設(shè)定值。
　　
　　圖3加熱盤管圖4ANN仿真模型的輸入與輸出
　　ANN控制器一般基于ANN模型,加熱盤管的模型用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造,結(jié)構(gòu)如圖4。采用BP算法構(gòu)造模型,人工神經(jīng)網(wǎng)絡(luò)輸入為執(zhí)行器歷史狀態(tài)、過程歷史狀態(tài)與進(jìn)風(fēng)溫度、風(fēng)速、水溫、水流等輔助輸入。輸出為系統(tǒng)狀態(tài),即出風(fēng)溫度。利用一系列覆蓋全操作范圍的盤管操作狀態(tài)與實際出風(fēng)溫度組成訓(xùn)練范例集,在Curtiss的實驗中BP網(wǎng)絡(luò)模型被證明是相當(dāng)準(zhǔn)確的。
　　利用ANN可建立自適應(yīng)預(yù)測控制器、前饋控制器、復(fù)合控制器或其它控制器,它們都依靠ANN所建立的模型來得到對象特性,如自適應(yīng)控制器實質(zhì)上由兩個ANN組成,一個是預(yù)測器,另一個是控制器,結(jié)構(gòu)如圖5。
　　
　　圖5自適應(yīng)預(yù)測控制器
　　預(yù)測器由多個仿真模型E組成,知道執(zhí)行器歷史狀況、過程歷史狀況、進(jìn)風(fēng)溫度、熱水溫度與流速后,每個E即可預(yù)測出一個采樣周期后的系統(tǒng)狀態(tài),預(yù)測出在n個采樣周期后的系統(tǒng)狀態(tài),將它與設(shè)定值之間的誤差反向傳給控制器來修改控制器輸出。
　　前饋控制器的控制主要來自前饋模塊,它是一個經(jīng)過訓(xùn)練的、可識別對象特性的模型,根據(jù)當(dāng)前環(huán)境直接給出控制信號,而反饋回路只是用來處理較小的穩(wěn)態(tài)誤差。ANN還可以同PID控制結(jié)合使用,如果因為訓(xùn)練不足而導(dǎo)致ANN無法識別對象時,可考慮切換使用PID控制,同時對ANN進(jìn)行在線訓(xùn)練。
　　四、ANN建模
　　建模時選擇合適的輸入非常重要,要保證有足夠的影響輸出的相關(guān)輸入，這些輸入是較普遍的,可得到大量訓(xùn)練數(shù)據(jù)。輸出選擇我們所關(guān)心的變量即可,ANN的網(wǎng)絡(luò)結(jié)構(gòu)、算法調(diào)整可根據(jù)需要而定,而后代入大量數(shù)據(jù)訓(xùn)練得出模型。對于復(fù)雜設(shè)備或整個系統(tǒng),由于機理復(fù)雜、變量眾多,難以建立機理模型,而ANN在建模上的優(yōu)勢有:①黑箱建模,無需知道對象的內(nèi)部信息,甚至輸入變量之間的關(guān)系;②對于非線性系統(tǒng)的良好模擬性;③對于參數(shù)過多的對象,可自動忽略非關(guān)鍵因素;④具有在線學(xué)習(xí)能力,可自動適應(yīng)對象特性的變化。因此，ANN建模適用于除了一般設(shè)備如空氣處理設(shè)備、冷凍機組等，還可以適用于空調(diào)負(fù)荷模型、能耗模型。
　　使用線性回歸或?qū)＜蚁到y(tǒng)亦可建立模型,但在大量現(xiàn)場實測的基礎(chǔ)上進(jìn)行多元線性回歸需要大量的計算與時間,另外還需要考慮各變量之間的關(guān)系。專家系統(tǒng)則是根據(jù)規(guī)則數(shù)據(jù)庫推理可能的問題及原因,它的核心——規(guī)則,是針對特定建筑的,當(dāng)建筑物內(nèi)部使用狀況改變時,性能將大大下降。而改動對于大多商業(yè)建筑來說是普遍的。ANN的學(xué)習(xí)能力則使它能適應(yīng)新設(shè)備或大樓內(nèi)部變動,部分?jǐn)?shù)據(jù)丟失或錯誤時仍能給出較合理的結(jié)果。ANN也有其缺陷,比如其知識隱性分布于網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)上,難以理解,有時ANN會如同人腦一樣表現(xiàn)出隨機性與不確定性。由于專家系統(tǒng)類似人的左半腦,具有某種理性,而ANN具有類似人右半腦的直覺與經(jīng)驗,因而最佳的預(yù)測、管理方案應(yīng)是專家系統(tǒng)與ANN的集成。
　　五、系統(tǒng)優(yōu)化
　　對于非線性的系統(tǒng)級復(fù)雜對象,利用ANN對輸入輸出關(guān)系的識別可實現(xiàn)系統(tǒng)級優(yōu)化,如決定整幢建筑物的溫度設(shè)定值、設(shè)備啟停時間等。比如對于辦公樓建筑(適用于夏季冷負(fù)荷),夜晚或周末無人時將溫度設(shè)定值提高以節(jié)省能源,在上班前再降低溫度設(shè)定值以滿足人員的舒適要求。降溫過早會浪費能源,滯后又會影響人的舒適感,因此需要控制器決定最佳的降溫時間。
　　利用ANN的能耗模型可進(jìn)行能耗優(yōu)化。能耗模型的其它輸入不變,將受控變量輸入都改為1,修改那些受控變量權(quán)值使得能耗模型輸出為最小,再將相應(yīng)權(quán)值變化成實際變量即可得最優(yōu)的受控變量值。受控變量可以是冷凍水溫度的設(shè)定值、送風(fēng)溫度設(shè)定值,一般建筑采用固定設(shè)定值或溫度重置控制的方法,冷凍水溫、送風(fēng)溫度設(shè)定值若固定不變,負(fù)荷高峰出現(xiàn)時,較高的冷凍水溫會造成無法滿足負(fù)荷,低負(fù)荷時,雖然通過VAV末端調(diào)節(jié)能滿足負(fù)荷,冷凍機組工況卻會出現(xiàn)振蕩現(xiàn)象。溫度重置控制則是根據(jù)負(fù)荷調(diào)節(jié)冷凍水溫、送風(fēng)溫度的設(shè)定值,早上冷凍水水溫、送風(fēng)溫度設(shè)定值較高,下午則降低。雖然這種控制方式能滿足全部負(fù)荷范圍內(nèi)的需要,但能耗比固定設(shè)定值方式還要多,早上偏高的設(shè)定值在下午要突然降下來,要求冷凍機組工作加劇,會消耗大量能源。
　　另外溫度重置控制一般總是要求VAV末端風(fēng)門、冷凍水泵工作在90%負(fù)荷,亦會造成能耗偏高。ANN優(yōu)化控制中,冷凍水溫度比固定設(shè)定值與溫度重置方式設(shè)得都要低,且僅在小范圍內(nèi)變動,送風(fēng)溫度則根據(jù)情況而定。降低冷凍水設(shè)定溫度的節(jié)能效果是明顯的,這使得水泵與風(fēng)機處于低速運行,并能更長時期的保持冷凍機組工況。ANN得出這個結(jié)論說明了它可類似人腦來完成對溫度/能耗之間關(guān)系的識別并恰當(dāng)?shù)剡M(jìn)行優(yōu)化。
　　六、總結(jié)及未來展望
　　隨著現(xiàn)代社會經(jīng)濟不斷發(fā)展，空調(diào)系統(tǒng)快速普及，各種節(jié)能方法不斷開發(fā)利用，由于HVAC系統(tǒng)是一個包含了環(huán)境、建筑、機電、控制各領(lǐng)域的綜合系統(tǒng),用類似人類智能的技術(shù)來管理、協(xié)調(diào)各因素將更好地滿足人們對HVAC系統(tǒng)節(jié)能、健康、方便、智能化等各方面的需求。它與模糊理論、專家系統(tǒng)等人工智能技術(shù)還可實現(xiàn)互補,在環(huán)境舒適控制、決策控制、故障診斷上進(jìn)一步發(fā)揮作用，ANN的先進(jìn)性與優(yōu)越性是明顯的，具有廣闊的發(fā)展前景。
　　
　　參考文獻(xiàn)：
　　[1]施鴻寶.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用.西安:西安交通大學(xué)出版社,1993.
　　[2]譚良才.空調(diào)負(fù)荷的神經(jīng)計算法.暖通空調(diào),1997,27(5):71-75.
　　[3]武建勛.空調(diào)建筑統(tǒng)計能耗模型探討.暖通空調(diào),1996,26(6):13-16.
　　[4]鄧廣發(fā),陳麗萍.蓄冷空調(diào)的神經(jīng)網(wǎng)絡(luò)預(yù)測控制研究.通風(fēng)除塵,1998，(1):11-13.
　　[5]CurtissPS,JFKreider,MJBrandemuehl.Adaptivecontrolof
　　HVACprocessesusingpredictiveneuralnetworks.ASHRAETrans,1993,99(PartI):496-504.
　　[6]HeXiangdong,AsadaHH.Anewfeedbacklinearizationapproachtoadvancedcontrolofmulti2unitHVACsystems[C]∥AmericanControlConference,2003