[发明专利]一种中央空调的冷却水回水温度预测控制方法

摘要

一种中央空调的冷却水回水温度预测控制方法，包括如下步骤：（1）记录当前冷却水回水的温度和冷水水泵的频率，设定冷却水的回水目标温度为37℃；（2）建立预测模型，采用两层的BP神经网络模型；（3）神经网络预测模型的学习；（4）反馈校正；（5）参考曲线选取；（6）优化计算：采用RBF神经网络，设通梯度下降法学习网络的各个参数，计算出下一步最优控制量u(k+1)，以此作为冷却水泵的下一步频率。本发明提出一种动态性能良好、节能效果明显的中央空调的冷却水回水温度预测控制方法。

主权项

1.一种中央空调的冷却水回水温度预测控制方法，其特征在于：所述预测控制方法包括如下步骤：（1）记录当前冷却水回水温度和或冷却水泵的频率，设定冷却水回水温度的目标温度为37℃；（2）建立预测模型，采用两层的BP神经网络模型，设温度预测值有如下表达式：y_m(k)＝f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]y_m(k+1)＝f[u(k),u(k-1),...,u(k+1-m),y_m(k),y(k-1),..,y(k+1-n)]y_m(k+p)＝f[u(k+p-1),u(k+p-2),...u,(k+p-m),y_m(k+p-1),...y,_m(k),y(k-1),..,y(k+p-n)]其中，y_m(k)为第k次模型温度输出值，u(k-1)为第k-1次冷却水泵的频率值，y(k-1)为第k-1次实际温度值，m、n分别为输入和输出的维度，p为预测步长；设在以后的j步中，u(k+j)＝u(k+j-1)＝...＝u(k+1)＝u(k)则有：x(k+j)＝[u(k),u(k),...,u(k-1),...,u(k+j-m),y_m(k+j-1),...,y_m(k),y(k-1),..,y(k+j-n)]^Tw＝[w₁,w₂,...,w_m+n]^T则：y_m(k+j)＝g[w*x(k+j)]j＝1,2,...,p其中，x(k+j)为第k+j次模型的输入变量，p为预测步长；g(x)取单极性sigmoid函数，（3）神经网络预测模型的学习，过程如下：采集各个控制对象的阶跃响应d_p(k),k=1,2,…,n，p表示样本个数m中的每一个，然后根据预测模型的对应阶跃响应输出y_p(k),k=1,2,…,n；采用梯度下降法来修正参数w；j(k)=Σp=1m[yp(k)-dp(k)]2,]]>j(k)对w求导得：Δj(k)≈▿j(k)Δw(k)=Σj=1m+n∂j(k)∂wjΔwj(k),]]>若按下式选择Δw_j(k)，其中j＝1,2,...,m+n；η＞0（4-1）则Δj(k)≤0，所以只要保证Δw_j(k)按式（4-1）来调整，则j(k)就会随着这一调整一直减小；当其误差达到设定范围内后便可停止学习，保存好学习好的w参数；（4）反馈校正：设预测模型输出与实际输出之间的误差为：e(k)＝y(k)-y_m(k)，修正后的反馈为：y_c(k+p)＝y_m(k+p)+he(k)，其中，h为修正因子；（5）参考曲线选取：参考曲线选为：y_r(k+i)＝αⁱy(k)+(1-αⁱ)y_r，i=1,2,…,p，其中T为采样周期，t为时间常数，y(k)为现时刻实际输出，y_r为设定值；（6）优化计算：采用非线性RBF神经网络来实现滚动优化，设x(k)＝[y_r(k+p);y_c(k+p),...,y_c(k+p-n+1);u(k),...,u(k-m)]^Thj(k)=exp(-||x-cj||2σj2)]]>u(k+1)=Σj=1mvj(k)hj[x(k)]]]>其中y_r为参考轨迹；x为N维输入向量；c_j为RBF的中心向量；σ_j为隐节点的宽度；m为隐层节点个数；控制指标为：通过使控制指标E达到最小，按照梯度下降法调节，来调节连接权值系数、函数的中心向量和隐节点的宽度；根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1)，以此作为冷却水泵的下一步频率。