基于PSO-BP-PID控制在變風量空調系統中的應用

張子蘇

摘要：針對變風量空調控制系統存在非線性、時變、強耦合等特性，提出一種粒子群優化神經網絡PID控制器的控制方法。通過對粒子群算法進行加權改進后優化BP神經網絡的初始權值以提高神經網絡的收斂性;用優化后的BP神經網絡實時在線調整PID控制器參數。仿真結果表明;引入改進粒子群的BP神經網絡PID控制能夠提高控制精度，縮短穩定時間，減小超調量。

關鍵詞：變風量空調;粒子群;神經網絡;PID控制

中圖分類號：TP273 文獻標識碼：A 文章編號：1007-9416（2020）07-0042-03

0 引言

變風量空調系統可以根據空調負荷的變化調節送風量，達到節能的效果，所以在現代建筑中的應用日益普及[1]。當今社會對智能空調系統著重進行了研究尤其是節能、舒適等性能。

在工業控制領域，傳統PID控制具有節構簡單、易于實現等特點，但對于具有非線性、不確定性和時變性的變風量空調系統控制效果不好[2]。因此，一種新的方法應運而生PSO-BP-PID控制，改進粒子群的慣性權值對BP神經網絡進行優化加快網絡收斂性和速度，改進算法就是對3個參數比例、積分、微分進行調整，使控制系統有更好效能。

1 變風量空調系統的工作原理

變風量空調系統是由自動控制系統、送風系統、空氣處理機組、末端裝置等軟件組成[3]。自動控制系統是空調系統的中樞核心通過安裝的傳感器對溫濕度度等進行全方位監控，自動控制系統根據誤差自動調節新風經空氣處理機組進行優化處理達到潔凈指標，然后通過送風系統的傳送設備送到各個房間，末端裝置根據每個房間的需求調節送風量的大小。

2 神經網絡PID控制器的設計

根據房間溫度變化，BP神經網絡可以通過自學習和調整加權系數等方法自動調節比例、積分、微分3個控制器參數[4]。BP神經網絡采用三層網絡結構對比例、積分、微分調節，如圖1所示。

3 粒子群算法優化神經網絡PID控制器設計

3.1 改進粒子群算法

在1995年Kennedy和Eberhart提出粒子群算法是在隨機解中通過不斷迭代尋找最優解，通過適應度來評價品質[5]。具體來說是從一個D維空間n個粒子種群搜索粒子，每個粒子具有速度。在空間中每個粒子都對應一個解不斷相互學習尋找最好的解。通過對適應度函數選取對每個粒子位置進行適應值計算。第i個粒子速度為，其個體極值是，種群的尋優極值是。開始隨機初始化一組粒子然后進行不斷迭代更新位置、速度更新公式是：

粒子位置，粒子速度，粒子增速常數是和，總結搜索最優值并且向最優值粒子學習向群體最優值靠近，和是隨機常數取值0到1之間，加大粒子隨機性比較隨機值最后確定最終值，現在個體最佳值是，現在種群最佳值是。

可變慣性權值對粒子群進行了動態改進權重在一定范圍內取值，以免發生搜索不是最優值問題。取值大小對粒子群算法都有問題，取值小時，粒子群就會進入某一區域最優值的問題;取值大時，容易找不到整個區域的最優值問題。我們只有找到一個最適合W值才能避免這些問題其公示為：

w是一個非負數，當它是0時就是基本粒子群算法，w是約束粒子群慣性權重，當w較小時變成局部搜索法有很好收斂速度，當w取值很大時我們必須一個接一個去搜索解變得更加復雜從而找不到要找的優值。所以w是一個變化的值我們需要用公式計算使用適當值。

3.2 改進粒子群算法優化神經網絡PID控制設計

BP神經網絡PID控制器具有收斂速度慢和容易陷入局部極值等問題[6]。改進的粒子群算法具有全局最優和收斂速度快等優點;所以正好通過此辦法改善控制器的性能[7]。

新型改進控制算法步驟：（1）確定BP神經網絡結構;BP神經網絡輸入層由溫度、設定誤差等決定隱含層節點數選擇適中太少收斂度低，太多訓練時間過長。（2）粒子適應度;通過對適應度函數的選取計算粒子所在位置。（3）個體和全局最優值的選取;粒子相互之間之間進行適應值比較不斷迭代最終選取最佳值。（4）選取粒子最新的位置和速度。（5）運算神經網絡輸入量、輸出量。（6）得出輸出U（K）。（7）令K=K+1返回（2）算出最優解。

4 仿真

因為空調房間是一個復雜熱力學系統受內外因素影響不能確切的用數學模型來描述，所以把空調房間看成一個單容對象[2]。傳遞函數是：

采用新型改進算法設計PID控制器，實時采集比例、積分、微分3個參數最佳值，相較與傳統PID控制器有更好的實時性、穩定性確保控制系統對房間環境的準確調控。驗證仿真模型K0、T0、T1分別取18、1.5、1.9，τ取10[8]。

從圖2中可以看出普通PID1.2 s之后達到穩定，振蕩幅度更大;BP-PID0.36 s之后達到穩定，超調量也變小了;PSO-BP-PID在0.26 s之后穩定，響應速度也快，超調量最小。

5 結語

傳統PID控制和BP神經網絡PID控制對非線性系統控制都不理想。改進粒子群算法優化BP神經網絡與PID控制相結合能很好的控制房間溫度調節送風量。仿真結果表明：采用新型改進控制算法有更快響應速度、穩定的時間也縮短了。

參考文獻

[1] 邢麗娟，楊世忠.變風量空調系統房間舒適度溫度優化設置[J].計算機仿真，2015，32（4）：455-459.

[2] 瞿睿，李界家.基于RBF神經網絡的PID控制在變風量空調系統中的應用[J].現代建筑電氣，2012，3（2）：10-13.

[3] 閆婷.基于蟻群與神經網絡算法的變風量空調末端控制研究[D].西安：西安建筑科技大學，2015.

[4] 陳書謙，張麗虹.BP神經網絡在PID控制器參數整定中的應用[J].計算機仿真，2010，27（10）：171-174.

[5] 劉開麗.粒子群優化算法的研究與應用[D].合肥：安徽大學，2013.

[6] 張丹，韓勝菊，李建，等.基于改進粒子群算法的BP算法的研究[J].計算機仿真，2011，28（2）：147-150.

[7] 蔣鼎國.基于改進型BP神經網絡PID控制器的溫室溫度控制技術[J].實驗室研究與探索，2015，34（1）：9-13.

[8] 歐青立，吳興中，歐達賢.鋼包爐配料PSO-BP-PID控制研究[J].控制工程，2013，20（5）：825-828+832.