摘要：文章通過(guò)對(duì)中央空調(diào)自動(dòng)控制系統(tǒng)的控制原理、方法進(jìn)行了分析，重點(diǎn)對(duì)人工神經(jīng)元網(wǎng)絡(luò)做了闡述，提出空調(diào)系統(tǒng)的優(yōu)化控制方法，根據(jù)中央空調(diào)系統(tǒng)的技術(shù)發(fā)展及未來(lái)發(fā)展需求，展望了空調(diào)系統(tǒng)控制技術(shù)的發(fā)展趨勢(shì)。
　　關(guān)鍵詞：中央空調(diào)，系統(tǒng)控制，優(yōu)化，人工神經(jīng)元網(wǎng)絡(luò)
　　中央空調(diào)設(shè)備通常只有在額定的條件下運(yùn)行的效率最高，而另一方面，空調(diào)系統(tǒng)由于風(fēng)、水、制冷劑、負(fù)荷點(diǎn)及控制參數(shù)等等各方面的因素，往往并不能達(dá)到最佳的運(yùn)行效果，如何進(jìn)行優(yōu)化設(shè)計(jì)及控制解決上述等等問(wèn)題是擺在設(shè)計(jì)工作人員面前的課題。
　　一、控制系統(tǒng)的基本構(gòu)成
　　目前使用的空調(diào)系統(tǒng)基本上都是采用集散控制模式和模塊化結(jié)構(gòu)，通常由中央控制器、現(xiàn)場(chǎng)控制器及末端設(shè)備三個(gè)主要部分組成。中央控制器能對(duì)主要設(shè)備及系統(tǒng)的運(yùn)行狀態(tài)和參數(shù)進(jìn)行監(jiān)測(cè)，顯示、記錄和遠(yuǎn)程設(shè)定啟停遠(yuǎn)程控制，又能通過(guò)系統(tǒng)下面連接著的直接數(shù)字控制器來(lái)控制現(xiàn)場(chǎng)設(shè)備，接收空調(diào)設(shè)備上的各種傳感器和檢測(cè)器發(fā)出的數(shù)據(jù)，按控制器內(nèi)部預(yù)先設(shè)置的參數(shù)和控制程序進(jìn)行響應(yīng)運(yùn)算。操作平臺(tái)宜采用實(shí)時(shí)圖形監(jiān)控操作軟件，可圖形化顯示或打印各種信息來(lái)觀察當(dāng)前或以前所監(jiān)控的各種空調(diào)設(shè)備運(yùn)行狀態(tài)及數(shù)據(jù)，并采用標(biāo)準(zhǔn)的TCP/IP協(xié)議，具有開(kāi)放性數(shù)據(jù)庫(kù)，能滿足集中監(jiān)控的需要并同時(shí)與系統(tǒng)規(guī)模相適應(yīng)。
　　二、優(yōu)化控制方法
　　空調(diào)系統(tǒng)運(yùn)行要想達(dá)到節(jié)能的效果，優(yōu)化控制系統(tǒng)也是其重要的關(guān)鍵環(huán)節(jié)，現(xiàn)在許多研究設(shè)計(jì)人員在其性能優(yōu)化控制方面,利用人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬空調(diào)系統(tǒng)中各個(gè)設(shè)備的非線性特性，實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的優(yōu)化控制。也有一些研究人員采用智能優(yōu)化方法，重點(diǎn)關(guān)注變工況的在線優(yōu)化控制�，F(xiàn)在就一些研究方法及人工神經(jīng)元網(wǎng)絡(luò)做個(gè)分析探討。
　　1、應(yīng)用多目標(biāo)遺傳算法進(jìn)行溫度的優(yōu)化設(shè)定,獲得最佳能量利用效率和令人舒適的溫度。
　　2、建立簡(jiǎn)單精確的空氣處理單元工程模型的方法。該方法基于能量平衡和換熱原理,通過(guò)非線性規(guī)劃和最小二乘法來(lái)估測(cè)模型的三個(gè)參數(shù)。該方法具有魯棒性,是一種在整個(gè)工作范圍內(nèi)和實(shí)際性能更加匹配的方案。
　　3、最小焓值估計(jì)方法。把熱舒適度水平的定義和焓熱值理論綜合運(yùn)用到一個(gè)負(fù)載預(yù)測(cè)軟件中,以尋求一個(gè)合適的溫度和與之相匹配的濕度,以使空調(diào)控制系統(tǒng)在最小焓值估計(jì)的輔助下進(jìn)行控制。
　　4、采用非線性、多輸入、多輸出暖通空調(diào)系統(tǒng)的控制器,引入狀態(tài)反饋和擾動(dòng)線性反饋方法到擾動(dòng)解耦和非線性系統(tǒng)的線性化之中。采用這種方法能使可測(cè)量的擾動(dòng)(溫度和濕度)負(fù)載都可以被補(bǔ)償,還可以自適應(yīng)負(fù)荷的快速變化并且沒(méi)有偏差。仿真結(jié)果顯示根據(jù)這種方法設(shè)計(jì)的控制器具有高擾動(dòng)解耦能力和很好的跟蹤特性。
　　5、采用實(shí)時(shí)的暖通空調(diào)系統(tǒng)的設(shè)備應(yīng)該對(duì)有效的實(shí)體進(jìn)行實(shí)時(shí)熱環(huán)境控制的觀點(diǎn)。該設(shè)備由一組為熱存儲(chǔ)服務(wù)的冷熱空氣循環(huán)回路和由回路供給的冷熱氣流構(gòu)成。可以通過(guò)控制流量來(lái)獲得定點(diǎn)溫度和流速。該系統(tǒng)應(yīng)用了串級(jí)控制算法和增益表。結(jié)果表明,控制器可以在2～3s內(nèi)使溫度和流速逼近設(shè)定點(diǎn)。
　　三、基于人工神經(jīng)元網(wǎng)絡(luò)算法的控制應(yīng)用
　　人工神經(jīng)元網(wǎng)絡(luò)簡(jiǎn)稱ANN(artificialneuralnetwork)，是大量簡(jiǎn)單的處理單元廣泛連接而成的復(fù)雜網(wǎng)絡(luò),用于模仿人類(lèi)大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和行為。ANN具有學(xué)習(xí)、記憶、歸納功能,類(lèi)似于人的右半腦直覺(jué)思維,ANN的結(jié)構(gòu)見(jiàn)圖1。
　　
　　圖1ANN的結(jié)構(gòu)
　　人工神經(jīng)元網(wǎng)絡(luò)由輸入層、隱層、輸出層組成,通常隱層可有一個(gè)或多個(gè)層。人工神經(jīng)元網(wǎng)絡(luò)的每層有多個(gè)神經(jīng)元,兩個(gè)神經(jīng)元之間的連接附有一數(shù)值Wj1-kn作為權(quán)值。單個(gè)神經(jīng)元結(jié)構(gòu)如圖2,作為基本運(yùn)算單元,它是一個(gè)多輸入、單輸出的非線性單元,可以有一個(gè)內(nèi)部反饋信號(hào)Si和閥值θi。輸入輸出的計(jì)算公式為:
　　Yi=F(nΣj=1ΣWjiXj+Si)
　　
　　圖2單個(gè)神經(jīng)元結(jié)構(gòu)
　　Xj為來(lái)自上層節(jié)點(diǎn)的輸入,Yi為輸出,F為特性函數(shù),又稱為限幅函數(shù),作用是將可能的無(wú)限域變換到一定的有限范圍內(nèi)輸出,ANN中多個(gè)神經(jīng)元按層排列,層間不同的連接方式會(huì)帶來(lái)不同的網(wǎng)絡(luò)特性。ANN的學(xué)習(xí)能力與人腦類(lèi)似,要實(shí)現(xiàn)某種功能前就必須進(jìn)行訓(xùn)練。其實(shí)質(zhì)是找出一定的權(quán)值使得對(duì)于一組給定的輸入產(chǎn)生令人滿意的輸出。調(diào)節(jié)加權(quán)值所遵循的規(guī)則就是訓(xùn)練算法。每一個(gè)訓(xùn)練范例在網(wǎng)中經(jīng)過(guò)兩遍傳遞計(jì)算,一遍向前傳播計(jì)算,從輸入層開(kāi)始,傳遞各層并經(jīng)過(guò)處理后,產(chǎn)生一個(gè)輸出,并得到一個(gè)該實(shí)際輸出和所需輸出之差的差錯(cuò)矢量;一遍向后傳播計(jì)算,從輸出層至輸入層,利用差錯(cuò)矢量對(duì)權(quán)值進(jìn)行逐層修改,最終使該網(wǎng)絡(luò)在樣本集上的誤差平方和最小或達(dá)到要求。對(duì)于HVAC系統(tǒng)來(lái)說(shuō),BP是一種較適合的算法,簡(jiǎn)單易用,尤其它的各種改進(jìn)算法能良好地滿足需要。從控制角度來(lái)說(shuō),一個(gè)3層的ANN模型就可任意逼近任意非線性系統(tǒng),且它有黑箱建模的優(yōu)點(diǎn),適用于復(fù)雜非線性對(duì)象的建模。另外它的并行計(jì)算過(guò)程類(lèi)似于人腦的直覺(jué),速度很快,可以實(shí)現(xiàn)實(shí)時(shí)控制。以下從控制、建模、優(yōu)化3個(gè)方面介紹ANN在HVAC系統(tǒng)中的應(yīng)用。
　　建筑物內(nèi)空調(diào)大多數(shù)為舒適性空調(diào),控制精度要求不高(±1℃),所以大多數(shù)控制是PID控制,但某些場(chǎng)合下PID仍會(huì)有較大偏差,如在變風(fēng)量控制中,各參數(shù)的較大隨機(jī)變化會(huì)影響設(shè)備的時(shí)間常數(shù),PID的積分時(shí)間、微分時(shí)間、增益寬是固定的,不能對(duì)環(huán)境的變化作出反應(yīng),所以它的控制性能將不可避免地下降。
　　以圖3VAV系統(tǒng)中的加熱盤(pán)管為例,由于風(fēng)量、水溫、水流量都可能有較大變化,需要閥門(mén)控制器能快速適應(yīng)環(huán)境變化以保持出風(fēng)溫度在設(shè)定值。
　　
　　圖3加熱盤(pán)管圖4ANN仿真模型的輸入與輸出
　　ANN控制器一般基于ANN模型,加熱盤(pán)管的模型用人工神經(jīng)網(wǎng)絡(luò)構(gòu)造,結(jié)構(gòu)如圖4。采用BP算法構(gòu)造模型,人工神經(jīng)網(wǎng)絡(luò)輸入為執(zhí)行器歷史狀態(tài)、過(guò)程歷史狀態(tài)與進(jìn)風(fēng)溫度、風(fēng)速、水溫、水流等輔助輸入。輸出為系統(tǒng)狀態(tài),即出風(fēng)溫度。利用一系列覆蓋全操作范圍的盤(pán)管操作狀態(tài)與實(shí)際出風(fēng)溫度組成訓(xùn)練范例集,在Curtiss的實(shí)驗(yàn)中BP網(wǎng)絡(luò)模型被證明是相當(dāng)準(zhǔn)確的。
　　利用ANN可建立自適應(yīng)預(yù)測(cè)控制器、前饋控制器、復(fù)合控制器或其它控制器,它們都依靠ANN所建立的模型來(lái)得到對(duì)象特性,如自適應(yīng)控制器實(shí)質(zhì)上由兩個(gè)ANN組成,一個(gè)是預(yù)測(cè)器,另一個(gè)是控制器,結(jié)構(gòu)如圖5。
　　
　　圖5自適應(yīng)預(yù)測(cè)控制器
　　預(yù)測(cè)器由多個(gè)仿真模型E組成,知道執(zhí)行器歷史狀況、過(guò)程歷史狀況、進(jìn)風(fēng)溫度、熱水溫度與流速后,每個(gè)E即可預(yù)測(cè)出一個(gè)采樣周期后的系統(tǒng)狀態(tài),預(yù)測(cè)出在n個(gè)采樣周期后的系統(tǒng)狀態(tài),將它與設(shè)定值之間的誤差反向傳給控制器來(lái)修改控制器輸出。
　　前饋控制器的控制主要來(lái)自前饋模塊,它是一個(gè)經(jīng)過(guò)訓(xùn)練的、可識(shí)別對(duì)象特性的模型,根據(jù)當(dāng)前環(huán)境直接給出控制信號(hào),而反饋回路只是用來(lái)處理較小的穩(wěn)態(tài)誤差。ANN還可以同PID控制結(jié)合使用,如果因?yàn)橛?xùn)練不足而導(dǎo)致ANN無(wú)法識(shí)別對(duì)象時(shí),可考慮切換使用PID控制,同時(shí)對(duì)ANN進(jìn)行在線訓(xùn)練。
　　四、ANN建模
　　建模時(shí)選擇合適的輸入非常重要,要保證有足夠的影響輸出的相關(guān)輸入，這些輸入是較普遍的,可得到大量訓(xùn)練數(shù)據(jù)。輸出選擇我們所關(guān)心的變量即可,ANN的網(wǎng)絡(luò)結(jié)構(gòu)、算法調(diào)整可根據(jù)需要而定,而后代入大量數(shù)據(jù)訓(xùn)練得出模型。對(duì)于復(fù)雜設(shè)備或整個(gè)系統(tǒng),由于機(jī)理復(fù)雜、變量眾多,難以建立機(jī)理模型,而ANN在建模上的優(yōu)勢(shì)有:①黑箱建模,無(wú)需知道對(duì)象的內(nèi)部信息,甚至輸入變量之間的關(guān)系;②對(duì)于非線性系統(tǒng)的良好模擬性;③對(duì)于參數(shù)過(guò)多的對(duì)象,可自動(dòng)忽略非關(guān)鍵因素;④具有在線學(xué)習(xí)能力,可自動(dòng)適應(yīng)對(duì)象特性的變化。因此，ANN建模適用于除了一般設(shè)備如空氣處理設(shè)備、冷凍機(jī)組等，還可以適用于空調(diào)負(fù)荷模型、能耗模型。
　　使用線性回歸或?qū)＜蚁到y(tǒng)亦可建立模型,但在大量現(xiàn)場(chǎng)實(shí)測(cè)的基礎(chǔ)上進(jìn)行多元線性回歸需要大量的計(jì)算與時(shí)間,另外還需要考慮各變量之間的關(guān)系。專(zhuān)家系統(tǒng)則是根據(jù)規(guī)則數(shù)據(jù)庫(kù)推理可能的問(wèn)題及原因,它的核心——規(guī)則,是針對(duì)特定建筑的,當(dāng)建筑物內(nèi)部使用狀況改變時(shí),性能將大大下降。而改動(dòng)對(duì)于大多商業(yè)建筑來(lái)說(shuō)是普遍的。ANN的學(xué)習(xí)能力則使它能適應(yīng)新設(shè)備或大樓內(nèi)部變動(dòng),部分?jǐn)?shù)據(jù)丟失或錯(cuò)誤時(shí)仍能給出較合理的結(jié)果。ANN也有其缺陷,比如其知識(shí)隱性分布于網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)上,難以理解,有時(shí)ANN會(huì)如同人腦一樣表現(xiàn)出隨機(jī)性與不確定性。由于專(zhuān)家系統(tǒng)類(lèi)似人的左半腦,具有某種理性,而ANN具有類(lèi)似人右半腦的直覺(jué)與經(jīng)驗(yàn),因而最佳的預(yù)測(cè)、管理方案應(yīng)是專(zhuān)家系統(tǒng)與ANN的集成。
　　五、系統(tǒng)優(yōu)化
　　對(duì)于非線性的系統(tǒng)級(jí)復(fù)雜對(duì)象,利用ANN對(duì)輸入輸出關(guān)系的識(shí)別可實(shí)現(xiàn)系統(tǒng)級(jí)優(yōu)化,如決定整幢建筑物的溫度設(shè)定值、設(shè)備啟停時(shí)間等。比如對(duì)于辦公樓建筑(適用于夏季冷負(fù)荷),夜晚或周末無(wú)人時(shí)將溫度設(shè)定值提高以節(jié)省能源,在上班前再降低溫度設(shè)定值以滿足人員的舒適要求。降溫過(guò)早會(huì)浪費(fèi)能源,滯后又會(huì)影響人的舒適感,因此需要控制器決定最佳的降溫時(shí)間。
　　利用ANN的能耗模型可進(jìn)行能耗優(yōu)化。能耗模型的其它輸入不變,將受控變量輸入都改為1,修改那些受控變量權(quán)值使得能耗模型輸出為最小,再將相應(yīng)權(quán)值變化成實(shí)際變量即可得最優(yōu)的受控變量值。受控變量可以是冷凍水溫度的設(shè)定值、送風(fēng)溫度設(shè)定值,一般建筑采用固定設(shè)定值或溫度重置控制的方法,冷凍水溫、送風(fēng)溫度設(shè)定值若固定不變,負(fù)荷高峰出現(xiàn)時(shí),較高的冷凍水溫會(huì)造成無(wú)法滿足負(fù)荷,低負(fù)荷時(shí),雖然通過(guò)VAV末端調(diào)節(jié)能滿足負(fù)荷,冷凍機(jī)組工況卻會(huì)出現(xiàn)振蕩現(xiàn)象。溫度重置控制則是根據(jù)負(fù)荷調(diào)節(jié)冷凍水溫、送風(fēng)溫度的設(shè)定值,早上冷凍水水溫、送風(fēng)溫度設(shè)定值較高,下午則降低。雖然這種控制方式能滿足全部負(fù)荷范圍內(nèi)的需要,但能耗比固定設(shè)定值方式還要多,早上偏高的設(shè)定值在下午要突然降下來(lái),要求冷凍機(jī)組工作加劇,會(huì)消耗大量能源。
　　另外溫度重置控制一般總是要求VAV末端風(fēng)門(mén)、冷凍水泵工作在90%負(fù)荷,亦會(huì)造成能耗偏高。ANN優(yōu)化控制中,冷凍水溫度比固定設(shè)定值與溫度重置方式設(shè)得都要低,且僅在小范圍內(nèi)變動(dòng),送風(fēng)溫度則根據(jù)情況而定。降低冷凍水設(shè)定溫度的節(jié)能效果是明顯的,這使得水泵與風(fēng)機(jī)處于低速運(yùn)行,并能更長(zhǎng)時(shí)期的保持冷凍機(jī)組工況。ANN得出這個(gè)結(jié)論說(shuō)明了它可類(lèi)似人腦來(lái)完成對(duì)溫度/能耗之間關(guān)系的識(shí)別并恰當(dāng)?shù)剡M(jìn)行優(yōu)化。
　　六、總結(jié)及未來(lái)展望
　　隨著現(xiàn)代社會(huì)經(jīng)濟(jì)不斷發(fā)展，空調(diào)系統(tǒng)快速普及，各種節(jié)能方法不斷開(kāi)發(fā)利用，由于HVAC系統(tǒng)是一個(gè)包含了環(huán)境、建筑、機(jī)電、控制各領(lǐng)域的綜合系統(tǒng),用類(lèi)似人類(lèi)智能的技術(shù)來(lái)管理、協(xié)調(diào)各因素將更好地滿足人們對(duì)HVAC系統(tǒng)節(jié)能、健康、方便、智能化等各方面的需求。它與模糊理論、專(zhuān)家系統(tǒng)等人工智能技術(shù)還可實(shí)現(xiàn)互補(bǔ),在環(huán)境舒適控制、決策控制、故障診斷上進(jìn)一步發(fā)揮作用，ANN的先進(jìn)性與優(yōu)越性是明顯的，具有廣闊的發(fā)展前景。
　　
　　參考文獻(xiàn)：
　　[1]施鴻寶.神經(jīng)網(wǎng)絡(luò)及其應(yīng)用.西安:西安交通大學(xué)出版社,1993.
　　[2]譚良才.空調(diào)負(fù)荷的神經(jīng)計(jì)算法.暖通空調(diào),1997,27(5):71-75.
　　[3]武建勛.空調(diào)建筑統(tǒng)計(jì)能耗模型探討.暖通空調(diào),1996,26(6):13-16.
　　[4]鄧廣發(fā),陳麗萍.蓄冷空調(diào)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制研究.通風(fēng)除塵,1998，(1):11-13.
　　[5]CurtissPS,JFKreider,MJBrandemuehl.Adaptivecontrolof
　　HVACprocessesusingpredictiveneuralnetworks.ASHRAETrans,1993,99(PartI):496-504.
　　[6]HeXiangdong,AsadaHH.Anewfeedbacklinearizationapproachtoadvancedcontrolofmulti2unitHVACsystems[C]∥AmericanControlConference,2003