的差值進行PID控制，得到新的送風量，將新的送風量和當前環(huán)境負荷作為輸入數據重新利用BP神經網絡進行計算，得到對應新的環(huán)境參數值。此循環(huán)過程直至人體周圍取樣點PMV值的平均值落在(_0.5，0.5)區(qū)間內時停止；
[0028](6)實際過程中，在初始狀態(tài)空調系統控制調節(jié)達到要求后，一般是由于輸入數據中環(huán)境負荷的變化(b)而再次引起空調控制系統的動作，其控制過程同上，將變化后的新的輸入數據輸入BP神經網絡模型，得到對應的環(huán)境參數。計算人體周圍取樣點PMV絕對值值的平均值，看其值是否落在(_0.5，0.5)區(qū)間內，若在區(qū)間內，則保持該送風量，執(zhí)行機構不動作。若在此區(qū)間范圍外，則進行控制調節(jié)。
[0029](7)在上述調節(jié)結束達到穩(wěn)定后，將輸入數據導入CFD模型進行驗證，若所得環(huán)境參數計算人體周圍取樣點PMV值的平均值，若在(-0.5，0.5)區(qū)間外，則將此數據對加入已有訓練樣本，重新對BP神經網絡進行訓練。
[0030]為了更為具體地描述本發(fā)明，下面結合附圖和具體實施例對本發(fā)明進行詳細說明。圖2為一個3D房間模型示意圖。該房間辦公室的長寬高分別為3.5mX3mX2.5m。室內設計有一個坐立的人(a)、一臺電腦(b)、一張辦公桌(C)、兩盞日光燈(d)、一扇窗戶(e)及空調送風口(f)和回風口(g)，未標明表面為墻面。
[0031]下面詳細描述本發(fā)明方法實施步驟:
[0032]1.建立基于CFD的室內環(huán)境模型。建模方法為:
[0033]2.確定房間的圍護結構(墻、窗、門、地板、天花板)、室內陳設(包括人員)位置及尺寸，利用三維建模軟件建立如圖2所示的室內幾何模型；
[0034]3.對幾何模型進行網格劃分并定義邊界屬性；
[0035]4.將劃分網格后的模型導入計算流體力學軟件中，對模型進行邊界條件設置。根據空氣調節(jié)的基本公式計算出房間的冷熱負荷范圍(本例中負荷變化簡化為窗戶玻璃的設定溫度值變化)，并推算風量取值范圍。將人體、電腦、日光燈、窗戶和墻壁設置為溫度邊界或熱流邊界；空調送風口設置為質量流量入口(按之前計算風量賦值)；回風口設置為流出邊界。
[0036]5.按步驟4計算不同風量與不同窗戶溫度組合條件下的各種情況，得到相對應的環(huán)境參數，包括取距離人體0.05m的平面組成的包絡面上的溫度平均值，PMV絕對值的平均值，速度平均值。把這種不同條件輸出計算得到的對應環(huán)境參數組成的集合稱為神經網絡的訓練樣本；
[0037]6.根據計算流體力學軟件中的計算結果，確定神經網絡的輸入層與輸出層神經元個數，本例中輸入層神經元有兩個，分別是風量值和窗戶溫度值，輸出層神經元有三個，分別是溫度平均值，PMV絕對值的平均值和速度平均值。將歸一化后的訓練樣本作為神經網絡的輸入輸出值對網絡進行訓練，選定合適的訓練參數(訓練參數是經過經驗設定，反復試驗后確定的)，對網絡進行訓練，已確定最佳網絡參數。本例使用三層BP神經網絡，輸入層與輸出層使用1gsig轉換函數，隱含層使用sigmod轉換函數，學習速率為0.001，動量為0.09，目標誤差為0.0Olo
[0038]7.將上述訓練好的神經網絡模型嵌入PID控制系統中。輸入初始條件，即風量值與窗戶玻璃溫度值，判斷此時輸出的PMV絕對值的平均值是否落在(-0.5，0.5)的區(qū)間內，若在區(qū)間內，則系統不動作，保持現有送風量。若在此區(qū)間范圍外，則根據速度平均值，利用PMV公式，求出PMV = O時的溫度值T。再與神經網絡輸出的平均溫度值t作差，利用差值At(At = t-T)重新調整PID的比例系數、積分系數及微分系數，確定新的風量值。將新風量值輸入神經網絡，再次判斷輸出PMV絕對值的平均值，直到其落在(-0.5,0.5)區(qū)間，系統停止調節(jié)。當室內負荷發(fā)生變化(本例中為窗戶溫度)，神經網絡的輸出值也相應改變，如此對輸出PMV絕對值的平均值再次做出判斷，從而系統做出相應動作。
[0039]本文中，PMV,即預測平均投票數(預測平均評價)。PMV值是丹麥的范格爾(P.0.Fanger)教授提出的表征人體熱反應(冷熱感)的評價指標，代表了同一環(huán)境中大多數人的冷熱感覺的平均。
[0040]PID,即比例積分微分調節(jié)(控制)。
[0041]CFD (Computat1nal Fluid Dynamics):計算流體動力學。
【主權項】
1.一種CFD數值模擬結合BP神經網絡人工環(huán)境控制方法，其特征是，包括如下步驟: (1)為所述人工環(huán)境建立CFD模型，包括使用計算流體力學CFD軟件建立人工環(huán)境的幾何模型，確定空調送風口和回風口的位置及尺寸，環(huán)境中包含的人員及物品陳設的位置及尺寸； (2)根據所在地區(qū)的氣象條件和室內設計參數，計算其人工環(huán)境的冷/熱負荷，得到其空調系統的條件參數范圍，這里條件參數包括:冷/熱負荷和送風量，對不同的條件參數將各自區(qū)間范圍內的值進行隨機組合，并將此組合作為CFD模型的邊界條件通過模擬得到相應條件下的環(huán)境參數，環(huán)境參數包括:人體周圍取樣點的溫度值，氣流速度值和PMV值，在此過程中，形成大量隨機的輸入/輸出數據對即訓練樣本，輸入即條件參數，輸出即對應的環(huán)境參數； (3)利用上步驟得到的訓練樣本，將條件參數作為輸入數據，相應CFD模擬得到的環(huán)境參數作為輸出數據，建立BP神經網絡，神經網絡采用三層網絡結構，輸入層神經元個數和條件參數個數一致，輸出層神經元個數和環(huán)境參數個數一致，隱層神經元個數按照經驗公式確定，選定訓練參數后，使用貝葉斯正則化算法對BP網絡進行訓練，以確定最佳網絡參數； (4)訓練好的BP神經網絡替代CFD模擬，用于空調系統的實時控制，將所要控制的人工環(huán)境的初始條件(a)輸入BP神經網絡，得到相應的環(huán)境參數；此處初始條件即:空調系統開啟時刻的條件參數，計算人體周圍取樣點PMV值的平均值，看其平均值范圍是否落在(-0.5,0.5)區(qū)間內，若在區(qū)間內，則保持該送風量，執(zhí)行機構不動作；若在此區(qū)間范圍外，則進行以下步驟； (5)將人體周圍取樣點的溫度算術平均值t，氣流速度算術平均值，利用PMV公式和上述平均值計算PMV = O時的溫度值T，利用T - t的差值進行PID控制，得到新的送風量，將新的送風量和當前環(huán)境負荷作為輸入數據重新利用BP神經網絡進行計算，得到對應新的環(huán)境參數值；此循環(huán)過程直至人體周圍取樣點PMV值的平均值落在(-0.5,0.5)區(qū)間內時停止; (6)實際過程中，在初始狀態(tài)空調系統控制調節(jié)達到要求后，一般是由于輸入數據中環(huán)境負荷的變化(b)而再次引起空調控制系統的動作，其控制過程同上，將變化后的新的輸入數據輸入BP神經網絡模型，得到對應的環(huán)境參數；計算人體周圍取樣點PMV絕對值值的平均值，看其值是否落在(_0.5，0.5)區(qū)間內，若在區(qū)間內，則保持該送風量，執(zhí)行機構不動作；若在此區(qū)間范圍外，則進行控制調節(jié)； (7)在上述調節(jié)結束達到穩(wěn)定后，將輸入數據導入CFD模型進行驗證，若所得環(huán)境參數計算人體周圍取樣點PMV值的平均值，若在(-0.5,0.5)區(qū)間外，則將此數據對加入已有訓練樣本，重新對BP神經網絡進行訓練。
【專利摘要】本發(fā)明涉及一種人工環(huán)境下空氣調節(jié)的優(yōu)化控制方法，為提供一種人工環(huán)境控制方法，用于解決控制誤差大，效率低的問題。為此，本發(fā)明采取的技術方案是，CFD數值模擬結合BP神經網絡人工環(huán)境控制方法，包括如下步驟：(1)建立CFD模型；(2)根據所在地區(qū)的氣象條件和室內設計參數，計算其人工環(huán)境的冷/熱負荷，得到其空調系統的條件參數范圍；(3)利用上步驟得到的訓練樣本；(4)訓練好的BP神經網絡替代CFD模擬；(5)進行PID控制；(6)將變化后的新的輸入數據輸入BP神經網絡模型，得到對應的環(huán)境參數；(7)在上述調節(jié)結束達到穩(wěn)定后，重新對BP神經網絡進行訓練。本發(fā)明主要應用于空氣調節(jié)場合。
【IPC分類】F24F11-00
【公開號】CN104633856
【申請?zhí)枴緾N201510040617
【發(fā)明人】孫賀江, 喻彥喆
【申請人】天津大學
【公開日】2015年5月20日
【申請日】2015年1月27日