《基于RBF模糊神经网暖通空调模型辨识》由会员分享，可在线阅读，更多相关《基于RBF模糊神经网暖通空调模型辨识（4页珍藏版）》请在金锄头文库上搜索。
1、2 0 0 5 中国控制与决策学术年会论文集7 1 6P r o c e e d i n g so f2 0 0 5C h i H e 5 c 伽l r 甜d n dD e c l 5 l 州c 。以胛”f f基于R B F 模糊神经网暖通空调模型辨识扬晓平1 ，李树江1 ，张延安2 ，C A IW e n 一曲”。( 1 沈阳工业大学信息科学与工程学院，辽宁沈阳1 1 0 0 2 3 ；2 S c h o o lo fE E E N a n y a n gT e c h n o l o g i c a lU n i v e r s i t y ，S i n g a p o r e )摘要：结
2、台暖通空调的特性，提出了一种改进R B F 模糊神经阿络建立方法，使其能对暖通空调进行准确的辨识J 2 l 使得暖通空调控制在调节出舒适房问温度的前提下减少能量的消耗并通过实验验证了当有强干扰存在和模型参数变化时，所建立的R B F 模糊神经网能进行准确辨识关建词：径向基函数 模糊神经网络；模糊素类；暖通空调H e a t i n g ，v e n t i l a t i n ga n da i r c o n d i t i o n i n go fi d e n t i f i c a t i o nb a s e do nR B Ff u z z yn e u r a ln e t w
3、o r kY A N GX i a o p i n 9 1 ，1 , 1S h u - j i a n 9 1 ，Z H A N GY a h 一1 ，C A IW e n 一曲”2( 1 C o n t r o lT h e o r ya n dC o n t r o lE n g i n e e r i n g ，S h e n y a n gU n i v e r s i t yo fT e c h n o l o g y ，S h e n y a n g1 1 0 0 2 3 一C h i n a f2 S c h o o lo f E E E N a n y a n g T e c
4、h n o l o g i c a l U n i v e r s i t y tS i n g a p o r e C o r r e s p o n d e n t jL IS h u - j i a n g ，E m a i l jl i s j s i l t e d u c n )A b s t r a c t ：A c c o r d i n gt oc h a r a c t e r i s t i co fh e a t i n g v e n t i l a t i o na n da i r c o n d i t i o n i n g ( H V A C ) ，aw a
5、 yo fb u i l d i n gt h es t r u c t u r eo fR B F F N Ni sp r o p o s e d T h eR B F F N Nc a na c c u r a t e l yi d e n t i f yt h em o d e lo lH V A C ，w h i c hh a sH V A Cc o n s u m el e s se n e r g yu n d e rt h ep r e c o n d i t i o nt h a tt h eH V A Cc a na d j u s tt o m f o r t a b l
6、er o o mt e m p e r a t u r e A ne x p e r i m e n ts h o w st h a tt h eR B F F N Nc a na c c u r a t e l yi d e n t i f yt h em o d e lo fH V A C w h e nas y s t e mo fH V A Ch a ss t r o n gd i s t u r b sa n dc h a n g e so fp a r m e t e r so fm o d e l K e yw o r d s ：R B F f u z z yn e u r a
7、ln e t w o r k If u z z yc l u s t e r ；H V A C1 引言暖通空调( H V A C ) 系统的能量捎耗一般占整个建筑耗电量的5 0 以上，但目前实际情况绝大多数的空调系统运行效率低，能源浪费严重主要原因是暖通空调一般按最大负荷设计，它又受到热交换环节多，系统复杂，且负荷、环境、长期运行各环节特性变化等因素的影响，很难建立其准确模型。使它不能连续工作在最佳状态A l b e r t 采用3 层神经网络用于暖通空调的辨识器，但其运算量大、实时性较差“1 ；O s m a n 利用广义回归神经网辨识暖通空调，同样存在运算量庞大，训练时间长的缺点0 3 ；
8、Y o u n g g y 从暖通空调和其系统的物理机理出发，根据热力学定理和结构数据来建立数学模型，但由于暖通空调本身非常复杂，且需要多重假设，所撂到的模型也是相当复杂，程难保证所建立模型的准确性n 1 ；S h o n g 采用基于继电反馈建 模，但他是在首先假设了暖通空调模型线性系统结构的基础上利用继电反馈确定其参数，本身在模型函数结构假设上就存在很多人为主观性，这将导致很大的辨识误差 4 3 W a n g 提出了基于能量守恒和热传递规则，利用线性或非线性最小二乘法辨识模型参数的方法，它对于静态暖通空调模型能给予很好的辨识，但当暖通空调运行过程中存在干扰和有参数变化时，该方法将不能再进
9、行准确辨识o 针对暖通空调所具有的特性和现有暖通空调辨识所存在的问题，本文提出了一种基于R B F 模糊神经网的辨识方法并通过实验证明了此方法能在干基盒瑁目：豇宁省教育厅科学研究计划项目( 2 0 0 4 D 0 3 9 ) 作者筒介。橱晓平( 1 9 7 8 - - ) 男，吉林磐石人顿士生，从事暖通空调智能控制的研究杨晓平等；基于R B F 模糊神经网暖通空调模型辨识7 1 7扰存在下可准确地对暖通空调进行辨识 2 暖通空调工艺结构典型的全空气处理过程如图1 所示，它由送风系统、回风系统、热交换器3 部分构成包括新风与回风热交换形成混风、混风与热交换器形成送风、送风与房间负荷3 个交换环节
10、，通过送风机和送风管道将冷风送人房间，再由回风机排除室外。部分回风与新风混合进行下一次循环调节目标温度主要是通过控制电动调节阀来实现影响控制目标温度的主要因素有冷冻水温度、露点温度、新风与回风的混风温度和湿度、送风量、房间负荷当混合空气经过热交换器时，一方面由于低于露点温度而造成热交换系统的非线性关系，特别是当相对湿度较大时；另一方面，热交换过程是存在温度显热和潜热两部分及玲热源的不同造成温度上舟和下降的特性不同，也存在非线性环节空气处理单元和被控房间是通过长长的送风管道相连，导致纯滞后和大惯性及长期使用造成管道阻力变化这部分存在时变环节对这一过程的准确建模是暖通空调节能关键问题出风回风lI
11、温度，湿度 留斟篡器蓬攀传感器俐风阀热交换器传避楚f h 、 风量Aff ) ( 1 lf l 风驯总威量C风阔l 二通莳豁黪圈l 暖通空调工艺3R B F 模糊神经网络的建立3 1R B F 模糊神经网络结构y l儿) r圈2R B F 模糊神经周络本文采用的R B F 第i 个隐层节点的输出为g l 一圣( 0o f 0 P ) ( 1 )式中；i l | | 为欧式范数，z 为”维输入向量，o 为第i 个隐层节点中心，P 为宽度，中为R B F 函数网络输出层第1 个节点的输出为隐层节点输出的线性组合儿( o J ，t ) 一乙吨，吼巩( 2 )式中：吡为吼到y 的连接权岛为第女个输出节
12、点的闻值在建立R B F 模糊神经网时，一个重要的问题就是要得到理想的模糊规则库它包括隐层节点数、隐层节点中心C 。、宽度P 和连接权q 的确定为此将整个过程分为两步：第1 步从输入输出数据对中建立一个初始的模糊规则库；第2 步对规则库中的参数进行调整，得到一个理想、精确的模糨规则库3 2R B F 模糊神经网络的初始确定对瑷通空阔进行数据样本采集，对所有样本的输入进行聚类，以求得各隐层节点数，隐层R B F 的中心“宽度P ( 即隶属度函数) 和模糊控制规则L并利用最小二乘法求得后件参数0 2 k 。本文结合暖通空调的特性对建立R B F 模糊神经网络算法作了如下改进1 ) 本文摒弃了只考虑
13、输入数据对聚类过程的影响，利用欧式距离I z t ml I d 。时，按式W = “，n + 1 = P 1 初始化新聚类的中心W 。和半径胁+ t ，以最小二乘法估计后件参数咄+ 1 ，令Q ( I + 1 ) = 1 ；5 ) 比较Q ( ，) 与Q 一，将置信度小于阈值的剔除；6 ) 辨识步效= h + 1 达蓟辨识步数则辨识过程结束；否则，转步骤2 ) 通过以上描述初步确定R B F 模糊神经网络的隐层节点数、参数c 、P 和后件参数的值然后，利用神经网络的自学习能力对参数c ，P 和后件参数“进行修正，进一步提高模型预测的准确性3 3R B F 摸翱神经周的壹学习初步建立了R B F
14、 模糊神经阿后，本文利用最速梯度下降法对参数“P 和后件参数进行修正，建 立更加准确的辨识暖通空调的R B F 模糊神经网络结构在第P 组样本输入下的被调房间实际温度为Y 。，R B F 模糊神经网络预测输出为g ，置 孔= 守 一，( 1 6 ) 乙吼式中旷e x “掣) 被调房问温度预测值和实际值误差为 E ，= I l M Y p0 1 ( 1 7 )修正目标函数，O ) = 1 2 E 。( 1 8 )为了更准确地对空气处理单元和被调房间进行建模，采用权值调整的自适应学习算法为：( f + 1 ) 罩咄( f ) 一7 a ，( f ) a 叱( f ) ，杨晓平等：基于R B F 模
15、糊神经网暖通空调模型辨识7 19f ( f + 1 ) = “( f ) 一_ a ，( ) 击f ( f ) ，n ( t + 1 ) 一只( r ) 一7 a ，“) 识0 ) ，f ，埘，一P ( 19 )对于给定的性能指标，通过上述方法进行修正，使关于被修正参数的目标函数l ，满足精度要求，从而对R B F 模糊神经网络的各个参数进行调整，以得到更加精确的R B F 模糊神经网结构4实验结果 采用R c a m eT i m eT a r g e t 软件工具箱和N 1 6 0 2 4 采集卡对实验室1 4k W 制冷量的小型中央空词系统现场采集冷冻水调节阀电压和被控房间温度的数据样本
16、，利用上述方法建立出R B F 模糊神经网结构为验证所建立的R B F 模糊神经网络是否能在强干扰和工况环境改变的条件下，对暖通空调进行准确辨识+ 对暖通空调装置进行了如下试验：将空气相对湿度和冷冻水温度分别控制在6 7 和8 设t 一0 时刻，房间温度是2 0 4 C ，保持冷冻水调节闼开度在8 0 ；在t 一3 0 0s 时，改变调节阀的开度到2 0 ；在t = 35 0 0s 时，调解阀开度回到2 0 由图3 可见，所建立的R B F 模糊神经网络在t = 3 0 0s 和t 一35 0 0s 调节阀电压改变时能很好地跟踪房间实际温度变化，在= 18 0 0s 时，由于冷冻水温度的改变引入干扰，使实际输出温度提高，所建立的R B F 模糊神经网络同样能给予准确的辨识由图4 可见，广义回归神经网络辨识在调节阀开度改变、冷冻水温度变化
