基于BP神經網絡整定的PID列車司機室空調節能控制研究①

摘 要:針對目前列車司機室空調存在的問題，提出了一種司機室空調節能控制的方法。該方法通過實時監測司機室內溫度，應用BP神經網絡的PID整定算法，控制空調變頻器輸出，不但保證了司機室內人性化的工作環境，而且能有效降低能耗。仿真結果表明方法的有效性。

關鍵詞:PID控制BP神經網絡節能控制司機室空調

中圖分類號:TP23文獻標識碼:A文章編號:1674-098X(2011)05(a)-0002-02

1 引言

在經濟高速發展的需求環境下，我國鐵路系統不斷發展向著高速化、舒適化的方向發展，對列車司機的駕駛環境也提出的新要求。現有司機室空調雖然有效地改善了司機駕駛環境，但其能耗也不可忽視，如廣鐵集團現有客車空調裝置的額定總功率高達318萬kW左右，總耗電量已與一小型發電廠的發電量相當[1]。目前國內現有司機室空調主要采用手動控制方式，一方面列車司機在駕駛過程中需要根據室內環境進行人工調節，不利于安全駕駛，另一方面空調工作狀態永遠滯后于工作環境要求，造成能源浪費。因此良好的司機室空調控制系統不但能夠保證司機工作熱情，集中注意力駕駛，而且能有效節約能源，實現機車負荷的節能減排[2]。

本文針對以上問題進行研究，采用BP神經網絡的PID整定控制算法對司機室空調進行溫度自動變頻控制，不但保證了司機工作精神狀態，集中注意力駕駛，而且能有效節約能源，實現機車負荷的節能減排。

2 BP神經網絡的PID整定控制

2.1 PID控制

PID控制是最早發展起來的應用經典控制理論的控制策略，由于算法簡單，魯棒性好和可靠性高被廣泛應用于工業過程并取得了良好的控制效果[3]。PID控制將偏差的比例系數(kp)、時間積分常數(T1)和微分時間常數(TD)通過線性組合構成控制量，對被控對象進行控制。比例系數成比例地反映控制系統的偏差信號e(t)，偏差一旦產生，控制器立即產生控制作用，以減小偏差;積分常數主要用于消除靜差，提高系統的無差度，積分作用的強弱取決于積分時間常數T，T越大，積分作用越弱，反之則越強;微分時間常數反映偏差信號的變化趨勢，并能在偏差信號變得太大之前，在系統中引入一個有效的早期修正信號，從而加快系統的動作速度，減少調節時間。

PID控制的控制效果與比例、積分、微分三種控制作用密切相關，三種控制作用相互配合又相互制約，并非簡單的線性相關，不少學者采用多種方法從這種非線性組合中找到最佳的關系[4]。BP神經網絡具有逼近任意非線性函數的能力，而且結構和學習算法簡單明確，因此可以神經網絡通過對系統性能的學習來建立PID控制的參數，找到某一最優控制律下的PID參數，實現最佳組合[5]。

2.2 BP神經網絡

人工神經網絡已在模式識別與分類領域得到廣泛的應用，神經網絡方法與傳統的方法相比，具有較強的容錯性、并行分布式信息存儲與處理能力。BP(Back Propagation)神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程[6]。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層(input)、隱層(hide layer)和輸出層(output layer)。BP神經網絡的學習過程分為正向傳播和誤差逆向傳播，正向傳播是輸入信號通過輸入層，經過隱含層逐層處理，在輸出層計算出那個神經元的實際輸出值;如果在輸出層未得到期望的輸出值，誤差反向傳播過程則逐層遞推地計算實際輸出與期望輸出的差值，并且根據這個誤差調節權系數。

2.3 BP神經網絡整定的PID控制策略

在傳統的PID控制器中，控制器在預先設定好kp、ki、kd三個控制參數的情況下直接對被控制對象進行閉環控制，而神經網絡則能根據系統的運行狀態調節PID控制器的參數，從而達到控制系統性能的最優化，使輸出層神經元的輸出狀態對應于PID控制器的三個可調整參數kp、ki、kd，通過神經網絡的自學習，權系數調整，使神經網絡輸出對應于某種最優控制規律下的PID控制器參數[7]。基于神經網絡自整定的控制系統結構如圖1所示:

根據本文控制需要，采用包含輸入層、隱含層和輸出層的三層BP神經網絡方案[8]。為充分反映輸入PID控制器信號的特性，輸入層采用x1(k)、x2(k)、x3(k)三個神經元，意義如(2)式:

(2)

其中e(k)為設定值與實際輸出值之間的誤差量，x2(k)體現了累計誤差，x3(k)則反映了誤差變化率，比較全面體現了誤差量的狀態。根據經驗嘗試，隱含層采用五個輸入，激發函數采用正負對稱的Sigmoid函數g(x)。輸出層輸出節點三個輸出神經元分別對應三個可調參數kp、ki、kd，因kp、ki、kd 的非負性，故其激發函數取非負的Sigmoid函數f(x)[9]，如(6)式:

(3)

3 節能控制器控制原理

節能控制器控制流程圖如圖2所示。在列車司機設定好預期工作環境溫度后，節能控制器實時采集司機室內的溫度，通過與設定溫度值進行誤差分析，將誤差分析后的數據輸入至BP神經網絡整定PID控制，控制的輸出作為空調變頻器驅動參數，通過變頻器來實現空調運行控制[10]。

4 仿真分析與結論

參考文獻[11]，司機室可以視為小室空間，其溫度控制模型傳遞函數為

(4)

學習速率η=0.28，慣性系數α=0.04，加權系數初始值取區間[-0.5，0.5]上的隨機數，初始權值取隨機數。仿真結果得到的參數自適應整定曲線如圖2所示:

通過仿真分析表明，列車司機室空調BP神經網絡整定的PID控制器與普通PID控制器控制效果相比，具有平穩系統響應響應曲線，具有良好的響應速度、穩定性、精確性和較強的魯棒性，并且控制參數的動態變化特性更符合空調系統的控制特點，達到了設計目的。

參考文獻

[1]Chaoqing Yuan，Sifeng Liu，Zhigeng Fang，Junlong Wu. Research on the energy-saving effect of energy policies in China: 1982-2006[J].Energy Policy?，2009，37(7):23-45.

[2]黃兵，楊昌智.基于PMV指標的列車空調節能及優化的研究[C].2008鐵路暖通空調學術年會論文集，2008.

[3] 陶永華.新型PID控制及其應用[M].北京:機械工業出版社，2002.

[4]劉金琨.先進PID控制及其MATLAB仿真[M].北京:電子工業出版社，2003.

[5]孫海陽，李文英，魏晉宏.基于神經網絡PID的智能溫度控制器的設計[J].機械工程與自動化，2005(4).

[6]張弦.基于數據并行的BP神經網絡訓練算法[D].華中科技大學，2008.

[7]朱海峰，李偉，張林.基于BP神經網絡整定的PID控制[J].動力學與控制學報，2005(12).

[8]廖芳芳，肖建.基于神經網絡參數自整定的研究[J].系統仿真學報，2005(7)，

[9]何義，姚錫凡.基于網絡自整定的控制在加工過程中的應用[J].控制與檢測，2009(10).

[10]章若冰.一種新型的通信機房通風節能控制器[J].科技創新導報，2010(12).

[11]高磊.室溫PID控制實驗系統的研究[D].天津大學碩士學位論文，2006.