基于改進模糊邏輯的VAV系統GPC控制策略研究

賀 寧,李 尚,劉利強,高 峰

(西安建筑科技大學 機電工程學院, 西安 710055)

0 引言

能源消耗問題是當下的一個熱點話題[1],研究表明建筑能耗約占全球能耗的40%,并且建筑中的碳排放量也相當驚人[2]。建筑能耗中暖通空調(HVAC)和其他供暖/冷卻設備耗能占比較大[3],因此,當下眾多學者對HVAC的節能展開深入研究,并且取得了一定的成效。在此之前,大量學者將PID[4-5]等應用到空調系統的控制中也取得了一定的效果。但HVAC系統存在著非線性、慢時變、大遲延、耦合性和不確定性等特性,甚至還要考慮負荷最小化的目標,傳統PID方法中很難解決這些問題。

模型預測控制(MPC)起源于工業界,最初用來解決PID控制不易解決的多變量約束優化問題。廣義預測控制(GPC)作為MPC的一種,是一種帶有自適應機制的預測控制算法。因為GPC具有模型簡單、計算量小等特點,所以已經被廣泛應用在無人機姿態控制[6]、船舶定位系統[7]、機爐協調[8]等工業領域。針對空調系統的特性,也有大量學者提出將MPC/GPC應用于空調系統控制進而在提高系統性能的同時減少能源消耗[1,3,9-10]。

由于GPC性能依賴于控制器中各個參數的選取,所以將GPC應用到HVAC控制中主要的難點就是GPC控制器參數的選擇問題。Clarke等[11]最早提出GPC控制思想并闡述了GPC控制器中各個參數之間的關系。Tran等[12]將控制器目標傳遞函數和GPC控制器傳遞函數進行匹配,通過嚴密的數學推理得到GPC相關參數的選取條件。Ren等[13]首先提出一種改進目標函數的GPC,然后通過灰狼優化算法(GWO)整定改進后的GPC控制器中的各個參數,并通過控制器運行在不同工況下的系統輸出來驗證所提方法的有效性。Liu等[14]針對大慣性大延遲系統,提出通過根據系統需求整定MPC控制器權重系數的方法來提高系統響應的快速性和準確性。李少遠等[15-16]在基于模糊滿意度方面提出調節品質滿意度的概念,形成基于模糊滿意度的多目標決策問題,使用每次循環得到的模糊控制目標,動態地整定了GPC目標函數中的加權系數,解決了整定加權系數值對系統的超調量和調節時間的影響相矛盾的問題。蔣聞等[17]提出根據模糊滿意度在線動態整定柔化因子以獲得滿意的動態性能,進一步推動了預測控制在實際控制工程中的應用。

值得注意的是,雖然基于模糊邏輯的調參方法可以獲得更好的控制器性能,但是一型模糊邏輯并不能很好的刻畫系統當前時刻動態特性,這可能會影響最終的調參結果。此外,因為模糊邏輯自身參數會影響其效果進而影響系統控制器的性能,所以模糊系統參數的確定也是應該被考慮的一個重要步驟。基于此,本文中提出一種基于改進BSO及二型模糊邏輯的VAV空調系統GPC參數整定方法。首先,通過建立二型模糊邏輯來更好地反映系統當前時刻的動態特性以更好地進行參數整定。其次,由于二型模糊邏輯參數和GPC控制器參數之間呈隱式關系,提出通過BSO來確定二型模糊邏輯中的具體參數。此外,考慮BSO針對復雜適應度函數收斂周期長,易陷入局部最優的問題,提出基于事件觸發種群衰減的改進BSO算法,進一步提高BSO的尋優效果。最后,通過Matlab仿真實驗以及VAV實驗平臺驗證了本文中所提算法的有效性和可行性。

1 VAV空調系統GPC控制算法

本部分主要介紹VAV空調系統建模和GPC控制算法設計。

1.1 VAV空調系統

VAV空調系統是一種通過改變送風量進而調節區域溫濕度等指標保持在設計范圍內的裝置,在改變送風量大小的同時,空調機組也可以通過控制冷凍水流量、風機轉速等指標來調節新風質量,進而達到節能減排的目的。但想要單一地通過調節某一個執行元件來改變送風質量,如:壓縮機功率,冷凍水閥門開度等,勢必會引起其他量的連鎖反應。除此之外,這些量還呈現著非線性、大時滯等特性,所以必須通過一組多輸入多輸出的傳遞函數矩陣表示其內部關系,一般的單通道變風量系統可以近似表示成如下形式[18]:

式中:Gmn為變風量空調系統的第n個輸入到第m個輸出之間的傳遞函數,結合變風量空調系統特征,其具體表達式一般可表示為如下形式:

式中:kmn為系統增益;θmn為系統滯后時間系數;τmn為系統的時間常數。

需要強調的是,式(1)所示模型可代表多種類型的空調系統,輸入u可包含冷凍水閥門開度、冷凍水泵功率、加濕器泵功率、送風管道風機轉速、回風管道風機轉速、各風閥執行器開度和VAVBOX末端風閥開度等。輸出y可包含送風溫度、送風濕度、靜壓點靜壓、室內溫度、室內濕度和二氧化碳濃度等。給定具體系統時,僅需通過系統辨識獲得各子系統Gmn參數,則可應用所提GPC控制策略,因此本方法具有一定的普適性。

為了更好地介紹所提方法的原理,選取西建大江森空調系統模型[18]來驗證所提控制策略的有效性。具體的,所選系統輸入量為風機轉速(u1)和房間送風量(u2);輸出量為靜壓點靜壓(y1)和室內溫度(y2),傳遞函數如下:

考慮到先進過程控制中一般都是針對離散系統,故將(2)式離散化處理,令采樣時間為Ts,當滯后時間系數θmn為Ts的整數倍時,可以寫成如下模型[19]:

其中:a=e(-Ts/τmn);b=kmn(1-a);d=θmn/Ts。

當滯后時間系數θmn不是離散時間Ts的整數倍時,即θmn=dTs+γTs,0<γ<1,d是正整數。可以寫成如下離散模型:

1.2 GPC控制算法

一般GPC控制算法采用受控自回歸積分滑動平均(CARIMA)模型來表示一個帶噪聲的對象模型:

式中:A(z-1)、B(z-1)和C(z-1)都是后移算子z-1的多項式;y(k)和ζ(k)分別表示k時刻系統的輸出值和均值為0的白噪聲;u(k-1)表示k-1時刻系統的輸入;Δ=1-z-1。為計算方便,通常令C(z-1)=1。

在GPC控制策略中,同時考慮輸出特性以及輸入量變化量的代價函數如下所示:

s.t. Δumin≤Δu(k+j)≤Δumax

(6)

式中:n表示預測時域;m表示控制時域并且m≤n;y(k+j)表示第j步的預測輸出;r(k+j)=αj×y(k+j)+(1-αj)×ysp(k+j)表示輸出參考軌跡;α表示柔化因子,滿足0<α<1;λ(j)表示輸入量變化量的加權系數,一般λ(j)=λ為一常數;Δu(k+j-1)表示第j步之前時刻的歷史輸入。

通過丟番圖(Dioaphantine)方程預測得到的未來預測時域內的輸出序列可以被表示成:

式中包括已知量和未知量2部分,用f=HΔu(k)+Fy(k)來表示已知量部分并將(7)式寫成矩陣的形式即:

式中:

ΔU=[Δu(k),Δu(k+1),…,Δu(k+n-1)]T

f=[f(k+1),f(k+2),…,f(k+n)]T

將式(8)代入式(6),最小化J,可以得到如下

ΔU=(GTG+λI)-1GT(R-f)

(9)

下一時刻的控制量可以寫成:

u(k+1)=u(k)+g?(R-f)

(10)

其中,g?是(GTG+λI)-1GT的第一行。

通過式(9)可以看出,GPC控制器的輸出和其參數λ有關。控制量變量的加權系數λ改變會影響控制器性能,λ的變化會改變對控制量增量的懲罰力度,而懲罰的大小影響著系統輸出的動態特性甚至影響著這個系統的魯棒穩定性[21-22]。適當的根據系統當前時刻的動態特性反過來在合理的范圍內在線整定參數λ會進一步提高控制器性能。基于此本文中提出利用二型模糊邏輯的思想在線整定參數λ來提高系統性能。

2 基于改進BSO及二型模糊邏輯的GPC參數調優方法

基于第二部分所述問題,本節提出一種新的基于二型模糊邏輯的GPC參數調優方法,同時提出通過改進的BSO算法來確定二型模糊邏輯中參數的策略來進一步提高控制器性能。具體的控制方框圖如圖1所示。

圖1 基于改進BSO及二型模糊邏輯的GPC參數整定方框圖

2.1 基于二型模糊邏輯的GPC調參方法

圖2 二型模糊邏輯隸屬度函數圖像

二型模糊系統的具體流程如圖3所示。

圖3 二型模糊邏輯流程

假設由N個規則組成的一個區間二型模糊邏輯的規則庫具有如下形式:

具體二型模糊系統的計算步驟如下:

2) 使用笛卡爾積的方式計算每一條規則的激活區間Fn(x)

注：也可使用最小值t-norm等方式。

3) 降階器進行降階處理然后再去模糊化得到輸出y。常用的降階方法有很多,例如:Center-of-sets降階器[25]、Karnik-Mendel (KM)迭代法、改進KM算法[26]以及Nie-Tan(NT)法[27]等。

2.1.1控制目標模糊化

一般選取系統的輸出絕對誤差和基于當前絕對誤差變化率的輸出達到設定值的時間作為控制目標,具體表示如下:

1) 選用廣義預測控制過程中當前時刻的實際輸出值y(k)與設定值ysp(k)的絕對偏差作為第一個控制目標:

e(k)=|y(k)-ysp(k)|(0≤e(k)≤emax)

(12)

2) 基于控制目標參數e(k),選取基于當前絕對誤差e(k)變化率的輸出達到設定值的時間作為第二個控制目標:

其中,M為一個非常大的常數。

對于多輸入多輸出系統,將上述2個指標可以寫成如下矩陣形式:

2.1.2確定模糊目標參數

其中,每一個參數都對應N個規則,即維度為1×N。然后進行上述二型模糊邏輯的一般步驟,得到最終輸出值μe和μts。

用最常用的Mamdani模糊推理法,將所得隸屬度進行笛卡爾積運算,即

μmin=μe∧μts=min(μe,μts)

(15)

式中,e描述了當前時刻的輸出值與設定值之間的差值,ts包含了當前輸出趨勢對未來的上升時間的影響,這兩個指標可以綜合地反映系統的性能指標。

通過式(15)得到的μmin值,再按一定的指數規律調整控制量變化量的加權系數λ,其表達式如下:

λ=λmax×exp(μmin×log(λmin/λmax))

(16)

式中,0<λmin<λmax。

可以看出控制量變化量的加權系數λ和隸屬度μmin有關,而隸屬度μmin和二型模糊邏輯輸出區間的參數矩陣Ψ之間存在一定的關系。也就是說參數矩陣Ψ的具體取值會影響加權系數λ的大小進而影響參數整定的最終效果,所以有必要在模糊的過程中考慮參數矩陣Ψ的取值。

一般情況下為了簡化模糊系統令每一個模糊集的輸出上下界也就是參數矩陣Ψ的每一行元素都相等,具體大小也大都根據經驗得到,但往往經驗法應用到具體的控制對象時有一定的局限性[24]。也有人嘗試通過解析法分析二型模糊系統的具體結構,也得到了合理的結論[28]。但由于GPC的控制信號是通過在線解決約束優化問題得到的,所以很難得到這2個參數與控制器中的控制量變化量的加權系數λ之間的顯式關系。基于此本文中提出通過智能搜索算法來確定參數矩陣Ψ中的具體參數,進而提高模糊控制器的性能。

2.2 基于改進BSO及二型模糊邏輯的GPC調優

BSO是一種將粒子群優化算法(PSO)與天牛須算法(BAS)相結合的算法,具體地說是對粒子群中的粒子尋優方式及尋優目標進一步優化[28]。BSO主要的優點在于將BAS算法中的粒子可以感知自身周圍環境的機制引入PSO算法中來,讓PSO的粒子群集體具備感知周圍環境的能力,增強算法的優化能力[29]。傳統的BSO速度和位置的迭代公式如下:

vt+1=w*vt+c1γ1[pbest-xt]+c2γ2[gbest-xt]

(17)

xt+1=xt+b*vt+1+(1-b)*σt

(18)

其中:xt,vt分別為位置分量和速度分量;gbest、pbest分別表示群體歷史最優位置和個體歷史最優位置;b為變異算子;c1、c2為個體學習因子和群體學習因子;w為慣性權重值;σt為t時刻步長;γ1,γ2為[0,1]的隨機數。

其中每個粒子的左右須以及行進距離的公式如下:

σt=δt*vt*sign(fleft-fright)

(21)

式中:xl和xr分別表示左右須的坐標;fleft和fright分別表示左右須坐標適應度值;d表示兩須之間的距離;σ表示行進距離;δ表示更新步長。

雖然BSO具有早期更快地收斂速度和更顯著地尋優效果,但這也帶來了過早陷入局部最優的可能性。因此,為了改善算法的優化性能,給出了針對此算法在參數選擇上的改進算法,即基于非線性動態權重的BSO優化算法。傳統的BSO中的慣性權重、學習因子等基本參數是一個固定值,但考慮到慣性權重w決定了天牛對搜索空間的擴展趨勢;學習因子c1、c2可以控制天牛個體接近目標區域的速度等原因,提出了將慣性權重動態化以得到更好的尋優效果,其具體公式如下:

式中:wmax為慣性權重最大值;wmin為慣性權重最小值;c1max、c2max為學習因子最大值,通常取0.9;c1min、c2min為學習因子最小值,通常取0.4;s1、s2為[0,1]之間的隨機值;i為當前迭代次數;T為最大迭代次數。

由于GPC算法需要在線求解一個帶約束的優化控制問題,針對其參數的整定算法需要格外控制在線計算量以保證GPC算法的計算復雜度?；诖?提出一種基于種群下降的改進BSO算法。

2.2.1種群規模線性衰減的改進BSO算法

研究表明,BSO算法在前期收斂的比較快,可以快速的達到全局最優值附近。當BSO種群收斂到全局最優值附近的時候,這時候在全局最優附近的這部分粒子對應的適應度迭代一次變化很小,而適應度與全局適應度相差較大的這部分粒子則需要更多的迭代次數才能收斂到全局最優值附近。也就是說適應度與全局適應度相差較小的這部分粒子對整個種群的收斂貢獻度很小,但是每一次迭代還需要計算這部分粒子對應的適應度,這給整個算法帶來了額外的計算量。當尋優目標為一些復雜的系統時,迭代一次所需周期較長,這時候就有必要考慮通過篩選出每一次迭代粒子群中的適應度與全局適應度相差較小的這部分粒子并且用剔除的方法來減少種群規模進而縮短迭代周期。

具體表示如下:

P=round(Pmax-(i-1)*(Pmax-Pmin)/(T-1))

(25)

式中:Pmax為種群規模最大值;Pmin為種群規模最小值;T為設定的最大迭代次數;i為當前的迭代次數。

在經典BSO算法中,隨著i的變化,種群規模P=Pmax始終不變。而改進線性遞減BSO算法中,當i=1時,P=Pmax,當i>1以后,每次迭代的種群規模P逐漸線性遞減,則改進線性遞減BSO算法迭代總時間為(Pmax+Pmin)/2*T*t,由于(Pmax+Pmin)/2肯定小于Pmax,所以改進線性遞減BSO算法的整體迭代時間減少。

2.2.2事件觸發的種群規模線性衰減改進BSO算法

針對上節所提的改進BSO算法,實驗表明將應用到一些凸函數尋優的問題上是非常有效的,一些簡單的非凸優化問題也可以通過數學轉換為凸優化問題。然而,由于GPC控制器的輸出本身就是在線求解優化問題得到的,很難得到其參數λ和二型模糊邏輯的參數Ψ之間的顯示關系。所以要將改進BSO應用到GPC參數調優中,就必須考慮如何避免改進BSO尋優過程中陷入局部最優的問題。

單純地降低粒子個數無疑會增大陷入局部最優的可能性,雖然BSO本身具有跳出局部最優的能力,但也有必要考慮提出一種事件觸發的種群規模衰減改進BSO,在保證全局和個體搜索能力的條件下,盡可能減小粒子規模進而減小計算量。具體算法如下:

算法1：事件觸發的種群規模線性衰減改進BSO算法

輸入:計算GPC算法適應度的函數F,種群最大值Pmax,種群最小值Pmin,迭代周期T,動態權重w、個體學習因子c1和群體學習因子c2,xmax和xmin,vmax和vmin等參數

輸出:二型模糊邏輯ψ的參數

初始化天牛群的速度和位置

1)fork=1,…,Tdo

2) 通過式(22)—式(24)動態更新w、c1、c2;

3) 根據適應度函數F計算每個粒子的個體適應度和全局最優適應度值

4) 通過式(19)—式(21)計算xl,xr,fleft,fright;

5) 根據式(17)—式(18)以及種群個數和粒子的約束更新天牛群的速度和位置;

6) 處理邊界條件,求整個天牛群的當前全局最優解;

7)if(gbest(t+1)≥gbest(t))then

8)Pt+1=P

9) else

10) 根據式(25)更新種群粒子個數Pi;

11) 升序排列個體最佳適應度,下一次迭代的種群粒子Pt+1為P的前Pi個;

12)endif

13)k=k+1

14)endfor

基于3.1所述的二型模糊邏輯和上述所提的改進BSO算法,本文中所提的基于改進BSO及二型模糊邏輯的GPC參數整定算法具體如下:

算法2：基于改進BSO及二型模糊邏輯的GPC參數在線整定算法

輸入:系統當前時刻的輸出值y(k),系統的仿真周期tend

輸出:控制器加權系數λ(k)

通過算法1得到ψ的最優參數

1)fork=1,…,tenddo

2) 通過式(12)、式(13)計算系統指標e(k)和ts(k);

3) 通過二型模糊邏輯計算μe和μts

4) 通過式(15)計算μmin;

5) 通過式(16)計算當前時刻的最優λ(k);

6) 將得到的λ(k)應用到GPC算法中;

7)k=k+1

8)endfor

為了能更直觀地展示本文中提出的基于事件觸發衰減粒子規模的改進BSO及二型模糊邏輯整定廣義預測控制參數算法的具體流程,通過圖4展示其整體框架。

圖4 基于改進BSO及二型模糊邏輯的空調系統GPC控制參數整定算法基本框架

圖5為基于改進BSO及二型模糊邏輯的空調系統GPC控制參數整定算法的流程圖。

圖5 基于改進BSO及二型模糊邏輯的GPC參數在線整定流程

值得注意的是,在線整定GPC參數用到的二型模糊邏輯系統是已經通過改進BSO提前收斂好的系統,也就是說,在每一個采樣時刻內,不需要重復地通過改進BSO收斂二型模糊邏輯系統的參數。另一方面,已經確定的二型模糊邏輯在每一個采樣時刻根據系統的輸出狀態計算合理的GPC參數λ這個過程耗時是很短暫的,即完全可以在采樣時間內提供給控制器下一時刻一個具體的參數λ最優值[30]。

3 實驗驗證結果

選取第一部分中的VAV空調系統來具體驗證本文中提出的基于事件觸發衰減粒子規模的改進BSO算法及二型模糊邏輯在廣義預測控制參數整定方法中的有效性。因為空調系統自帶功率過負荷、過載等硬件保護。所以針對上述2*2系統,相對于超調量來說,主要考慮空調系統的調節時間。此外,在控制系統中跟蹤階躍響應,對系統來說是較為嚴格的工作條件。為在工程上有統一的標準對各類系統進行比較和研究,通常以單位階躍響應來評價控制系統性能的優劣[31],基于此本文中的參考軌跡設為單位階躍信號。將兩個輸出的調節時間作為適應度函數的指標,分別通過傳統BSO和本文中所提的基于事件觸發種群衰減的改進BSO收斂二型模糊邏輯的參數。

設置BSO的種群數量為P=50,改進BSO最大種群數量Pmax=P=50,最小種群數量Pmin=20,迭代次數T=50。最終得到一組最優的隸屬度函數參數如下:

在Intel(R)Core(TM)i5-8300HCPU,RAM8GB的仿真環境下做對比實驗,表1顯示了傳統的BSO和本文中所提的改進BSO算法10次迭代的平均適應度和平均耗時的具體對比情況。

表1 不同方法性能對比

從表1中可以看出,本文中所提的改進BSO算法收斂精度和傳統的BSO幾乎一樣,但是算法的平均迭代周期減少了11.09%,這對于復雜系統來說效果是顯著的。此外,需要注意的是290 s的仿真時長是離線進行的,在線整定GPC控制器參數的時候不需要重復地通過改進BSO收斂二型模糊邏輯系統的參數,即5 s的采樣周期內控制器進行的是簡單的矩陣運算,和改進BSO的收斂時長無關,也就是說可以在采樣周期內快速地計算出下一時刻的最優值。

將式(26)中Ψ的具體參數代入GPC控制器中,設置GPC參數Ts=5 s,n=20,m=3,α=0.9,仿真結果如圖6所示。

圖6 系統的輸出對比圖

圖6中的紅色曲線表示參考軌跡;黑色曲線表示不進行參數整定的系統輸出;綠色曲線表示基于改進BSO及二型模糊邏輯進行參數整定的控制效果。通過圖6可以看出,本文中所提方法可以顯著提升系統的性能指標。表2是兩者對比的性能指標具體值。

表2 不同算法性能指標

通過表2可以看出,在超調量保持不變的前提下,輸出1的調節時間減少了58.33%,輸出2的調節時間減少了79.35%。也就是說,用本文中所提的參數整定方法可以很大程度地減小系統的調節時間。

圖7為經過二型模糊邏輯在線整定的控制量變量加權系數λ的變化曲線?？梢钥闯鲈谙到y輸出穩定之前的動態階段,λ的值是一直根據二型模糊邏輯不斷變化的。

圖7 λ變化圖

可以看到圖7中的λ在300 s左右有一個類似于脈沖的突變,這是因為通過改進BSO收斂二型模糊邏輯參數過程是離線進行的,且改進BSO優化具有一定的隨機性,所以確定的模糊參數有可能不能完整地包含整個控制過程中的所有狀態,即可能無法反映系統某一時刻或者某種特定輸出下系統的真實狀態。但是,由于二型模糊邏輯的具體參數和GPC控制器性能之間的關系是隱式且較為復雜的,所以相比于根據經驗人為地設置一組參數,通過改進BSO智能優化算法確定的二型模糊邏輯能相對較好地反映系統當前時刻的輸出狀態進而更好的提升系統的性能指標。

仿真中離線確定的二型模糊邏輯系統沒能包含GPC控制的VAV空調系統在300 s這一處的瞬時狀態的映射關系,但是λ的值很快地被在線整定到正常范圍內,從而說明了所提方法依然有效。即本文中所提的利用通過改進BSO收斂確定參數的二型模糊邏輯來在線的整定GPC控制器參數進而提高控制器性能的方法是具有實用性的。

圖8為上述仿真實驗對應的控制量變化曲線。

圖8 控制量變化曲線

4 半實物仿真平臺實驗驗證

區別于傳統的控制算法,MPC/GPC算法開發難度大,需要不斷的進行調試完善。采用真實的空調系統驗證則成本高、難度大、耗時長。最重要的是將算法應用到真實樓宇系統中控制的時候需要保證其可靠性、穩定性,所以驗證算法比較困難。而單純的基于Matlab仿真相當于是一套內循環系統,缺乏交互性、實用性,也不滿足應用場景的流程控制方式。所以有必要在Matlab仿真實驗完成后,將算法應用到真實場景前,開發半實物仿真平臺。既可以滿足真實工況的數據交互,流程控制,擾動復雜,輸入輸出量大等要求;又可以避免了不完整控制算法運用于實際工程,導致設備損壞,造成經濟損失的后果;還可以節省控制算法開發成本,縮短開發周期,保證算法的可靠性、穩定性。

奧普拓半實物仿真平臺整體如圖9所示。由滿足防塵防震等級要求的工業級工控機、奧普拓實時仿真器、西門子S7-1200 PLC、數據采集模塊等幾大模塊組成。

圖9 實驗平臺

本實驗平臺具體工作原理為:將工控機作為GPC控制器,通過OPC協議連接采集器,采集器和PLC相連,PLC的模擬量、數字量輸出模塊均和奧普拓仿真器相連接。旨在通過奧普拓仿真機來真實還原大型空調機組,模擬真實場景的數據采集,上下位機之間的數據交互等流程,所以其相對于Matlab仿真結果更具說服力。通過試驗臺測試算法的步驟為:模型建立、擬合噪聲、OPC通訊建立、系統在線測試等。具體測試結果如圖10所示。

實驗平臺每隔5 s采集一次系統輸出數據,控制器通過當前時刻的系統輸出計算下一時刻的控制量,通過OPC協議雙向傳輸數據。通過圖10的實驗平臺的輸出結果可以看出,輸出曲線可以很好地跟蹤設定值。由于實驗平臺考慮了傳感器采集數據的擾動、真實工況數據傳輸的擾動等,導致輸出曲線是波動的。但也可以看出2個輸出曲線的波動ΔY都滿足ΔY∈[-5%Y(∞),+5%Y(∞)]的工業允許誤差標準,這說明本文中所提算法在VAV空調系統中可以達到滿意的效果。

5 結論

本文中提出了一種基于改進BSO及二型模糊邏輯的GPC控制策略,旨在通過對GPC控制器中控制量變化量的加權系數λ在線整定來改善空調系統的性能指標。其主要結論如下:

1) 二型模糊邏輯系統能夠很好地反應系統當前時刻的輸出狀態,可以為GPC參數整定提供依據。

2) 與傳統的BSO算法相比,改進BSO的收斂時間可以減少11.09%。

3) 經過基于改進BSO及二型模糊邏輯進行參數整定的GPC控制器可以減少空調系統的超調量和調節時間,其調節時間可以減少約60%～80%。

4) 相比于單純的Matlab仿真,本文中開發的半實物仿真平臺可以更加貼合實際地驗證MPC/GPC等先進算法。