《毕业论文范文——变频空调系统的神经网络PID控制研究》由会员分享，可在线阅读，更多相关《毕业论文范文——变频空调系统的神经网络PID控制研究（14页珍藏版）》请在金锄头文库上搜索。
1、变频空调系统的神经网络变频空调系统的神经网络 PIDPID 控制研究控制研究摘要摘要:本文针对变频控制空气调节系统，它具有的特性为大惯性和纯滞后。在可变频率的空调系统的神经网络 PID 控制引入和模拟。在神经网络 PID 控制器的学习算法，系统的输出是必要的调整神经网络的权重而这是很难获得的。这样系统的输出被预测通过非线性的，采用神经的算法网络配置。通过仿真和优化，这是发现神经网络 PID 控制具有的能力自学习和自适应。然而，神经网络 PID 控制系统有时也有静态误差。为了消除静态误差，神经网络 PID 混合控制和常规 PID 被施加到可变频率的空调系统。混合控制进行了仿真比较模型的参数改变的
2、性能。仿真发现的神经网络 PID 和 PID 混合控制具有两个神经网络和 PID 的优点，如自学习和自适应，将获得更快的响应和更好性能。关键词关键词：神经网络， PID 控制，预测，变频，空调系统一一. .引言引言目前，它是一家专注研究用智能控制到空气调节系统，这是有益的，不仅满足人体的舒适性，又节约能源。常规 PID 控制器有时不满足控制目的的对象，这是大惯量，延迟和非线性特性和不确定性干扰因素。为克服失败，有些人开始摸索的智能控制，适用于变频空调系统的控制。PID 参数的优化是提高在加热的 PID 控制的途径和方法，通风和空调（HVAC）系统。许多研究中涉及的参数优化，例如， 1 对 3
3、，而优化的方法是不同的。在 1 的自适应学习算法，基于遗传算法（GA）的自整定 PID 控制器在空调系统达到最优性能介绍。神经元自适应 PID 控制器应用于单区空调系统及仿真结果表明，神经元 PID 控制输出第一次进入稳定带和抗干扰白噪声比 PID 控制更 2 。第七针对变风量（VAV）空调系统设计了模糊 PID 控制器在 3 。从仿真结果可以看出，模糊 PID 控制器具有响应速度快，超调量小，精度高，稳定性强和自整定线的参数变化时。变频空调系统的研究主要是应用模糊控制算法，如 4 至 8 。在4的特性，如 ITAE ，性能系数（COP）和控制精度的模糊已被较控制和传统 PI 控制的变频空调。
4、模糊控制规则和隶属函数优化基于遗传算法（GA ）已经完成的 5 。在文献 7 模糊自适应控制的引入和使用变频空调具有自适应性的质量对被控对象的更改的参数。在8的控制器结合 CMAC 神经网络和模糊逻辑控制并模拟了变频空调。此外，神经网络技术已经在暖通空调领域全面地应用于控制，能量管理，永世不得翻身，故障诊断，鉴定和优化等9。一些研究者关注的神经网络控制的变频空调制度。在文献 10 利用 BP 神经网络算法是优化变频空调。文献 11 开发了神经 PID 控制算法模块来模拟可变频率的空调系统，这表明神经 PID 控制策略比更强大常规 PID 控制。参考文献 12 模拟 3 控制器包括 PID 控制
5、器，模糊控制器和在变频中央空调系统的神经网络控制器。本文针对变频空调系统的控制，并引入神经的设计网 PID 控制器。通过仿真和优化，它被发现的神经网络 PID 控制有自学习和自适应能力。然而，本神经网络 PID控制系统有时也有静态错误。为了消除静态误差，神经的混合控制网络 PID 和常规 PID 是先进的可变频率的空调系统，它具有两个神经网络和 PID 的优点。二二. .网络网络 PIDPID 控制器控制器A. 配置 Neural 网络 PID 控制系统神经网络 PID 控制是常规的 PID 控制和神经网络相结合，并把卓越的 PID和神经网络。的神经网络 PID 控制系统的结构组成的神经网络
6、PID 控制器和非线性预测模型（NNM）如图 1 所示。图 1.神经网络 PID 控制系统在图 1 中，r 是设定输入，G（S）为控制对象， y 为实际输出，u 是控制变量，y 是 预测，NN 表示神经网络，NNM 站 对于神经网络模型来预测 y 和F 表该学习算法。该图 1 基于系统状态的神经网络和调整 PID 控制器的参数以获得一些性能指标的优化。当神经网络学习算法中的调整，这是可能的，输出的变化或者是用来计算控制值或调整神经网络的权值为 13 和 14 预测。但系统的预测输出，所以很难获得，通常的方法是模型的控制器对象和预测输出。因此，实际的输出可以相反的预测输出值计算控制或调整神经网络
7、的权值。在图 1 NNM 是被控对象的预测模型和预测的输出。yB.神经网络 PID 控制器控制系统与神经网络的 PID 控制器构成图 1。现在，误差用表示，式中 r（k）为期望信号和 y（k）是植物的实际输出。( )( )( )e kr ky k在离散时间控制系统，PID 算法可以由下式给出： 1212DK e kKe ke ke k（1）经过微分增益调整和优化。 方程（1）可以改写为如下：,( )( (1),( ) (1) (2)pIDu kf u kK K K e k e ke k（2）其中，是一个非线性函数，是关于的最佳控制规则可以被发现 f ,piDK KK和过反向传播（BP）神经的培
8、训和学习网络。图 1 中的神经网络模型可以用来调整 PID 控制器的增益自适应地采用 BP算法来测量 u（k）,y(k)和 r(k)的数据。 BP 网络是一种多层网络，它由一个输入层，一个输出层和非线性处理的几个隐藏层元素。在本文中，三层 BP 神经网络被用作图 2。图 2.置 BP 神经网络。其中有 M 个输入神经元，Q 隐藏神经元和三个输出 神经元。输入神经元可以是系统的状态，对于 例如不同时代的输入或输出，这应该是归一化为15如果网络需要。 BP 神经网络的输出，分别为 PID 控制器的三个参数的调整。因为这三个参数不能为负，输出层的神经元的激活函数是 S 型函数,piDK KK和不为负
9、和激活功能隐层的神经元是 S 型函数，它是对称正极和负极。在图 2 神经网络的输入层的神经元的输出可表示为如下：(1) 1(1)(),0,1,.,1,1jkMoxe kjjMo(3)其中 o（1）是输出 OFJ 个神经元的输入层，所述数 输入层的神经元 M 个坐落在的复杂程度控制系统。在该方程中，上标符号（1） （2）和（3）分别是输入层，隐含层和输出层。隐含层的输入和输出可以表示为：(4)是第 i 个神经元的隐含层的输入，是隐层的权值，是阀门值，(2)( ) inetk(2) ijw(2) iMw是激活函数为=tanh（x） 。 f f 输出层的输入和输出可以表示为：(3)(3)(2)0(3
10、)(3)(3) 0(3) 1(3) 2( )( ),( )( ) ,0,1,2,( )( ),( )( ),( )( ).Qllii illpIDnetkw okokg netklKkokKkokKkok (5)是输出层的权值，是阀门值， 是激活函数为(3) liw(3) iQw(3) iQlw g (2)(2)(1)0(2)(2)(2)( )( )( )( ) ,0,1,.,1( )1Miijj jIiQnetkwokokfnetkiQok 。 1tanh( ) / 2gx 通过使用基于梯度法的 BP 算法，以最小化性能指标函数 J 可以是表示如下：2211(1)(1)k+122Jr ky
11、ke（）（6）其中，J 是由最快的降序的意思是，这是搜索和调谐向负梯度，并添加一个惯性系数，使收敛速度更快修改的权值，并且：(3)(3) (3)(1)( )lili liJwkma wkw （7）其中 m 代表学习的速度，一个是平滑系数。(8)(3)(3)(3)(3)(3)(3)( )( )(1)( ) (1)( )( )( )lllilllioknetkJJy ku k wy ku koknetkw 在（8）中是未知的，它可以被替换，其中所用的非线性模(1) ( )y k u k (1) ( )y k u k 型或计算最小二乘法。这里是被预测在神经网络中。(1) ( )y k u k 在（1
12、）中的差异可以表示为以下：( ),PIDu kKKK(9)(3) 0(3) 1(3) 2( )( )(1),( )( )( ),( )( )( )2 (1)(2).( )u ke ke koku ke koku ke ke ke kok 因此，输出层的 BP 神经网络的权值更新如下：(10)(3)(3)(2)(3)(3)(3) (3)(1)( )( ),(1)( )(1)( ) ,( )( )0,1,2.lililill lwkmoka wky ku ke kg netku kokl 据以平均值像上面隐藏层的权值被更新如下：(11)(3)(2)(1)(2)2 (2)(2)(3)(3)0(1)(
13、 )( ),( )( ),0,1,1.liliijlllli lwkmoka wkfnetkwkiQ 这里：(12) 2( ) 1( ) ,1( ) / 2.gg xg xffx C.非线性预测在可变频率的空调系统，受控对象是应该的非线性系统，该系统单输入单输出系统如下：( )(1), (2),., (), (1), (2),., ()uy kf y ky ky kn u ku ku kn（13）其中，是时刻的输出和输入和是的( ), ( )y k u k yyyufun nn和，un yu和顺序，时非线性方程。 f 那里是一个三层神经网络模型（NNM 图 1） ，为预测模型具有个nyu+n
14、+1输入神经元，Q 隐层神经元和一个输出神经元。对非线性系统的预测而容易，激活函数输出层是线性函数而激活函数隐层的神经元仍然是 Sigmoid 函数。该预测计算的 BP 神经网络模型：让该层的输入和输出是神 u( )y kk和经网络模型的输入，并且将输入层： (1)(1)0j1() 1()1yyuy j yuynnny kjoknjnnu kjno （14）隐含层的输入和输出可以表示为：(2)(2)(1)0(2)(2)(2)( )( ),( )( ) ,( )1,0,1,.,1.yunniijj jiiQnetkwokokfnetkokiQ （15）是隐含层的权值，是阀门值并且=，是激活函数为
15、(2) ijw(2)yumnw(2)yumnwl f =tanh（x） 。 f 并且输出层的输出可表示为下列内容：(3)(2)0(1)( ).Qii iy kw ok（16）是输出层的权值，是阀门值并且，以及输出神经元是线性神经(3) iw(3) Qw(3) 0Qw元。BP 神经网络模型的学习落后的：他使用 BP 学习算法修改权值和阈值，使目标函数的最小：21(1)(1).2yJy ky k（17）权值修改如下：(3)(2)(3)(2)(2)(3)(3)(2)(1)(1)(1)( ),(1)(1)(1) .( )( )( )( ),0,1,., 0,1,.,.iiiijiiiijyuwkm y ky kowkwkm y ky kfnetkwk okwkiQ jnn （18）其中，m 是学习的速度，一个是平滑系数，两者是在（0,1） 。激活函数的导数，可以表示为：（19）2( )1( ) / 2fxfx所以可以被
