專利名稱：一種建筑物獨立供能溫度非線性預測控制方法
技術領域：
本發(fā)明屬于建筑物獨立冷熱供能技術領域，具體涉及一種建筑物獨立供能溫度非線性預測控制方法。

背景技術：
建筑物獨立供能系統(tǒng)是一個具有諸多優(yōu)點的能量利用系統(tǒng)，其控制特點包括多變量、非線性、強耦合、大延遲、純滯后、時變等。由于建筑物獨立供能系統(tǒng)應用的地區(qū)和氣候條件復雜，如果在這個系統(tǒng)上采用常規(guī)的控制方法如PID控制、模糊控制或者是兩個方法的簡單組合則無法收到滿意的控制效果。其主要問題在于動態(tài)與靜態(tài)性能之間，跟蹤設定值與抑制擾動之間，魯棒性與控制性能之間存在著矛盾。建筑物獨立供能系統(tǒng)的主要功能是向特定建筑物空間連續(xù)穩(wěn)定高效的提供冷量和熱量。穩(wěn)定的系統(tǒng)出水溫度是功能實現(xiàn)的重要保證。


發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術的上述不足，提供一種為建筑物獨立供能系統(tǒng)智能控制方法，以實現(xiàn)功能系統(tǒng)冷、熱的全天候的自動聯(lián)供。
為此，本發(fā)明采用如下的技術方案一種建筑物獨立供能溫度非線性預測控制方法，包括PID神經(jīng)元神經(jīng)網(wǎng)絡和灰色預測控制器，所述的灰色預測控制器根據(jù)出水溫度的歷史變化，采用灰色預測法，得到出水溫度預測值，再將該出水溫度預測值與出水溫度設定值一起被送入PID神經(jīng)元神經(jīng)網(wǎng)絡，作為其前向網(wǎng)絡的輸入層；所述的PID神經(jīng)元神經(jīng)網(wǎng)絡前向網(wǎng)絡的隱含層含有3個神經(jīng)元，各神經(jīng)元的輸出函數(shù)分別對應于比例、積分、微分3個部分；網(wǎng)絡的輸出層進行PID神經(jīng)元神經(jīng)網(wǎng)絡控制量計算，根據(jù)出水溫度實際測量值和設定值之間的誤差信號在線調(diào)整權重，直至誤差達到期望要求，從而實現(xiàn)建筑物獨立供能溫度非線性預測控制。
上述建筑物獨立供能溫度非線性預測控制方法，在隱含層至輸出層的權重初值最好設定為<＝+0.1的小正數(shù)，輸入層至隱層積分單元的權重值的整個訓練過程中絕對值相等，符號相反?！? 作為優(yōu)選實施方式，上述的建筑物獨立供能溫度非線性預測控制方法，按照下列步驟得到出水溫度預測值 (1)設X(0)＝(x(0)(1)，x(0)(2)，…，x(0)(n))為主板換出水溫度序列，設X(1)＝(x(1)(1)，x(1)(2)，…，x(1)(n))，其中設，z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)]，k＝1，2，…，n.；則GM(1，1)的灰色微分方程為 x(0)(k)+az(1)(k)＝u，k＝1，2，…，n.， 相應的白化方程為其中a發(fā)展系數(shù)，u為黑色作用量； (2)根據(jù)下列公式，利用最小二乘法求得a和u Yn＝[x(0)(2)x(0)(3)…x(0)(n)]T 則白化方程的解為 (3)求取灰色微分方程的時間響應序列 (4)根據(jù)公式計算出水溫度值預測序列
上述的建筑物獨立供能溫度非線性預測控制方法，最好還包括下列的前饋預測控制器以時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度為輸入層，以前饋預測值為輸出層，建立基于神經(jīng)網(wǎng)絡的前饋預測控制器，訓練神經(jīng)網(wǎng)絡，根據(jù)期望輸出值與實際前饋預測值的之間的誤差信號在線調(diào)整神經(jīng)網(wǎng)絡，直至誤差達到期望要求，此時神經(jīng)網(wǎng)絡訓練完成，網(wǎng)絡輸出前饋預測值；實際前饋預測值可根據(jù)下述方法在線計算得出采集時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度參數(shù)，根據(jù)建筑物負荷計算理論，計算出建筑物負荷，然后按比例關系得出實際前饋預測值。
本發(fā)明以供能系統(tǒng)的出水溫度為控制對象，但是其反饋值并不是該溫度，而是經(jīng)過灰色控制算法計算后的數(shù)值。這個數(shù)值不但反映了系統(tǒng)輸出溫度的現(xiàn)時數(shù)值而且反映了這個數(shù)值的歷史規(guī)律，從而更能適應該溫度的變化趨勢。一些參數(shù)的變化，例如氣象參數(shù)的變化不但影響著建筑物空間的負荷，而且影響著建筑物獨立供能系統(tǒng)中的空氣源熱泵的運行參數(shù)。前饋控制中，僅僅把房間負荷變化作為前饋值是不全面的。本發(fā)明的前饋控制算法，從眾多參數(shù)變化訓練出前饋參數(shù)能夠反映房間負荷變化和系統(tǒng)運行狀態(tài)變化，從而更加有效。
采用該控制方法系統(tǒng)能夠智能判斷各種運行工況，智能調(diào)整運行參數(shù)，實現(xiàn)全年各種氣候條件下智能的向用戶提供冷量、熱量和穩(wěn)定高效運行。本發(fā)明的控制方法不但具有工作穩(wěn)定，魯棒性強，各參數(shù)物理意義明確和工程上易于實現(xiàn)等優(yōu)點，又具有并行結構和本質(zhì)學習記憶功能及任意函數(shù)逼近的能力，在不同工況下具有廣泛的自適應性。



圖1是本發(fā)明實施例的建筑物獨立供能系統(tǒng)原理圖； 圖1中 1——熱水儲用裝置 2——流量控制裝置3——缸套換熱器 4——燃氣發(fā)動機5——排煙換熱器 6——壓縮機 7——四通閥8——室外換熱器 9——電子膨脹閥控制器 10——電子膨脹閥 11——板式換熱器 12——供水溫度傳感器 13——回水溫度傳感器 14——室內(nèi)換熱器 15——系統(tǒng)總控制器 圖2是神經(jīng)網(wǎng)絡非線性預測PID系統(tǒng)控制框圖； 圖3是前饋控制預測原理圖。

具體實施例方式 以下結合附圖和實施例，對本發(fā)明作詳細說明 圖1為本實施例供能系統(tǒng)機組。本發(fā)明的建筑物獨立供能系統(tǒng)的全自動冷熱聯(lián)供自動調(diào)節(jié)與控制系統(tǒng)，包括數(shù)據(jù)采集裝置，控制器(本實施例采用可編程控制器PLC)，執(zhí)行器。
本發(fā)明的控制對象為系統(tǒng)的出水溫度，但是其反饋值并不是該溫度，而是經(jīng)過灰色控制算法計算后的數(shù)值。這個數(shù)值不但反映了系統(tǒng)輸出溫度的現(xiàn)時數(shù)值而且反映了這個數(shù)值的歷史規(guī)律，從而更能適應該溫度的變化趨勢。一些參數(shù)的變化，例如氣象參數(shù)的變化不但影響著建筑物空間的負荷，而且影響著建筑物獨立供能系統(tǒng)中的空氣源熱泵的運行參數(shù)。前饋控制中，僅僅把房間負荷變化作為前饋值是不全面的。本算法從眾多參數(shù)變化訓練出前饋參數(shù)能夠反映房間負荷變化和系統(tǒng)運行狀態(tài)變化，從而使控制效果更好。
本發(fā)明的神經(jīng)網(wǎng)絡非線性預測PID系統(tǒng)控制框圖如圖2所示，整個控制過程分為三個控制部分，灰色預測控制器(算法)、PID神經(jīng)元神經(jīng)網(wǎng)絡控制算法和前饋預測控制器(算法)三個部分。PID神經(jīng)元神經(jīng)網(wǎng)絡控制算法的基本控制思想已經(jīng)在現(xiàn)有技術中有所體現(xiàn)，它與灰色預測控制部分融合在一起，已經(jīng)可以完成本發(fā)明的主體控制過程。作為優(yōu)選實施例，本發(fā)明還添加了前饋預測控制部分。下面分別對這幾個控制器進行詳細描述。
1、灰色預測 GM(1，N)模型是包含N個變量的一階微分方程，N不同表示模型的意義、用途以及數(shù)據(jù)處理方式不同。GM(1，1)表示模型的因變量只受一個自變量的影響，GM(1，N)表示模型的因變量受N個自變量的影響。本控制方法應用GM(1，1)模型來預測主板換的出水溫度。該模型由一個單變量一階微分方程構成。
X(0)為原始非負數(shù)據(jù)序列 X(0)＝(x(0)(1)，x(0)(2)，…，x(0)(n)) 本數(shù)據(jù)序列為主板換出水溫度的一系列值，對X(0)進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 對X(1)序列進行緊鄰均值生成操作，得到X(1)的緊鄰均值生成序列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. 相應的白化方程為 其中a發(fā)展系數(shù)，u為黑色作用量。a和u可用最小二乘法求得 Yn＝[x(0)(2)x(0)(3)…x(0)(n)]T 白化方程的解為 相應的灰色微分方程的時間響應序列為 對序列

進行累減生成操作，即累加生成的逆運算，可得預測序列

其中 這樣即可求得下一時刻的主板換出水溫度預測值。將這個值和主板換出水溫度設定值一起送入PID神經(jīng)元神經(jīng)網(wǎng)絡進行運算。
2、PID神經(jīng)元神經(jīng)網(wǎng)絡 PID神經(jīng)元神經(jīng)網(wǎng)絡PIDNN是3層前向網(wǎng)絡，包括輸入層、隱含層、輸出層，其結構為2-3-1，網(wǎng)絡的輸入層有兩個神經(jīng)元構成，分別輸入控制系統(tǒng)的主板換出水溫度的給定值r和被控對象主板換出水溫度灰色預測后的輸出值Y；隱含層有3個神經(jīng)元，各神經(jīng)元的輸出函數(shù)互不相同，分別對應于比例(P)、積分(I)、微分(O)3個部分；網(wǎng)絡的輸出層完成PIDNN控制規(guī)律的綜合。網(wǎng)絡的前向計算實現(xiàn)PIDNN控制規(guī)律，網(wǎng)絡的反向算法實現(xiàn)PIDNN參數(shù)的自適應調(diào)整。
PIDNN的輸入層和輸出層與一般多層前向神經(jīng)網(wǎng)絡類似。根據(jù)控制系統(tǒng)主板換出水溫度給定值和主板換出水溫度灰色預測后的輸出值，就有 x1＝r(k) x2＝y(tǒng)(k) 隱含層各神經(jīng)元的輸入函數(shù)為j＝1，2，3 隱含層的輸出函數(shù)各不相同，分為比例、積分、微分函數(shù)，考慮到在實際控制系統(tǒng)中，控制器輸出能量為有限值，因此此處對PIDNN輸出進行了上下限幅處理，為防止過飽和，對積分單元也進行了限幅處理。
比例元的狀態(tài)為 積分元狀態(tài) 微分元的狀態(tài)為 輸出層神經(jīng)元的輸出為 j＝1，2，3 其中wij為輸入層至隱含層，隱含層至輸出層的連接權值，k為采樣時刻，i＝1，2為PIDNN中輸入層神經(jīng)元序號，j＝1，2，3為PIDNN中隱含層神經(jīng)元序號。
PIDNN控制系統(tǒng)的反傳算法完成網(wǎng)絡權值的修改，完成神經(jīng)網(wǎng)絡的學習和記憶功能。學習的目標是使 為最小，式中r為系統(tǒng)的給定值，y為系統(tǒng)的輸出值，m為每批采樣點數(shù)。
按梯度法調(diào)節(jié)PIDNN權值，設學習步長，經(jīng)過n步訓練后，隱含層至輸出層的權重值為 上式中的 其中 x＂(k)為輸出層神經(jīng)元的輸出值。
使用

代替

以解決對象參數(shù)未知而造成的困難，該項為其中的一個相乘因子，該項的正負決定收斂方向，其中大小只約定收斂的速度。
輸入層對隱含層的權重值為 同理 其中， 選擇合適的網(wǎng)絡權重初值，可以加快學習和收斂速度，PIDNN的權重初值按PID控制規(guī)律的特點選取。輸入層至隱含層權重初值滿足(r，y)e映射的要求

隱層 w1j(0)＝+1

隱層 w2j(0)＝-1 隱層至輸出層的權重初值在無先驗經(jīng)驗的情況下設定為小正數(shù)，取wj1＝+0.1。同時，為了保證系統(tǒng)調(diào)節(jié)無靜差，輸入層至隱層積分單元的權重值應滿足(r，y)e的無畸變性。所以，

至隱層積分單元的權重值w12、w22的絕對值在整個過程中相等，符號相反。學習結束條件計算每個TP時間內(nèi)m個采樣點的對象輸出和系統(tǒng)給定值的誤差平方均值，當本次TP時間內(nèi)的誤差平方均值小于設定允許誤差時停止學習。
將計算結果輸出后與前饋預測值相加后來控制主板換的出水溫度。
3、前饋預測算法 系統(tǒng)采集時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度等參數(shù)，送入神經(jīng)網(wǎng)絡的輸入層，信息正向傳播。給出的輸入信息通過輸入層經(jīng)隱含層處理，并計算每個單元的實際輸出值。
共有1層和n個節(jié)點(或稱單元)的一個任意網(wǎng)絡，每層單元只接受前一層的輸出信息并輸出給下一層各個節(jié)點，各節(jié)點的特性為連續(xù)可微函數(shù)。設給定S個樣本(xk，dk)(k＝1，2，…，S)，任一節(jié)點i的輸出為Oi，對某一個樣本k，其輸入向量為xk(n維)，網(wǎng)絡的輸出向量為dk(m維)。現(xiàn)在研究第1層的第j個單元，當輸入第k個樣本時，節(jié)點j的輸入值為 式中k為樣本序號；1，1—1為網(wǎng)絡層號；i為對應于節(jié)點j的前一層的某一個節(jié)點(該層總節(jié)點數(shù)為n1)；Oik為節(jié)點i對某一個樣本k的輸出值；wij為從節(jié)點i到節(jié)點j的連接權值。
節(jié)點j的輸出值為 式中

為節(jié)點的輸入信息；f(x)為節(jié)點的激活函數(shù)；1表示網(wǎng)絡層號。
若在輸出層未能得到期望的輸出值，則逐層遞歸地計算實際輸出值與期望輸出值之差值即誤差，以便根據(jù)誤差調(diào)節(jié)權值。
定義網(wǎng)絡的期望輸出值dk與實際輸出值

的誤差平方和為目標函數(shù)，即 式中djk為節(jié)點j對樣本k的期望輸出值；

為節(jié)點j對樣本k的實際輸出值，即利用采集到的時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度等參數(shù)值，通過傳熱學公式計算出建筑物的負荷，然后按比例關系得出實際前饋預測值。該比例關系，可以通過試驗或者經(jīng)驗來確定?，F(xiàn)有技術中，已有了一些計算建筑物負荷的文獻記載，詳細可參見曹叔維編著的《房間熱過程和空調(diào)負荷》(上海科學技術文獻出版社/1991.10，ISBN號7-80513-837-0/TU831.8)一書。
上式中，m為輸出層的神經(jīng)元個數(shù)。如果只有一個輸出單元(m＝1，j＝1)，則有 S個樣本的總誤差定義為 這樣，網(wǎng)絡的學習問題就等價于無約束最優(yōu)化問題，E(w)＝min。
通過調(diào)整權值w，使總誤差E極小。權值調(diào)整式為 式中t為迭代次數(shù)；μ為步長； S為樣本個數(shù)；wij是從節(jié)點i到節(jié)點j的連接權值。
這兩個過程的反復作用，使得誤差逐步減小，最后，當誤差達到所期望的要求時，網(wǎng)絡的學習過程結束，網(wǎng)絡輸出前饋預測值。
本實施例全年工作過程描述如下建筑物獨立供能系統(tǒng)全年不間斷運行，其運行模式按照四季劃分春季運行模式、夏季運行模式、秋季運行模式和冬季運行模式。本控制系統(tǒng)實現(xiàn)該系統(tǒng)的全年控制?？刂葡到y(tǒng)以候溫判斷季節(jié)更替，室外溫度低于10℃，采用冬季運行模式，室外溫度在10～20℃之間為春季和秋季運行模式，室外溫度在22℃以上為夏季運行模式。
當系統(tǒng)進入春季運行模式，建筑物采用全新風通風，不需要向其提供冷量或者熱量，所以系統(tǒng)出于停機狀態(tài)。當然，在春季的某一天或者某時刻，溫度會低于10℃或者高于20℃，但是控制系統(tǒng)依然實現(xiàn)停機控制，這樣可以避免機組錯誤起機，造成能源浪費。當室外溫度高于20℃，控制系統(tǒng)控制供能系統(tǒng)進入夏季的制冷運行模式。夏季，當室外溫度低于室內(nèi)夏季設計溫度，則不需要啟動機組，而多使用自然通風。當室外溫度高于室內(nèi)夏季設計溫度，應啟動機組制冷運行。由于控制內(nèi)采用前饋預測，即使室外溫度沒有高于室內(nèi)設計溫度，而有高于的趨勢，系統(tǒng)能搞判斷而提前開機。尤其在機組運行過程中，該控制系統(tǒng)更能體現(xiàn)出優(yōu)勢。以夏季某天為例(制冷模式下，系統(tǒng)出水溫度為7℃)，早上室外溫度從30℃開始升高，建筑物獨立供能系統(tǒng)初始轉(zhuǎn)速為2000r/min。當室外溫度升高，室內(nèi)負荷將增加。由于存在建筑物圍護結構，負荷增加存在延遲，獨立供能系統(tǒng)的水溫反應相應延遲。本控制系統(tǒng)的前饋預測直接采集當前室外溫度等各種變化經(jīng)過計算，得出前饋數(shù)值，送入控制器，使其提前動作。這樣室外溫度一增加，控制系統(tǒng)控制供能系統(tǒng)隨之增加制冷量。制冷量的增加和房間負荷的增加同步，而不會存在延遲，保證系統(tǒng)運行更佳平穩(wěn)、安全。早上至中午的溫度持續(xù)上升，灰色預測能夠采集連續(xù)的溫度變化，得出這一系列溫度的變化幅度與變化速率。經(jīng)過計算得出結果。系統(tǒng)把這個能夠反映溫度變化規(guī)律的結果當作控制系統(tǒng)的反饋值參與系統(tǒng)控制，也就是說本控制器輸出的控制量反映了本次變化幅度、歷史變化幅度和速度，預測出未來變化幅度和速度，有利于準確控制。室外溫度從30℃增加到31℃，前饋預測模型根據(jù)這一溫度變化，經(jīng)過計算預測出前饋數(shù)值為400(控制器輸出模擬量-3200～3200)，由于存在著圍護結構等的延遲，房間負荷還沒有發(fā)生大的變化，當前供水溫度也就還沒有發(fā)生大的變化，只為7.06℃。灰色預測模型采集本次7.06℃和前幾次的回水溫度值組成回水溫度系列{7.01℃、7.02℃、7.035℃、7.06℃}。經(jīng)過計算，回水溫度為7.08℃。將7.08℃代替7.06℃當作反饋溫度，而送入控制器內(nèi)。控制器采集設定溫度7℃和反饋溫度7.08℃，送入PID神經(jīng)元神經(jīng)網(wǎng)絡進行計算。計算得出控制量為500。加上前饋預測的400，那么控制器的總輸出量為900。線性化后，得出供能系統(tǒng)應該提高到1800r/min。如此運行，系統(tǒng)的出水溫度基本穩(wěn)定在7℃±2％。當時間進入下午降溫時段，室外溫度從35℃降低到34℃，前饋預測模型根據(jù)這一溫度變化，經(jīng)過計算預測出前饋數(shù)值為300，由于存在著圍護結構等的延遲，房間負荷還沒有發(fā)生大的變化，當前供水溫度也就還沒有發(fā)生大的變化，只為6.95℃?；疑A測模型采集本次6.95℃和前幾次的回水溫度值組成回水溫度系列{7.01℃、7℃、6.98℃、6.95℃}。經(jīng)過計算，回水溫度為6.93℃。將6.93℃代替6.95℃當作反饋溫度，而送入控制器內(nèi)。控制器采集設定溫度7℃和反饋溫度6.93℃，送入PID神經(jīng)元神經(jīng)網(wǎng)絡進行計算。計算得出控制量為400。加上前饋預測的300，那么控制器的總輸出量為700。線性化后，得出供能系統(tǒng)應該降低到2300r/min。如此運行，系統(tǒng)的出水溫度基本穩(wěn)定在7℃±2％。當候溫降至20℃～10℃，系統(tǒng)進入秋季運行，其控制方式與春季基本相同，不再贅述。當候溫降至10℃及以下，控制器進入冬季運行模式?？刂破鞫具\行模式與夏季運行模式相似。以冬季某天為例(制熱模式下，系統(tǒng)出水溫度為60℃)，早上室外溫度從-5℃開始升高，建筑物獨立供能系統(tǒng)初始轉(zhuǎn)速為2400r/min。
室外溫度從-5℃增加到-2℃，前饋預測模型根據(jù)這一溫度變化，經(jīng)過計算預測出前饋數(shù)值為-600(控制器輸出模擬量-3200～3200)，由于存在著圍護結構等的延遲，房間負荷還沒有發(fā)生大的變化，當前供水溫度也就還沒有發(fā)生大的變化，只為61℃?；疑A測模型采集本次和前幾次的回水溫度值組成回水溫度系列{60℃、60.2℃、60.5℃、61℃}。經(jīng)過計算，輸出結果為61.8℃。將61.8℃代替61℃當作反饋溫度，而送入控制器內(nèi)?？刂破鞑杉O定溫度60℃和反饋溫度61.8℃，送入PID神經(jīng)元神經(jīng)網(wǎng)絡進行計算。計算得出控制量為-700。加上前饋預測的-600，那么控制器的總輸出量為-1300。線性化后，得出供能系統(tǒng)應該降低到1700r/min。如此運行，系統(tǒng)的出水溫度穩(wěn)定在60℃±2％。當時間進入下午降溫時段，室外溫度從0℃降低到-3℃，前饋預測模型根據(jù)這一溫度變化，經(jīng)過計算預測出前饋數(shù)值為300，由于存在著圍護結構等的延遲，房間負荷還沒有發(fā)生大的變化，當前供水溫度也就還沒有發(fā)生大的變化，只為59℃。灰色預測模型采集本次59℃和前幾次的回水溫度值組成回水溫度系列{60.2℃、59.9℃、59.5℃、59℃}。經(jīng)過計算，回水溫度為58.5℃。將58.5℃代替59℃當作反饋溫度，而送入控制器內(nèi)?？刂破鞑杉O定溫度60℃和反饋溫度58.5℃，送入PID神經(jīng)元神經(jīng)網(wǎng)絡進行計算。計算得出控制量為400。加上前饋預測的300，那么控制器的總輸出量為700。線性化后，得出供能系統(tǒng)應該升高到2300r/min。如此運行，系統(tǒng)的出水溫度基本穩(wěn)定在60℃±2％。當候溫升至10℃～20℃，系統(tǒng)進入又一次進入春季運行，重復另一個循環(huán)。
權利要求
1.一種建筑物獨立供能溫度非線性預測控制方法，包括PID神經(jīng)元神經(jīng)網(wǎng)絡和灰色預測控制器，所述的灰色預測控制器根據(jù)出水溫度的歷史變化，采用灰色預測法，得到出水溫度預測值，再將該出水溫度預測值與出水溫度設定值一起被送入PID神經(jīng)元神經(jīng)網(wǎng)絡，作為其前向網(wǎng)絡的輸入層；所述的PID神經(jīng)元神經(jīng)網(wǎng)絡前向網(wǎng)絡的隱含層含有3個神經(jīng)元，各神經(jīng)元的輸出函數(shù)分別對應于比例、積分、微分3個部分；網(wǎng)絡的輸出層進行PID神經(jīng)元神經(jīng)網(wǎng)絡控制量計算，根據(jù)出水溫度實際測量值和設定值之間的誤差信號在線調(diào)整權重，直至誤差達到期望要求，從而實現(xiàn)建筑物獨立供能溫度非線性預測控制。
2.根據(jù)權利要求1所述的建筑物獨立供能溫度非線性預測控制方法，其特征在于，在隱含層至輸出層的權重初值設定為<＝+0.1的小正數(shù)，輸入層至隱層積分單元的權重值的整個訓
程中絕對值相等，符號相反。
3.根據(jù)權利要求1所述的建筑物獨立供能溫度非線性預測控制方法，其特征在于，按照下列步驟得到出水溫度預測值
(1)設X(0)＝(x(0)(1)，x(0)(2)，…，x(0)(n))為主板換出水溫度序列，設X(1)＝(x(1)(1)，x(1)(2)，…，x(1)(n))，其中
設，z(1)(k)＝0.5[x(1)(k)+x(1)(k-1)]，k＝1，2，…，n.；則GM(1，1)的灰色微分方程為
x(0)(k)+αz(1)(k)＝u，k＝1，2，…，n.，
相應的白化方程為k＝1，2，…，n.其中a發(fā)展系數(shù)，u為黑色作用量；
(2)根據(jù)下列公式，利用最小二乘法求得a和u
Yn＝[x(0)(2)x(0)(3)…x(0)(n)]T
則白化方程的解為
(3)求取灰色微分方程的時間響應序列
(4)根據(jù)公式k＝1，2，…，n.計算出水溫度值預測序列
4.根據(jù)權利要求1所述的建筑物獨立供能溫度非線性預測控制方法，其特征在于，所述建筑物獨立供能溫度非線性預測控制方法還包括下列的前饋預測控制器以時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度為輸入層，以前饋預測值為輸出層，建立基于神經(jīng)網(wǎng)絡的前饋預測控制器，訓練神經(jīng)網(wǎng)絡，根據(jù)期望輸出值與實際前饋預測值的之間的誤差信號在線調(diào)整神經(jīng)網(wǎng)絡，直至誤差達到期望要求，此時神經(jīng)網(wǎng)絡訓練完成，網(wǎng)絡輸出前饋預測值。
5.根據(jù)權利要求4所述的建筑物獨立供能溫度非線性預測控制方法，其特征在于，實際前饋預測值根據(jù)下述方法在線計算得出采集時間、太陽輻射量、室內(nèi)外空氣的溫濕度、發(fā)動機轉(zhuǎn)速和建筑物獨立供能系統(tǒng)的供回水溫度參數(shù)，根據(jù)建筑物負荷計算理論，計算出建筑物負荷，然后按比例關系得出實際前饋預測值。
全文摘要
本發(fā)明屬于建筑物獨立冷熱供能技術領域，涉及建筑物獨立供能溫度非線性預測控制方法，包括PID神經(jīng)元神經(jīng)網(wǎng)絡和灰色預測控制器，所述的灰色預測控制器根據(jù)出水溫度的歷史變化，采用灰色預測法，得到出水溫度預測值，再將該出水溫度預測值與出水溫度設定值一起被送入PID神經(jīng)元神經(jīng)網(wǎng)絡，作為其前向網(wǎng)絡的輸入層；所述的PID神經(jīng)元神經(jīng)網(wǎng)絡前向網(wǎng)絡的隱含層含有3個神經(jīng)元，各神經(jīng)元的輸出函數(shù)分別對應于比例、積分、微分3個部分；網(wǎng)絡的輸出層進行PID神經(jīng)元神經(jīng)網(wǎng)絡控制量計算，根據(jù)出水溫度實際測量值和設定值之間的誤差信號在線調(diào)整權重。采用本方法能夠智能調(diào)整運行參數(shù)，實現(xiàn)各種氣候條件下智能供冷熱和穩(wěn)定高效運行。
文檔編號F24D19/00GK101392939SQ200810153140
公開日2009年3月25日 申請日期2008年11月18日 優(yōu)先權日2008年11月18日
發(fā)明者昭 楊, 徐振軍 申請人:天津大學