毕业论文范文——变频空调系统的神经网络PID控制研究.doc

1、变频空调系统的神经网络 PID控制研究摘要:本文针对变频控制空气调节系统，它具有的特性为大惯性和纯滞后。在可变频率的空调系统的神经网络 PID 控制引入和模拟。在神经网络 PID 控制器的学习算法，系统的输出是必要的调整神经网络的权重而这是很难获得的。这样系统的输出被预测通过非线性的，采用神经的算法网络配置。通过仿真和优化，这是发现神经网络 PID 控制具有的能力自学习和自适应。然而，神经网络 PID 控制系统有时也有静态误差。为了消除静态误差，神经网络 PID 混合控制和常规 PID 被施加到可变频率的空调系统。混合控制进行了仿真比较模型的参数改变的性能。仿真发现的神经网络 PID 和 PI

2、D 混合控制具有两个神经网络和 PID 的优点，如自学习和自适应，将获得更快的响应和更好性能。关键词：神经网络， PID 控制，预测，变频，空调系统一.引言目前，它是一家专注研究用智能控制到空气调节系统，这是有益的，不仅满足人体的舒适性，又节约能源。常规 PID 控制器有时不满足控制目的的对象，这是大惯量，延迟和非线性特性和不确定性干扰因素。为克服失败，有些人开始摸索的智能控制，适用于变频空调系统的控制。PID 参数的优化是提高在加热的 PID 控制的途径和方法，通风和空调（HVAC）系统。许多研究中涉及的参数优化，例如， 1 对 3 ，而优化的方法是不同的。在 1 的自适应学习算法，基于遗传

3、算法（ GA）的自整定 PID 控制器在空调系统达到最优性能介绍。神经元自适应 PID 控制器应用于单区空调系统及仿真结果表明，神经元 PID 控制输出第一次进入稳定带和抗干扰白噪声比 PID 控制更 2 。第七针对变风量（ VAV）空调系统设计了模糊 PID 控制器在 3 。从仿真结果可以看出，模糊 PID 控制器具有响应速度快，超调量小，精度高，稳定性强和自整定线的参数变化时。变频空调系统的研究主要是应用模糊控制算法，如 4 至 8 。在4的特性，如 ITAE ，性能系数（ COP）和控制精度的模糊已被较控制和传统 PI 控制的变频空调。模糊控制规则和隶属函数优化基于遗传算法（GA ）已经

4、完成的 5 。在文献 7 模糊自适应控制的引入和使用变频空调具有自适应性的质量对被控对象的更改的参数。在8的控制器结合 CMAC 神经网络和模糊逻辑控制并模拟了变频空调。此外，神经网络技术已经在暖通空调领域全面地应用于控制，能量管理，永世不得翻身，故障诊断，鉴定和优化等9。一些研究者关注的神经网络控制的变频空调制度。在文献 10 利用 BP 神经网络算法是优化变频空调。文献 11 开发了神经 PID 控制算法模块来模拟可变频率的空调系统，这表明神经 PID 控制策略比更强大常规 PID 控制。参考文献 12 模拟 3 控制器包括 PID 控制器，模糊控制器和在变频中央空调系统的神经网络控制器。

5、本文针对变频空调系统的控制，并引入神经的设计网 PID 控制器。通过仿真和优化，它被发现的神经网络 PID 控制有自学习和自适应能力。然而，本神经网络 PID控制系统有时也有静态错误。为了消除静态误差，神经的混合控制网络 PID 和常规 PID 是先进的可变频率的空调系统，它具有两个神经网络和 PID 的优点。二.网络 PID控制器A. 配置 Neural网络 PID控制系统神经网络 PID 控制是常规的 PID 控制和神经网络相结合，并把卓越的 PID和神经网络。的神经网络 PID 控制系统的结构组成的神经网络 PID 控制器和非线性预测模型（NNM）如图 1 所示。图 1.神经网络 PID

6、 控制系统在图 1 中，r 是设定输入，G（S）为控制对象， y 为实际输出，u 是控制变量，y 是 预测，NN 表示神经网络，NNM 站 对于神经网络模型来预测 y 和F 表该学习算法。该图 1 基于系统状态的神经网络和调整 PID 控制器的参数以获得一些性能指标的优化。当神经网络学习算法中的调整，这是可能的，输出的变化或者是用来计算控制值或调整神经网络的权值为 13 和 14 预测。但系统的预测输出，所以很难获得，通常的方法是模型的控制器对象和预测输出。因此，实际的输出可以相反的预测输出值计算控制或调整神经网络的权值。在图 1 NNM 是被控对象的预测模型和预测的输出 。yB.神经网络 P

7、ID控制器控制系统与神经网络的 PID 控制器构成图 1。现在，误差用表示，式中 r（k）为期望信号和 y（k）是植物的实际输出。()()ekryk在离散时间控制系统，PID 算法可以由下式给出：1212DKee（1）经过微分增益调整和优化。 方程（1）可以改写为如下： ,()()()1(2)pIDukfKekek（2）其中， 是一个非线性函数，是关于 的最佳控制规则可以被发现f,piD和过反向传播（BP）神经的培训和学习网络。图 1 中的神经网络模型可以用来调整 PID 控制器的增益自适应地采用 BP算法来测量 u（k）,y(k) 和 r(k)的数据。 BP 网络是一种多层网络，它由一个输入

8、层，一个输出层和非线性处理的几个隐藏层元素。在本文中，三层 BP 神经网络被用作图 2。图 2.置 BP 神经网络。其中有 M 个输入神经元，Q 隐藏神经元和三个输出 神经元。输入神经元可以是系统的状态，对于 例如不同时代的输入或输出，这应该是归一化为 15如果网络需要。 BP 神经网络的输出，分别为 PID 控制器的三个参数的调整。因为这三个参数 不能为负，输出层的神经元的激活函数是 S 型函数,piDK和不为负和激活功能隐层的神经元是 S 型函数，它是对称正极和负极。在图 2 神经网络的输入层的神经元的输出可表示为如下：(1)(),01,.,jkMoxejM(3)其中 o（1）是输出 OF

9、J 个神经元的输入层，所述数 输入层的神经元 M 个坐落在的复杂程度控制系统。在该方程中，上标符号（1） （2）和（3）分别是输入层，隐含层和输出层。隐含层的输入和输出可以表示为：(4)是第 i 个神经元的隐含层的输入， 是隐层的权值， 是阀门值，(2)inetk (2)ijw(2)iMw是激活函数为 =tanh（x） 。ff输出层的输入和输出可以表示为： (3)(3)20()()(3)01(3)2,01,.Qlliil lpIDnetkwokogetKk(5)是输出层的权值， 是阀门值， 是激活函数为(3)liw(3)iQw(3)iQlg(2)(2)10()()2,.1MiijjIiQnet

10、kwokofetQ。1tanh()/2gx通过使用基于梯度法的 BP 算法，以最小化性能指标函数 J 可以是表示如下：211()()k+2Jrkye（ ）（6）其中，J 是由最快的降序的意思是，这是搜索和调谐向负梯度，并添加一个惯性系数，使收敛速度更快修改的权值，并且：(3) (3)(3)1li liliJwkmawk（7）其中 m 代表学习的速度，一个是平滑系数。(8)(3)(3)(3) (3)(1)llli l ioknetJykuwtw在（8）中 是未知的，它可以被 替换，其中所用的非线性模()uk(1)yuk型或计算最小二乘法。这里 是被预测在神经网络中。(1)yuk在（1）中 的差异

11、可以表示为以下：(),PIDkK(9)(3)0()1(3)21,(),21)(2).ueokuekeo因此，输出层的 BP 神经网络的权值更新如下：(10)(3)(3)2(3)() (3)(3)1,(0,2.li lilil llwkmokawkyuegnet据以平均值像上面隐藏层的权值被更新如下：(11)(3)(2)1(2)(2)()(3)0,0,1.li liijllliwkmokawkfnetiQ这里：(12)2(),1/.gxgffC.非线性预测在可变频率的空调系统，受控对象是应该的非线性系统，该系统单输入单输出系统如下： ()(1),2,.(),1,(2),.()uykfyknukk

12、n（13 ）其中， 是时刻的输出和输入 和 是 的(),uyyfu和 ， u和顺序， 时非线性方程。f那里是一个三层神经网络模型（NNM 图 1） ，为预测模型具有 个nyu+1输入神经元，Q 隐层神经元和一个输出神经元。对非线性系统的预测而容易，激活函数输出层是线性函数而激活函数隐层的神经元仍然是 Sigmoid 函数。该预测计算的 BP 神经网络模型：让该层 的输入和输出是神u()yk和经网络模型的输入，并且将输入层：(1)() 0j1()yyuj yuyn nkjon （14）隐含层的输入和输出可以表示为：(2)(2)10()()2,1.yuni ijji iQetkwokofeti（1

13、5）是隐含层的权值， 是阀门值并且 = ， 是激活函数为(2)ijw(2)yumnw(2)yumnwlf=tanh（x） 。f并且输出层的输出可表示为下列内容：(3)20(1).Qiiykwok（16）是输出层的权值， 是阀门值并且 ，以及输出神经元是线性神经(3)i (3)Q(3)0Qw元。BP 神经网络模型的学习落后的：他使用 BP 学习算法修改权值和阈值，使目标函数的最小：21()(1).2yJky（17）权值修改如下：(3) (2)(3)(2)(3)()(2)1()1,. ,0,1.,.i iiijiiiijyuwkmykowkfnetokQj （18）其中，m 是学习的速度，一个是平

14、滑系数，两者是在（0,1） 。激活函数的导数，可以表示为：（19）2()1()/fxfx所以 可以被描述为：(1)yku(2)(2)(2)i=0(3)(2)()net() .yQiiiiimi okkktuwfne（20）D.算法程序通过神经网络 PID 控制的上述分析，BP 神经网络 PID 控制的计算程序即采用非线性预测模型可以概括如下：a）选择 BP 神经网络配置： diffine 输入神经元 M 和隐神经细胞 Q ，初始化各层的权重 ，并选择了学习速度米和平滑系数 a ，而且 k=1.(2)(3)ijijwo和b) 试样 和计算yrk和 ()().ekzrkyc) 标准化 ，这些参数是

15、 NN 的输入端。(),(1),1.,iuiip和d）根据上（3 ） （5）中，前向 BP 的计算神经网络，并进行了调谐的 PID参数 时， 分别输出。()pKk()kIDK和e）根据（ 1 ） ，计算出 并它是用来控制等计算研究。()uf) 根据（14 ）（16 ）中，前向计算 NNM 的神经网络进行与上述预测输出。()ykg) 根据（ 18） ，隐含层和输出层的权值被修改。h) 根据（20） ，计算出 。(1)ykui) 根据（10） ，输出层 的权值被修改。(3)liwk+1)()yu（ ）或 者 ，j) 根据（11） ，隐含层 的权值被修改。(2)ijkk) 当 时，返回步骤 （b）.

16、1k三.仿真A.模拟模型该系统由变频空调的房间，这是模拟的对象。基于 16 ，传递函数如下所示的房间温度和压缩机频率的关系，这是一阶惯性环节的延迟。 1().skHseT在仿真模型中，放大系数 K1 = 0.3CHz，特征时间 t = 19 世纪和延迟时间的 R = 120。这些设置反映纯滞后及空调系统的惯量特性。基于传递函数，神经网络 PID 控制与传统 PID 控制进行了仿真。B.仿真房间的初始温度为 0C 和设定温度为 20C.压缩机频率上限是图中样品的时间是 30 秒在 17 。通过仿真和优化，传统的 PID 参数 ，这也就是神50,.1,60PIDKK经网络的输出相应的收益。在模拟神

17、经网络 PID 三个输入神经元，八个隐藏神经元和三个输出神经元的学习， 的速度，平整度系数 a= 0.1，和初始权.3值的程度-0.5,0.5 。图三显示了神经网络 PID 和 PID 仿真结果。它是已知的，PID 控制器能获得更好的性能，通过优化和多个模拟系统。神经网络 PID 得到平滑的过渡，但存在静态误差。为了对比稳健性，对模型的参数进行变化。图四比较了当延迟时间增加 50%和的现象。研究发现，最后的 PID 控制在恒定幅度的振荡，而神经网络180PID 控制稳定顺畅，在静态误差仍然存在相同的时间。图五较了当时的现象，其结果与图四相似。图六比较了当白噪声添加到控制系统的现象。研究发现，神经网络 PID 控制噪声的性能优于 PID 控制，有利于压缩机运行平稳。图 3.神经网络 PID 控制和 PID 控制的神经模拟图 4.仿真时的延迟时间是 180s图 5.仿真时，放大系数为 0.36 摄氏度/赫兹