基于迭代優化的空調溫濕度控制算法

文丹

摘 ?要： 針對空調在保證送風溫度的基礎上，實現室內負荷的變更與控制系統應對外界隨機干擾的需求，文中提出一種基于迭代優化的空調溫濕度控制算法。通過建立空調機的二維跟蹤框架運行模型來設計迭代學習算法實現空調機運行狀態的控制，并通過在迭代優化學習的過程中加入預測控制環節來減小隨機干擾帶來的影響。仿真實驗以及對比不同干擾下的空調運行響應結果表明，所提出的方法不僅能夠抵抗周期性干擾的影響，而且在隨機干擾環境下仍然能夠保持良好的跟蹤控制性能。

關鍵詞： 空調; 溫濕度控制; 迭代優化; 運行控制; 隨機干擾; 仿真實驗

中圖分類號： TN37+3?34; TM76 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）24?0038?04

Air?conditioning temperature?humidity control algorithm based on iterative optimization

WEN Dan

（School of Information Science and Technology， Guilin University of Electronic Technology， Guilin 541004， China）

Abstract： A temperature?humidity control algorithm based on iterative optimization is proposed to make the air conditioning realize the change of indoor load and the demand of control system to deal with external random interference on the basis of ensuring the air supply temperature. The iterative learning algorithm is designed by establishing the two?dimensional tracking frame operation model of the air conditioner to control the operation state of the air conditioner， and the predictive control link is added in the process of iterative optimization learning to reduce the influence of random interference. The results of the simulation experiments and the comparison of air?conditioning operation response under different disturbances show that， the proposed method can not only resist the influence of periodic disturbances， but also maintain good tracking control performance in the random interference environment.

Keywords： air?conditioning; temperature?humidity control; iterative optimization; operation control; random interference; simulation experiment

0 ?引 ?言

隨著對空調需求的不斷增加，使得空調機的控制優化逐漸向節能與舒適的方向演變[1?4]。然而，室外環境的變化與室內人員的流動，使得室內環境不斷變化，傳統的恒風量空調造成了較大的能源浪費[5?6]。因此，實現空調的自適應控制不僅可以保證室內環境的舒適性，還能起到節能的效果。

為了實現空調機的變風控制，國內外學者與機構提出了眾多解決方案。如：文獻[7]中提出通過控制房間內部溫濕度來調整熱舒適指標;文獻[8]中采用最優化理論控制方法和規則學習控制算法實現室內溫濕度的控制;文獻[9]中充分考慮到建筑供熱節能的能力，提出使用前饋控制算法實現空調節能的目的，并結合氣象預測和氣候補償模型實現基于氣象參數的空調自適應控制。為了實現舒逸型智能空調控制，文獻[10]使用模糊控制技術實現最大化舒適度指標的控制優化。為了保證空調控制的精確度，文獻[11]結合PI控制器和模糊控制理論實現系統的無靜差控制。

目前，廣泛使用的變風量空調機在保證送風溫度的基礎上實現室內負荷的變化，具有低能高效的優勢[12?13]。然而，空調機在實際運行的過程中，外界環境的快速變化會對其產生各種干擾。當空調機控制系統抗干擾能力較低時，不僅會影響系統的靜態性能，且會對系統的控制幅度產生較大影響，從而加大空調機的能耗[14?16]。因此，實現空調機在隨機干擾條件下的跟蹤控制具有實際的應用前景。本文根據變風量空調機的運行特點與規律，提出一種基于迭代學習的預測控制算法?；诙S跟蹤框架建立空調機運行模型，使用迭代學習算法對空調機運行狀態進行控制。該算法通過在迭代優化學習的過程中加入預測控制環節，來減小隨機干擾帶來的影響。

式中：[l∈[1，m]]，m為系統預測的參數更新步長;[φ（t+l，k）]為預測初始值，且有

[φ（t+l，k）=i=0t+lWt+l-i，ke（i，0）+（0，0）≤（i，j）≤（t+l，k-1）（Wt+l-i-2，k-j+1B1+Wt+l-i-1，k-jB2）u（i，j）] （13）

令[Ξ=ζt+1|t，k ? ? ? ? ?ζt+m|t，k]，[Φ=φt+1|t，k ? ? ? ? ?φt+m|t，k]，[u= ? ?ut+1|t，k ? ? ? ? ?ut+m-1|t，k]，并定義：

[Gm= ?gt，t ? ? ? 0 ? ? … ? ? 0 ?? ? ? ? ? ? ? ? ? ? ? ??gt+m，t ? ?… ? ? ? ? ?gt+m，t+mm×m]

式中，[gi，j=Wi-j-1，1B1+Wi-j，0B1]，則式（13）等價于[Ξ=Φ+Gmu]。

因此，可以利用無約束條件下的優化理論得到系統運行過程中某一時刻的控制量，如下：

[u（t，k）=cTu（t+m-1|t，k）=dTΦ（t+m|t，k）] （14）

式中，[cT=[1，0，…，0]m]，則有

[dT=-cT[GTmQGm+Φ]-1GTmQ] ? ? （15）

3 ?仿真與分析

文中使用變風量空調模型驗證所提出算法的有效性。由文獻[9]可知，空調溫濕度控制由一個單獨的控制回路實現。因此本文根據資料數據構建傳遞函數模型，如下：

[G（s）=-6.534 74s2+4s+1] （16）

定義空調溫濕度采樣周期T為0.5，將式（16）進行離散化，得到結果如下：

[X（k+1）=AX（k）+BU（k）Y（k）=CX（k）] （17）

式中：[A=0.584 3 ? -0.047 90.490 5 ? ? 0.884 6];[B=0.490 5 0.117 2 ];[C=0 ? 1.716 8]。

本文給定溫濕度指標值為0.8，測試系統在無外界噪聲干擾時整定PID控制、迭代學習控制與文中提出的迭代學習預測控制算法的響應結果，如圖1所示。從圖中可以看出，整定PID控制方法具有最快的響應速度，調節僅需16.6 s;而迭代學習控制需要24.7 s，迭代學習預測控制算法需要21.2 s。也可以看出，PID控制算法得到的結果較為平整，響應曲線更加穩定。結果表明，在無噪聲干擾環境下，使用PID控制算法即可得到較優的控制性能。而文中提出的算法相較于迭代學習控制算法具有更穩定的控制結果。

對于同一溫濕度值，本文也測試了各控制算法在給定周期擾動時的控制響應結果，如圖2所示。同時，表1給出了各控制算法的擺動幅度。

從圖2和表1可以看出，PID控制算法在周期性擾動環境下具有最大的擺動幅度。而文中提出的迭代學習預測控制算法抗干擾能力最強，對于周期擾動具有良好的魯棒性。

圖3給出各控制算法在隨機擾動下的控制結果，表2給出了各控制算法的擺動幅度。從圖3和表2可以看出，PID算法雖然具有最快的響應速度，但受噪聲的影響最大;而本文算法通過加入預測控制，可以有效抵抗噪聲擾動，具有更優的跟蹤控制能力。

4 ?結 ?論

本文提出一種基于迭代學習的預測控制算法，以提升變風量空調機對隨機干擾噪聲的魯棒性。在建立空調機運行模型的基礎上，使用迭代學習算法對運行狀態進行控制，并通過在迭代優化學習的過程中加入預測控制來減小隨機干擾所產生的影響。在周期性噪聲與隨機噪聲干擾下的仿真測試結果表明，所提出的算法通過加入預測控制，可以有效抵抗噪聲擾動，具有良好的跟蹤控制能力。

參考文獻

[1] NAKSHATHARAN S S， VUNDER V， P?LDSALU INGA， et al. Modelling and control of ionic electroactive polymer actuators under varying humidity conditions [J]. Actuators， 2018， 7（1）： 7?14.

[2] AO S， SHUDAO Z， MIN W， et al. Simulation and optimization design of atmospheric detection equipment layout based on UAV [J]. Computer measurement & control， 2018， 12（1）： 45?51.

[3] 尹鵬飛，李晉宏.樓宇空調的能量預測與模型研究[J].計算機與數字工程，2019，47（11）：2914?2918.

[4] 賈玉貴，秦景.大型暖通空調關聯節能調控模型設計[J].現代電子技術，2017，40（9）：179?182.

[5] CAO Junhuo， WEI Xuying， LI Jinfeng， et al. The regulation and control of ambient temperature on growth rhythm of lycoris radiate [J]. Acta Agriculturae Universitatis Jiangxiensis， 2018（7）： 352?366.

[6] WANG Dan， GU Wei， CAO Jianxin. Research on anti?condensation control in hot and cold impact test [J]. Automation & instrumentation， 2018， 33（1）： 522?530.

[7] 朱啟然，李紹勇，李鵬波.空調房間溫濕度PID解耦控制系統的仿真研究[J].控制工程，2019，26（5）：851?858.

[8] 李釗，崔凌闖，陳劍波.基于穩態ANN模型和模糊PD控制的變速直膨式空調系統溫濕度同時控制方法[J].制冷學報，2018，39（3）：85?91.

[9] 沈喬，胡娟平，薛亞榮.前饋?IMC在變風量空調溫度控制中的應用研究[J].工業控制計算機，2013，26（5）：31?33.

[10] 張瑞雪.基于模糊PID控制的溫室環境控制系統研究[D].晉中：山西農業大學，2017.

[11] 王建民，朱倩影.空調溫控的混合型Fuzzy?PI控制器[J].山東大學學報（工學版），2002，32（5）：456?460.

[12] 華宇劍.基于無中心的變風量空調送風系統模型與節能優化研究[D].西安：西安建筑科技大學，2018.

[13] SIHOMBING P， ASTUTI T P， HERRIYANCE W， et al. Microcontroller based automatic temperature control for oyster mushroom plants [J]. Journal of physics： conference series， 2018， 97（8）： 31?43.

[14] REN J Z， XIANG W， ZHAO L， et al. Research on environmental adjustment of cloud ranch based on BP neural network PID control [J]. Journal of IOP technology， 2018， 10（8）： 56?63.

[15] SOORAKSA P， CHEN G. System as a controlled weather model?physical principle， engineering design and real applications [J]. International journal of bifurcation & Chaos， 2018， 28（4）： 183?192.

[16] HE Liangyu. Realization of the remote control function of temperature and humidity device in the control cabinet of substation [J]. Management & technology of SME， 2018（7）： 620?631.

作者簡介：文 ?丹（1988—），女，廣西桂林人，碩士，講師，研究方向為智能控制。