空調PMV指標的神經網絡控制

孫曉彤

摘 要：以前的空調控制系統，只有空氣溫度、濕度的調節，很難滿足人們的需要。根據熱舒適理論、熱舒適指數，提出了新的空調控制方案——用熱舒適指標來調節參數。六個影響因素作為輸入參數，PMV值作為輸出。神經網絡有高度的適應性、在線自學習的能力，可以逼近任意非線性映射。用神經網絡進行訓練，可以得到空調的控制系統輸入輸出的模型，實現智能控制。

關鍵詞：空調；PMV；神經網絡

引言

改善經濟狀況，提高中國的生活水平，逐步推動家用空調的發展，使其更普遍。此時需要空調，營造出更舒適，而不再是滿足于簡單的溫度控制，這對空調整體控制有很高要求。

在穩定狀態下，溫度是由六個因素干預，分別包括輻射溫度，空氣溫度和濕度，房間里空氣的更新速度，人類活動的水平和穿衣量來決定。輻射溫度，為屋子里的平均溫度；人類活動量，為人員新陳代謝、機械動作量；衣服保溫度，服裝的熱阻值、裸露和表面面積之間選擇比值表示。熱舒適性指數是指人類熱舒適和其他影響因素，如內部溫度、濕度，以及它們之間關系的綜合效果，并且和計算方法、公式有關。

在丹麥科技大學，Fanger教授，研究了熱舒適方程，以確定熱舒適指數[1]的熱舒適性方程，該指數為任意環境變量組合產生，任意給定的，預先設置好投票，并作為所謂的PMV的目標控制器。Fanger認為，在溫暖的環境中舒適的三個基本條件，如：（1）實現與環境的人體熱平衡，存儲溫度S=0；（2），皮膚的平均溫度保持舒適的水平；（3）身體出汗率，以達到最佳的條件下，是汗液代謝率的函數。總之，熱舒適性的問題如下：

這里M指的是人體新陳代謝率（W/m2）；？濁是人體的機械效率；H指皮膚熱負荷（W/m2）； fcl為衣服面積系數；Icl衣服的基本熱阻值；C是人體表面跟環境之間的熱交換（W/m2）；Pa指空氣蒸汽壓（KPa）；ta指空氣溫度（℃）；tcl指衣服表面溫度；tr為平均輻射溫度，（℃）。

PMV指數跟這六個因素之間的關系如下：

這里W指活動量，通常情況下該值為0（W/m2）；Pa為人體所處空氣環境時候，里面的水蒸汽氣壓；hc指熱交換系數W/（m2·℃）；Va是空氣流速（m/s）。

1 神經網絡在PMV值中的應用

簡言之，不同的參數之間聯系具有挑戰性、計算出的PMV指標[2]關系復雜，很難找到一種簡單的方法來計算神經網絡的結果。

1.1 設計輸入層和輸出層

PMV是由六個因素決定的，所以輸入層為六大類，包括平均輻射溫度，室內空氣溫度，濕度，風速，人的活動量和衣服量。PMV值在輸出層僅一個，從而使神經網絡的輸出層，僅此一個。因此，對于輸入層有六維，輸出層有一維。

1.2 網絡隱層的選擇

輸入層包括至少一個隱藏層，線性輸出層一個，因此神經網絡可以逼近任一個有理函數。如果增加隱含層的功能，以減少誤差，以達到更高的精度，同時也使得網絡更加復雜，并增加了訓練期間的權值。有效性、準確性綜合考量，使用三層網絡。

1.3 隱層神經元的選擇

根據建立的神經網絡，隨機選取神經元個數，根據實驗結果設定數量，最終，得到每一層的適當數量為6，21，1。

1.4 初始權值的選擇

PMV指標是復雜的非線性項可以用一段時間的訓練使其收斂，是否能達到局部最小值，初始權值起著重要的作用。我們希望，當所積加的輸入對于每個神經元，其值接近零，那么學習最初就非平坦進行。因此，初始權值在通常情況下，隨機且相對較小。如果輸入神經元q，初始權值可以被放置[-2/q，2/q]之間，從而確保從一開始，對于學習就是在函數激勵最大的地方。

1.5 學習步長的選擇

如果決定的學習步長比較小，網絡誤差函數E是要達到最小。但是，如果步長太小，學習時間會延長，這會使得學習過程變得緩慢，如果局部極小值在誤差函數中過多，將使得網絡停滯或至少局部最小。如果學習的步長很大，權值變化加快，同時收斂速度也會變快。然而，如果學習步長過大，算法可能是不穩定的，甚至沒辦法收斂。因此，根據問題性質和PMV模型，我們選擇0.75為第一個步長。

2 BP神經神經網絡的構造和仿真

2.1 網絡模型構建和初始化

建立BP神經網絡，第一步，構建網絡對象并賦初始值，我們可以用MATLAB神經網絡工具箱函數newff創建一個可訓練的單隱層BP網絡，其語法為：

net=newff（PR，[S1，...，Sn]，{TF1，…，TFn}，BTF，BLF，PF）

[S1，…，Sn]是一個數組，包括每一層神經元的數量，這里每一層BP神經元的個數為6，21，1，即S1=6，S2=21，S3=1；每一層網絡的加權函數是dotprod；輸入函數是netsum；（TF1，…，TFn）為各層神經元的傳遞函數，這里用到“tansig”函數，是把神經元的輸入范圍從（-∞，+∞）映射到（0，1）；BTF用于指定網絡訓練函數名字，此刻用到tranlm；BLF是權值和閾值的學習函數，采用learngdm；PF是網絡操作模式的表征，這里用最小誤差平方、可微函數mse。

2.2 網絡模型的訓練

MATLAB神經網絡工具箱中有許多BP神經網絡學習和訓練的函數，文章中我們采用trainlm函數，它的語法是[net，tr]=trinlm（net，Pd，TL）。此處，net指初始化后的網絡；tr是每一步長的網絡性能[6]在訓練過程中的記錄；Pd指訓練網絡中的輸入樣本；TL指訓練中的輸出樣本。

2.3 網絡模型的模擬

BP網絡訓練后需驗證網絡性能。驗證開始時，使用sim函數來模擬訓練網絡，此時新的網絡輸入為pnew，網絡對象是net，輸出是anew，語法如下：

[anew]=sim（net，pnew）

可以得到訓練結果：

TRAINLM，Epoch0/500，MSE 1.10637/0.0001，Gradient 128.394/1e-010

TEAINLM，Epoch25/500，MSE0.000790584/0.0001，Gradient 0.67388/1e-010

TRAINLM，Epoch36/500，MSE8.7715e-005/0.0001，Gradient 0.01

71647/1e-010

TRAINLM，Performancegoalmet.TRAINLM，Performance goal met.

圖1是訓練誤差收斂曲線，訓練到36步時，網絡性能達到預期目標，并且能得到較為準確的數據。

3 結束語

這樣的神經網絡模型預測，可以用來控制空調系統，我們需要將空調系數隨著PMV指標調整，就可以實現一個舒適的環境。

參考文獻

[1]申歡迎.基于PMV指標的舒適空調模糊控制系統仿真研究[D].西安交通大學，2004.

[2]劉謹.基于PMV指標的空調系統舒適控制研究[D].湖南大學，2003.

[3]朱凱，王正林.精通MATLAB神經網絡[M].電子工業出版社，2010.

[4]孫增圻.智能控制理論與技術[M].清華大學出版社，2004.

[5]董長虹.MATLAB神經網絡與應用[M].國防工業出版社，2005.

[6]李成利，黃存柱，常軍.神經網絡在PMV指標控制中的應用研究[J].微型機與應用，2010.