[发明专利]一种VAV变风量空调系统控制方法

摘要

本发明提出了全新的VAV空调系统控制方案，对末端VAV-BOX和空调机组采用神经网络预测控制方法，克服了VAV系统滞后特性，提高了控制精度，大大降低了执行机构的“谐振”现象，节能效果提高13％以上，并解决了工程中控制参数整定难题。对末端VAV-BOX采用压力无关型串级预测控制方法，提高了控制精度。空调机组设置了4个控制回路，采用全工况综合控制技术，根据不同工况自动选择可调整设定静压的静压控制或总风量控制策略，实现对风机的预测控制；通过检测所有末端VAV-BOX一次风量，根据运行工况调整送风温度，解决了最低新风运行时部分空调区域温度过低的问题；新风比控制回路采用串级预测控制方法，实现了新风比精确控制，进一步提高了节能水平。

主权项

一种VAV变风量空调系统控制方法，其特征在于，包括以下几个步骤：第一步：利用BP神经网络建立空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型1)确定空调区域温度预测模型、末端风阀预测模型、空调机组主风道管道静压预测模型、主风道风量预测模型、送风温度预测模型、新风风阀预测模型及空气质量预测模型结构空调区域温度预测模型的输入信号为室外太阳辐射强度、室外温度、CO2浓度、室内温度、风量和末端阀门开度，输出为下一时刻室内温度；末端风阀预测模型的输入信号为末端风阀开度和空调机组主风道管道静压，输出为下一时刻末端风量；主风道管道静压预测模型的输入信号为VAV空调机组风机转速、管道静压、回风CO2浓度、室外温度和太阳辐射强度，输出为下一时刻管道静压；主风道风量预测模型的输入信号为风机转速和管道静压，输出为下一时刻主风道风量；送风温度预测模型的输入信号为送风温度和水阀开度，输出为下一时刻送风温度；新风风阀预测模型的输入信号为新风风阀开度和新风管道管道静压，输出为下一时刻新风量；空气质量预测模型的输入信号为新风风阀开度和CO2浓度，输出为下一时刻CO2浓度；2)采集样本数据；3)将样本数据按公式(1)、(2)进行归一化： x i = x di - x d min x d max - x d min - - - ( 1 ) y tl = y dl - y d min y d max - y d min - - - ( 2 ) 其中xi为归一化后神经网络的输入值，xdi为原输入值，xdmin为原输入值中的最小值，xdmax为原输入值中的最大值；ytl为归一化后神经网络的目标值，ydl表示原目标值；ydmin表示原目标值中的最小值；ydmax为原目标值中的最大值；4)对神经网络进行离线训练；第二步：VAV空调末端串级预测控制1)确定末端外环预测控制目标函数末端外环预测控制目标函数为： J o [ k ] = Σ k = t 1 t 1 + M c - 1 L o ( T o [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M c - 1 ( T o [ k ] - T o , set [ k ] ) 2 其中Mc为预测时域，t1是预测时域内的初始时刻，To[k]为第k个采样周期的空调区域温度，To，set[k]是第k个采样周期的空调区域温度设定值，Lo为第k个采样周期末端外环目标函数；2)确定末端内环预测控制目标函数末端内环预测控制目标函数为： J i [ k ] = Σ k = t 1 t 1 + M i - 1 L i ( V i [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M i - 1 ( V i [ k ] - V i , set [ k ] ) 2 其中Vi[k]为第k个采样周期的风量，Vi，set[k]是第k个采样周期的风量设定值；Mi为预测时域，Li为第k个采样周期末端内环目标函数；3)确定末端内环神经网络预测控制器和末端外环神经网络预测控制器结构末端串级控制回路内外环控制器均选用神经网络预测控制器。末端内环神经网络预测控制器将风量设定值、空调机组主风道管道静压与管道风量作为输入，阀门开度为输出；末端外环神经网络预测控制器的输入参数包括室外温度、太阳辐射强度、室内温度和空调区域温度设定值；输出参数为风量设定值；4)对末端内环神经网络预测控制器和末端外环神经网络预测控制器进行在线寻优训练，根据采集的空调区域温度，输入外环神经网络预测控制器，计算出设定风量，再利用内环神经网络预测控制器对末端风阀开度进行调整；第三步：VAV空调机组预测控制1)确定VAV空调机组可调整设定静压的静压控制回路、VAV空调机组总风量控制回路、VAV空调机组送风温度控制回路和VAV空调机组新风比串级控制回路预测控制目标函数静压控制回路预测控制目标函数为： J s [ k ] = Σ k = t 1 t 1 + M s - 1 L s ( P s [ k ] , U fan [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M s - 1 { ( P s [ k ] - P s , set [ k ] ) 2 + U fan 2 [ k ] } 其中Ps[k]为第k个采样周期的管道静压，Ps，set[k]是第k个采样周期的空调区域设定静压，Ms为预测时域，Ufan[k]为k个采样周期风机电压控制量，Ls为第k个采样周期静压控制回路目标函数；总风量控制回路预测控制目标函数为： J f [ k ] = Σ k = t 1 t 1 + M f - 1 L f ( V fan [ k ] , U fan [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M f - 1 { ( V fan [ k ] - V fan . set [ k ] ) 2 + U fan 2 [ k ] } 其中Vfan[k]为第k个采样周期的管道风量，Mf为预测时域，Vfan.set[k]为第k个采样周期的各末端预测风量之和，Lf为第k个采样周期总风量控制回路目标函数；送风温度控制回路预测控制目标函数为： J st [ k ] = Σ k = t 1 t 1 + M st - 1 L st ( T st [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M st - 1 ( T st [ k ] - T st , set [ k ] ) 2 其中Tst[k]为第k个采样周期的温度，Tst，set[k]是第k个采样周期的设定温度，Mst为预测时域，Lst为第k个采样周期送风温度控制回路目标函数；新风比控制回路外环预测控制目标函数为： J q [ k ] = Σ k = t 1 t 1 + M q - 1 L no ( Q [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M q - 1 ( Q [ k ] - Q set [ k ] ) 2 其中Q[k]为第k个采样周期的空气质量，Qset[k]为第k个采样周期的空气质量设定值，Mq为预测时域，Lno为第k个采样周期新风比控制回路外环目标函数；新风比控制回路内环预测控制目标函数为： J ni [ k ] = Σ k = t 1 t 1 + M ni - 1 L ni ( V ni [ k ] , k ) = 1 2 Σ k = t 1 t 1 + M ni - 1 ( V ni [ k ] - S [ k ] ) 2 其中Vi[k]为第k个采样周期的预测风阀输出风量，S[k]是第k个采样周期的设定风量，Mi为预测时域，Lni为第k个采样周期新风比控制回路内环目标函数；2)确定VAV空调机组可调整设定静压的静压控制回路、VAV空调机组总风量控制回路、VAV空调机组送风温度控制回路和VAV空调机组新风比串级控制回路神经网络预测控制器结构静压神经网络预测控制器的输入信号为设定管道静压和管道静压，输出为风机转速；总风量神经网络预测控制器输入信号为管道风量和总风量，输出为风机转速；送风温度神经网络预测控制器的输入信号为设定送风温度和送风温度，输出为水阀开度；新风比串级控制回路内外环控制器均选用神经网络预测控制器。新风比外环神经网络预测控制器输入为设定CO2浓度和回风CO2浓度，输出为设定新风量；新风比内环神经网络预测控制器将设定风量、新风管道静压与管道风量作为输入，新风阀门开度为输出；3)当系统静压监测点的静压值下降达到设定值时，选择可调整设定静压的静压预测控制策略，实现静压控制回路中静压神经网络预测控制器在线寻优；4)当系统静压监测点的静压值高于设定值时，运行总风量预测控制策略，实现总风量控制回路中总风量神经网络预测控制器在线寻优；5)实现送风温度控制回路中送风温度神经网络预测控制器在线寻优；6)实现新风比串级控制回路中新风比内环和外环神经网络预测控制器在线寻优，根据采集的回风CO2浓度，输入外环神经网络预测控制器，计算出设定新风量，再利用内环神经网络预测控制器对新风风阀开度进行调整。