張子蘇

摘要：針對(duì)變風(fēng)量空調(diào)控制系統(tǒng)存在非線性、時(shí)變、強(qiáng)耦合等特性，提出一種粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)PID控制器的控制方法。通過對(duì)粒子群算法進(jìn)行加權(quán)改進(jìn)后優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值以提高神經(jīng)網(wǎng)絡(luò)的收斂性;用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)在線調(diào)整PID控制器參數(shù)。仿真結(jié)果表明;引入改進(jìn)粒子群的BP神經(jīng)網(wǎng)絡(luò)PID控制能夠提高控制精度，縮短穩(wěn)定時(shí)間，減小超調(diào)量。

關(guān)鍵詞：變風(fēng)量空調(diào);粒子群;神經(jīng)網(wǎng)絡(luò);PID控制

中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2020）07-0042-03

0 引言

變風(fēng)量空調(diào)系統(tǒng)可以根據(jù)空調(diào)負(fù)荷的變化調(diào)節(jié)送風(fēng)量，達(dá)到節(jié)能的效果，所以在現(xiàn)代建筑中的應(yīng)用日益普及[1]。當(dāng)今社會(huì)對(duì)智能空調(diào)系統(tǒng)著重進(jìn)行了研究尤其是節(jié)能、舒適等性能。

在工業(yè)控制領(lǐng)域，傳統(tǒng)PID控制具有節(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)等特點(diǎn)，但對(duì)于具有非線性、不確定性和時(shí)變性的變風(fēng)量空調(diào)系統(tǒng)控制效果不好[2]。因此，一種新的方法應(yīng)運(yùn)而生PSO-BP-PID控制，改進(jìn)粒子群的慣性權(quán)值對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化加快網(wǎng)絡(luò)收斂性和速度，改進(jìn)算法就是對(duì)3個(gè)參數(shù)比例、積分、微分進(jìn)行調(diào)整，使控制系統(tǒng)有更好效能。

1 變風(fēng)量空調(diào)系統(tǒng)的工作原理

變風(fēng)量空調(diào)系統(tǒng)是由自動(dòng)控制系統(tǒng)、送風(fēng)系統(tǒng)、空氣處理機(jī)組、末端裝置等軟件組成[3]。自動(dòng)控制系統(tǒng)是空調(diào)系統(tǒng)的中樞核心通過安裝的傳感器對(duì)溫濕度度等進(jìn)行全方位監(jiān)控，自動(dòng)控制系統(tǒng)根據(jù)誤差自動(dòng)調(diào)節(jié)新風(fēng)經(jīng)空氣處理機(jī)組進(jìn)行優(yōu)化處理達(dá)到潔凈指標(biāo)，然后通過送風(fēng)系統(tǒng)的傳送設(shè)備送到各個(gè)房間，末端裝置根據(jù)每個(gè)房間的需求調(diào)節(jié)送風(fēng)量的大小。

2 神經(jīng)網(wǎng)絡(luò)PID控制器的設(shè)計(jì)

根據(jù)房間溫度變化，BP神經(jīng)網(wǎng)絡(luò)可以通過自學(xué)習(xí)和調(diào)整加權(quán)系數(shù)等方法自動(dòng)調(diào)節(jié)比例、積分、微分3個(gè)控制器參數(shù)[4]。BP神經(jīng)網(wǎng)絡(luò)采用三層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比例、積分、微分調(diào)節(jié)，如圖1所示。

3 粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計(jì)

3.1 改進(jìn)粒子群算法

在1995年Kennedy和Eberhart提出粒子群算法是在隨機(jī)解中通過不斷迭代尋找最優(yōu)解，通過適應(yīng)度來評(píng)價(jià)品質(zhì)[5]。具體來說是從一個(gè)D維空間n個(gè)粒子種群搜索粒子，每個(gè)粒子具有速度。在空間中每個(gè)粒子都對(duì)應(yīng)一個(gè)解不斷相互學(xué)習(xí)尋找最好的解。通過對(duì)適應(yīng)度函數(shù)選取對(duì)每個(gè)粒子位置進(jìn)行適應(yīng)值計(jì)算。第i個(gè)粒子速度為，其個(gè)體極值是，種群的尋優(yōu)極值是。開始隨機(jī)初始化一組粒子然后進(jìn)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(shù)是和，總結(jié)搜索最優(yōu)值并且向最優(yōu)值粒子學(xué)習(xí)向群體最優(yōu)值靠近，和是隨機(jī)常數(shù)取值0到1之間，加大粒子隨機(jī)性比較隨機(jī)值最后確定最終值，現(xiàn)在個(gè)體最佳值是，現(xiàn)在種群最佳值是。

可變慣性權(quán)值對(duì)粒子群進(jìn)行了動(dòng)態(tài)改進(jìn)權(quán)重在一定范圍內(nèi)取值，以免發(fā)生搜索不是最優(yōu)值問題。取值大小對(duì)粒子群算法都有問題，取值小時(shí)，粒子群就會(huì)進(jìn)入某一區(qū)域最優(yōu)值的問題;取值大時(shí)，容易找不到整個(gè)區(qū)域的最優(yōu)值問題。我們只有找到一個(gè)最適合W值才能避免這些問題其公示為：

w是一個(gè)非負(fù)數(shù)，當(dāng)它是0時(shí)就是基本粒子群算法，w是約束粒子群慣性權(quán)重，當(dāng)w較小時(shí)變成局部搜索法有很好收斂速度，當(dāng)w取值很大時(shí)我們必須一個(gè)接一個(gè)去搜索解變得更加復(fù)雜從而找不到要找的優(yōu)值。所以w是一個(gè)變化的值我們需要用公式計(jì)算使用適當(dāng)值。

3.2 改進(jìn)粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)PID控制設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)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(jìn)的粒子群算法具有全局最優(yōu)和收斂速度快等優(yōu)點(diǎn);所以正好通過此辦法改善控制器的性能[7]。

新型改進(jìn)控制算法步驟：（1）確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu);BP神經(jīng)網(wǎng)絡(luò)輸入層由溫度、設(shè)定誤差等決定隱含層節(jié)點(diǎn)數(shù)選擇適中太少收斂度低，太多訓(xùn)練時(shí)間過長(zhǎng)。（2）粒子適應(yīng)度;通過對(duì)適應(yīng)度函數(shù)的選取計(jì)算粒子所在位置。（3）個(gè)體和全局最優(yōu)值的選取;粒子相互之間之間進(jìn)行適應(yīng)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(yùn)算神經(jīng)網(wǎng)絡(luò)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(yōu)解。

4 仿真

因?yàn)榭照{(diào)房間是一個(gè)復(fù)雜熱力學(xué)系統(tǒng)受內(nèi)外因素影響不能確切的用數(shù)學(xué)模型來描述，所以把空調(diào)房間看成一個(gè)單容對(duì)象[2]。傳遞函數(shù)是：

采用新型改進(jìn)算法設(shè)計(jì)PID控制器，實(shí)時(shí)采集比例、積分、微分3個(gè)參數(shù)最佳值，相較與傳統(tǒng)PID控制器有更好的實(shí)時(shí)性、穩(wěn)定性確保控制系統(tǒng)對(duì)房間環(huán)境的準(zhǔn)確調(diào)控。驗(yàn)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(dá)到穩(wěn)定，振蕩幅度更大;BP-PID0.36 s之后達(dá)到穩(wěn)定，超調(diào)量也變小了;PSO-BP-PID在0.26 s之后穩(wěn)定，響應(yīng)速度也快，超調(diào)量最小。

5 結(jié)語(yǔ)

傳統(tǒng)PID控制和BP神經(jīng)網(wǎng)絡(luò)PID控制對(duì)非線性系統(tǒng)控制都不理想。改進(jìn)粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)與PID控制相結(jié)合能很好的控制房間溫度調(diào)節(jié)送風(fēng)量。仿真結(jié)果表明：采用新型改進(jìn)控制算法有更快響應(yīng)速度、穩(wěn)定的時(shí)間也縮短了。

參考文獻(xiàn)

[1] 邢麗娟，楊世忠.變風(fēng)量空調(diào)系統(tǒng)房間舒適度溫度優(yōu)化設(shè)置[J].計(jì)算機(jī)仿真，2015，32（4）：455-459.

[2] 瞿睿，李界家.基于RBF神經(jīng)網(wǎng)絡(luò)的PID控制在變風(fēng)量空調(diào)系統(tǒng)中的應(yīng)用[J].現(xiàn)代建筑電氣，2012，3（2）：10-13.

[3] 閆婷.基于蟻群與神經(jīng)網(wǎng)絡(luò)算法的變風(fēng)量空調(diào)末端控制研究[D].西安：西安建筑科技大學(xué)，2015.

[4] 陳書謙，張麗虹.BP神經(jīng)網(wǎng)絡(luò)在PID控制器參數(shù)整定中的應(yīng)用[J].計(jì)算機(jī)仿真，2010，27（10）：171-174.

[5] 劉開麗.粒子群優(yōu)化算法的研究與應(yīng)用[D].合肥：安徽大學(xué)，2013.

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

[7] 蔣鼎國(guó).基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)PID控制器的溫室溫度控制技術(shù)[J].實(shí)驗(yàn)室研究與探索，2015，34（1）：9-13.

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