中央制冷空調冷凍水系統模糊RBF控制研究

孫麗萍， 李元， 張冬妍， 劉亞秋

(東北林業大學 機電工程學院，黑龍江 哈爾濱 150040)

中央制冷空調冷凍水系統模糊RBF控制研究

孫麗萍， 李元， 張冬妍， 劉亞秋

(東北林業大學 機電工程學院，黑龍江 哈爾濱 150040)

針對中央空調冷凍水系統回水溫度快速準確調節問題，提出基于模糊徑向基函數(radial basis function，RBF)網絡的變流量回水溫度智能控制方法。首先，對冷凍水系統旁通閥門的水量開度、泵組轉速等輸入量，按照模糊控制理論，進行模糊化與反模糊化處理,獲得歸一化的輸入信息向量；然后，利用能夠全局尋優的RBF網絡進行溫度預測，不斷迭代預測產生理想的預測溫度；最后，當期望溫度與預測迭代的溫度殘差小于門限值時，停止迭代，輸出并記錄溫度，完成冷凍水系統的非線性溫度控制。仿真實驗表明，相比于傳統反向神經(back propagation，BP)網絡控制，RBF控制方法迭代次數更少且精度更高，能夠提高系統的整體性能。

中央空調；冷凍水系統；徑向基函數；模糊控制；反向傳播神經網絡

0 引 言

能源危機已逐漸成為當今時代的重要話題之一，其中建筑節能的話題尤為突出[1]。中央空調系統中重要的組成部分之一是空調冷凍水系統，研究中央空調冷凍水系統的節能控制方法，已經成為當下的研究熱點[2]。中央空調冷凍水系統具有非線性、大滯后、大慣性及強耦合典型特性，目前市場中的設備主要采用PID調節方式，利用傳統PID算法對空調冷凍水系統進行調節時，由于該系統時間常數較大，導致調試過程費時費力，即便調整過后系統的各項性能指標也難以達到期望標準[3]。

黃棟針對傳統PID冷凍水控制系統適應能力差的問題[4]設計了模糊控制方法，改進后的控制系統實現了變負荷工況下的冷凍水系統綜合性能的優化。張超采用模糊PID控制對冷凍水系統進行變水量調節，使得系統的響應速度明顯加快，減少了超調量并提升系統的整體穩態精度[5]。BP神經網絡已大量應用于基于神經網絡的智能控制研究[6]。張義等提出BP神經網絡PID控制方法，實現系統參數更加準確的非線性逼近[7]。李界家、武俊峰等進一步研究了BP神經網絡自適應控制方法，使控制精度更高，能耗更低[8]。但模糊PID控制和BP神經網絡控制存在局限性，如冷凍水系統是復雜非線性系統，若冷凍水控制系統采用模糊PID控制，模糊控制器各個參數在經過調試確定后就無法改變，如此一來該系統仍需要進一步調節以大范圍適應系統參數的變化[9]，此外BP神經網絡訓練時間長、收斂速度慢且容易陷入局部最優，不適于冷凍水系統快速、高精度的復雜計算[10]。徑向基函數(radial basis function,RBF)網絡是一種局部逼近網絡[11]。網絡由輸入到輸出的映射是非線性的；而網絡輸出對可調參數卻是線性的，權值可以直接由線性方程解出，實現全局最優，且收斂速度更快[12-14]。采用模糊控制與RBF網絡可對PID控制參數進行在線整定[15]。歐陽磊等利用RBF網絡快速收斂、全局尋優的特點，完善了電機系統的穩定性[16]。曾燁等提出RBF冷凍水流量軟測量模型，大幅降低了控制誤差[17]。朱建華提出了對冷凍水空調室內溫濕度控制，利用線性參數變化模型對蒸發器出口冷凍水的溫度動態變化進行建模[18]；樊勇更是利用了更先進的蟻群算法對冷凍水進行控制研究[19]，并且在該模型的基礎上，設計了冷凍水溫度的預測控制器。Liu Z,Song F等通過對空調系統加入智能控制預測使其達到節能的目的，與此同時賈鶴鳴等所提出的估計算法，對空調節能控制有十分重要的參考意義[20-23]。同時，改進的RBF神經網絡對于系統的控制精度有很大的提升[24-25]。

本文設計模糊RBF神經網絡對系統模型進行辨識學習，提升系統模型的精度，同時設計模糊PID控制器以提升控制精度，降低系統在運行中的能耗，減少超調量，增強閉環系統的魯棒性。在負荷變化頻繁的工況下能夠快速調整進水回水溫度，使冷凍水穩定地保持在理想的溫度。

1 中央空調冷凍水基本結構

中央空調系統分為多個子系統，冷凍水系統即為其中較難調節的環節之一，亦是整個系統的重要子系統之一。冷凍水系統具有管網結構分布復雜、組成系統設備繁多、溫度滯后時間長等難點。冷凍水系統即是將空調系統中的冷熱源產生的冷量通過在樓宇中分布的管網輸送到末端用戶的系統。中央空調的冷凍水系統包含水處理設備、冷水機組、旁通管、泵組、定壓設備、管路、分水器、水處理設備、末端設備等，如圖1所示。

圖1 冷凍水系統設備結構圖Fig.1 Chilled water system equipment structure

在風機盤管組件調節冷量，可大大降低冷凍水水泵電機的能耗，進而節約冷凍水整體輸送環路的運行與維護費用。

根據上述分析，若要保持冷凍水空調主機的供水溫度不變，則需持續對冷凍水的回流水溫度進行檢測。當冷凍水的回水水溫高于預設值時，空調系統末端負荷增加，這時控制系統發出加大冷凍水流量的指令；當溫控系統檢測到冷凍水的回水溫度低于預設值時，表明空調系統末端負荷減小，此時需要降低空調冷凍水流量。以上即為冷凍水流量變流量調節的節能工作原理。

圖2為控制系統結構框圖。將給定的期望水溫度數值輸入至控制系統，并對系統負荷進行預測，利用溫度控制器輸出的控制信號對風機盤管水泵等進行控制，將出水溫度反饋至前端。

圖2 控制系統結構框圖Fig.2 Control system structure diagram

具體控制系統示意圖如圖3所示。

圖3 冷凍水控制系統示意圖Fig.3 Chilled water control system diagram

在冷水機組內先將入水口的溫度輸入至冷水機組控制器，結合末端出水口溫度及輸入溫度，計算出該溫度差及溫度差的變化率輸入至風機部分控制器，調節利用RBF進行預測建模，并調整風機盤管開閉數量及二次加壓泵速率，以達到功率最大化使用。

2 基于模糊RBF的冷凍水系統建模

冷凍水系統變流量模糊RBF模型訓練時，可將閥門開度作為輸入量，將期望回水溫度當做輸出量，將中間工作過程采用模糊規則，由此建立模糊RBF模型。

采用Tkagi-Sugneo模糊邏輯系統，優點是其輸出能由規則庫中變量的隸屬度函數精確確定；因此，能用系統辨識的方法來確定該系統的參數，可以用確定系統階數的方法來確定規則數。Tkagi-Sugneo模糊邏輯系統的模糊規則有如下特殊形式：

基于Tkagi-Sugneo模糊邏輯系統的模糊RBF網絡結構如圖 4所示。

圖4 模糊RBF網絡結構Fig.4 Fuzzy RBF network structure

利用檢測出水口，入水口溫度得出溫度差及溫度差變化率，并以此為根據利用神經網絡推斷溫度與閥門開閉及集水器二次加壓泵組調節的規律，并以此作為指導，為出水溫度的有效控制提供實際基礎。網絡結構圖設計如圖5所示。

圖5 控制器內部模糊RBF網絡結構Fig.5 Controller internal fuzzy RBF network

輸入層僅有溫度差及溫度變化率兩個輸入量，輸出層僅含出水溫度唯一輸出量，網絡隱含層采用高斯基函數調節，該系統利用溫度差及溫度變化率來控制與預測出水溫度。由于在使用冷凍水時室外溫度多在20 ℃以上，一般在23～25 ℃左右，故在此區間根據現實已有經驗內選擇100組樣本數據進行訓練。

模糊RBF網絡徑向基函數選用高斯函數，即

(1)

1)輸入層：含有n個節點，且其輸入的狀態向量為x=[x1…xn]T，將上述輸入信號x傳遞至模糊層。

3)規則層：每個節點表示一條模糊規則，該節點可以實現模糊規則的匹配，即

(2)

4)去模糊層：該層的作用是實現歸一化計算，即

(3)

5)輸出層：加權平均計算為

(4)

(5)

其中：y=[y1…yL]T表示實際輸出；d=[d1…dL]T表示期望輸出；‖?‖2表示2范數。輸出函數為

(6)

具體流程如圖6所示。

圖6 RBF網絡算法流程圖Fig.6 RBF network algorithm flow chart

3 仿真實驗

由于模糊RBF網絡擴展速度值(spread)選取影響預測輸出，表1給出了不同spread值的比較結果。由表1可得，選取的spread值對決定系數在0.3和0.4時較好，逼近效果最佳。

表1 不同spread值結果Table 1 Different spread answer

因此，選取spread值為0.3，更有利于本實驗的進行，仿真結果如下圖7所示。

由圖7可以看出在不同的測試時間階段上，模糊RBF網絡的決定系數R2均大于BP神經網絡，模糊RBF網絡輸出的預測溫度在仿真時間內更加接近期望溫度，且模糊RBF神經網絡波動更低，而BP神經網絡出現較大波動。因此RBF神經網絡在模型預測上更加準確，可以改善在后續控制過程中由于滯后原因造成水溫調節不準確的問題。

圖7 RBF與BP神經網絡的溫度預測Fig.7 Prediction of the RBF and BP neural network temperature

圖8 收斂曲線Fig.8 Convergence curves

收斂曲線比較結果如圖8所示，BP神經網絡迭代次數較多，收斂也十分緩慢，第10次迭代時BP神經網絡誤差依舊較大，然而模糊PBF神經網絡誤差已經大幅降低；在第15次迭代之后模糊RBF神經網絡誤差已經十分微小，同一時間的BP神經網絡誤差卻還超過0.001。模糊RBF網絡收斂速度更快，迭代次數更少，誤差更小，模糊RBF網絡與BP神經網絡相比，在速度與精度上占有很大優勢。圖9為模糊神經網絡控制訓練曲線。訓練輸出準確，訓練誤差較低，收斂迅速。

圖9 模糊RBF輸出效果圖Fig.9 Fuzzy RBF output

4 基于模糊PID冷凍水控制系統設計

圖10給出了模糊PID冷凍水控制系統框圖。本文旨在建立模糊RBF神經網絡預測模型，對冷凍水回水溫度進行預測，再采用模糊PID方法進行控制，以期達到比單純直接利用模糊PID控制更好的控制效果。

圖10 冷源控制系統框圖Fig.10 Cold source control system diagram

模糊PID控制的核心是將設計人員的技術知識和實際操作經驗收集并且總結，針對不同的控制對象建立適合控制對象的模糊規則表，從而獲得整定的關于3個控制調節參數的模糊規則分類表。

1)在輸入量和輸出量基礎上選取測量誤差e與誤差變化率ec。并在其模糊論域上進一步定義負大、負中、負小、零、正小、正中、正大，分別為NB、NM、NS、ZO、PS、PM、PB表示的7個對應的模糊集合，選擇三角形隸屬度函數的方式對目標進行模糊化，為使計算更加方便現將e、ec、Kp、Ki、Kd的論域均取為[-3,+3]。

2)Kp、Ki、Kd模糊規則表的建立依據：Kp為比例系數，其作用在于改進系統的調節精度和響應速度；積分系數Ki用于系統穩態誤差的消除，Ki的大小與系統穩態誤差的消除速度呈正相關變化；系數Kd的作用是提升系統整體的動態特性，稱為微分系數。

由上述規則可以設計Kp、Ki、Kd的模糊規則表如表2～表4所示。

表2 KP模糊規則表Table 2 KP fuzzy table

表3 Ki模糊規則表Table 3 Ki fuzzy table

表4 Kd模糊規則表Table 4 Kd fuzzy table

實驗仿真環境：計算機intel i7-4710MQ型處理器，主頻2.9 GHz，16GDDR3內存，采用Matlab 2014a軟件進行仿真。

考慮非線性冷凍水溫控制的仿真系統，運用Matlab模糊控制及RBF網絡工具箱針對該函數進行仿真從而建立冷凍水流量軟測量模型。在Matlab中，newrb為模糊RBF網絡建模主要函數，其運用正交最小二乘法對數據中心進行選取，直至均方誤差最小。假設控制回水溫度為7℃，仿真時間t取65 min，管道揚程30 m，壓力設置0-250 kPa。

圖11表示高斯隸屬度函數變化曲線。根據圖11可知，高斯隸屬度函數曲線連續且處處可微，其中參數σ的取值對于隸屬度函數的形狀有著直接影響，由圖觀察可知該圖像的隱函數形狀尖銳表明系統的靈敏度良好，且模糊子集分辨率較高。同時能抑制噪聲的干擾，魯棒性佳。

圖11 高斯隸屬度函數曲線Fig.11 Gaussian membership function curve

圖12為三種控制算法在冷凍水溫度調節中的輸出結果對比圖12中三條曲線分別對應，利用模糊RBF神經網絡系統建模后的模糊PID控制輸出曲線與未利用系統建模的模糊PID控制輸出曲線和傳統PID控制輸出曲線的對比，在圖中利用了模糊RBF系統建模后的模糊PID控制比直接采用傳統模糊PID的曲線更快逼近期望值，說明相較于傳統模糊PID，利用模糊RBF建模后的模糊PID控制收斂更迅速，且曲線更平滑，波動更小，說明利用模糊RBF建模后的閉環系統控制精度高，超調量低，而且對于后期末端負荷變化時，能更好的調節冷凍水溫度，使冷凍水溫度維持于期望溫度，即便負荷變換時亦未見較大波動，說明利用模糊RBF建模后的模糊PID控制方法具有更強的魯棒性和穩定性。

圖12 控制輸出曲線對比圖Fig.12 Comparison diagram of the controlled output curve

5 結 論

針對冷凍水系統的變流量溫度控制問題，設計一種能夠快速收斂且準確預測輸出的模糊神經網絡控制方法，模糊運算能夠提高系統的自適應與抗干擾能力，利用RBF系統建模后的系統能夠實現全局尋優與快速收斂。實驗結果表明，選取適當的spread值，利用模糊RBF系統建模后的在進行控制相比于直接運用傳統模糊PID控制方法，誤差更低，迭代次數更少，非線性逼近精度更高，在一定程度上，進一步緩解了冷凍水系統響應速度慢、回水溫度調節差的矛盾，具有更高的工程實用價值。

[1] 曹華，張九根.中央空調冷卻水、冷凍水系統的變頻節能分析[J].電機與控制應用，2014(4): 62-66. CAO Hua,ZHANG Jiugen,Energy Saving analysis for variable frequency pump of cooling and chilled water in central air conditioning system[J].Electric Machines & Control Application,2014(4):62-66.

[2] 張小衛，陳育平，張佳佳.大溫差空調冷凍水系統的節能分析[J].山西能源與節能.2009(6): 77-79. ZHANG Xiaowei,CHEN Yuping,ZHANG Jiajia,Analysis on energy consumption of air-conditioning chilled water system with largest temperature difference[J].Shanxi Energy and Conservation,2009(6):77-79.

[3] Lygouras J N,Botsaris P N,Vourvoulakis J,et al.Fuzzy logic controller implementation for a solar air-conditioning system[J].Applied Energy,2007,84(12): 1305-1318.

[4] 黃棟.模糊控制在中央空調系統中的應用[J].建筑電氣,2013(1): 54-59. HUANG Dong.Application of fuzzy control to central air-conditioning system[J].Building Electricity,2013(1):54-59.

[5] 張超.中央空調冷凍水系統的模糊PID控制[J].機電工程技術,2009(8): 67-69. ZHANG Chao.Fuzzy PID control of chilled water system of central air conditioning system[J].Mechanical & Electrical Engineering Technology,2009(8):67-69.

[6] LI Jiejia,SHENG Qingfei,MA Bin,et al.Temperature and humidity adaptive control in centre air-conditioning system based on BP neural networks[J].Instrument Technique & Sensor,2007,28(1): 55-57.

[7] 張義，左為恒，林濤.BP神經網絡PID控制在空調系統中的應用[J].計算機仿真,2011(4):149-151. ZHANG Yi,ZUO Weiheng,LIN Tao.Application of BP neural network PID control in air canditioning system[J].Computer Simulation,2011(4):149-151.

[8] 李界家，盛慶飛，馬斌，等.基于BP神經網絡的中央空調溫濕度自適應控制系統[J].儀表技術與傳感器.2007(1): 55-57.LI Jiejia,SHENG Qingfei,MA Bin,et al.Temperature and humidity adaptive control in centreair-conditioning system based on BP neural networks[J].Instrument Technique and Sensor,2007(1):55-57.

[9] DUAN Y H.Research of Predictive fuzzy-PID controller in temperature of central air-conditioning system[J].Journal of System Simulation.2008,20(3): 615-620.

[10] ZOU X,DING W,LIU D,et al.Classification of rice planthopper based on invariant moments and BP neural network[J].Nongye Gongcheng Xuebao/transactions of the Chinese Society of Agricultural Engineering.2013,29(18): 171-178.

[11] LI Q.Prediction model of hourly air conditioning load of building based on RBF neural network[J].Journal of South China University of Technology，2008,36(10): 25-30.

[12] YAO Y,LIAN Z,HOU Z,et al.An innovative air-conditioning load forecasting model based on RBF neural network and combined residual error correction[J].International Journal of Refrigeration，2006,29(4):528-538.

[13] 徐慶宏，戴先中.基于在線學習RBF神經網絡的汽門開度自適應補償控制方法[J].電機與控制學報，2010,14(2): 13-19. XU Qinghong,DAI Xianzhong.Online learning RBF neural network-based adaptive compensative control scheme for governor system[J].Electrical Machines and Control，2010,14(2):62-66.

[14] 張淮清，俞集輝.瞬態渦流問題求解的時域徑向基函數方法[J].電機與控制學報,2008(6):685-690. ZHANG Huaiqing,YU Jihui.Solving transient eddy current problem with radial basis function method in time domain[J].Electrical Machines and Control,2008(6):685-690.

[15] 吳帆，劉璐，李鵬.一種基于RBF神經網絡的模糊PID控制算法[J].重慶科技學院學報(自然科學版),2009(6): 142-144. WU Fan,LIU Lu,LI Peng.A fuzzy PID control algorithm based on RBF neural networks[J].Journal of Chongqing University of Science and Technology(Natural & Sciences Edition),2009(6):142-144.

[16] 曾燁，李婷婷.基于RBF神經網絡的冷凍水流量軟測量研究[J].工業控制計算機,2014(6): 73-74. ZENG Ye,LI Tingting.Chilled water flow research of software based on RBF neural networks[J].Industrial Control Computer,2014(6):73-74.

[17] 武俊峰，王世明.一種基于模糊控制的兩步法預測控制方法[J].電機與控制學報,2010,14(7):75-80. WUJunfeng,WANG Shiming.Research method on a two-step general predictive control based on fuzzy control[J].Electrical Machines and Control,2010,14(7):75-80.

[18] 朱建華.冷凍水空調溫濕度先進控制技術研究[D].杭州：浙江大學,2016:15-20.

[19] 樊勇.混沌蟻群算法在中央空調冷凍水控制系統中的應用研究[D].衡陽：南華大學,2012.

[20] LIU Z,SONG F,JIANG Z,et al.Optimization based integrated control of building HVAC system[J].Building Simulation.2014,7(4): 375-387.

[21] VAKILOROAYA V,SAMALI B,FAKHAR A,et al.A review of different strategies for HVAC energy saving[J].Energy Conversion & Management.2014,77(1): 738-754.

[22] BUDAIWI I M,ABDOU A A.HVAC system operational strategies for reduced energy consumption in buildings with intermittent occupancy: The case of mosques[J].Energy Conversion and Management.2013,73: 37-50.

[23] 賈鶴鳴，楊澤文，宋文龍.考慮狀態約束的容積卡爾曼濾波估計算法[J].山東科技大學學報(自然科學版),2015,34(6): 84-89. JIA Heming,YANG Zewen,SONG Wenlong.Cubature Kalman filter estimation algorithm with state constraints[J].Journal of Shangdong University of Science and Technology (Natural & Sciences Edition),2015,34(6): 84-89.

[24] 郎憲明,屈寶存,吳傳國,等.基于蟻群算法優化RBF神經網絡的汽溫系統控制[J].哈爾濱理工大學學報,2010,15(6):47-50. LANG Xianming,QU Baocun,WU Chuanguo,et al.Main steam temperature control using RBF neural network based on ant colony optimization algorithm[J].Journal of Harbin University of Science and Technology,2010,15(6):47-50.

[25] 滿春濤，李曉霞，張禮勇.一種基于ACO的RBF神經網絡訓練方法[J].哈爾濱理工大學學報,2007,13(1):56-58. MAN Chuntao,LI Xiaoxia,ZHANG Liyong.A new training algorithm for RBF neural network based on ACO[J].Journal of Harbin University of Science and Technology,2007,13(1):56-58.

(編輯：張 楠)

Fuzzy radial basis function control for central air conditioning system

SUN Li-ping， LI Yuan， ZHANG Dong-yan， LIU Ya-qiu

(College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin 150040,China)

Aiming at the problem of rapid and accurate adjustment of chilled water system on central air-conditioning backwater temperature,an intelligent control method based on fuzzy RBF network was proposed.Firstly,the fuzzy control theory was used to deal with the amount of water and the rotational speed of the bypass valve of the chilled water system.Then,RBF network was used to complete the global optimization of temperature prediction,and then the ideal iterative prediction temperature was produced by proposed method; finally,the iteration was stopped when the desired temperature and residual temperature prediction iterative was less than the threshold value,output and record the temperature,nonlinear temperature control of chilled water system was been completed.The simulation experiments show that the RBF control method is better than the traditional BP neural network control method,the iteration number is less and precision is higher,and improved proposed control method can improve system performance.

central air-conditioning; chilled water system; radial basis function; fuzzy control; back propagation neural network

2016-09-23

國家自然科學基金(31370565)

孫麗萍(1958—)，女，博士，教授，博士生導師，研究方向為智能控制與檢測； 李 元(1991—)，男，碩士研究生，研究方向為復雜系統建模仿真與智能控制； 張冬妍(1976—)，女，博士，副教授，研究方向為控制工程； 劉亞秋(1971—)，男，博士，教授，博士生導師，研究方向為計算機控制與應用。

張冬妍

10.15938/j.emc.2017.05.015

TU 83

A

1007-449X(2017)05-0110-07