基于神经网络的变风量vav空调系统前馈解耦控制研究

《基于神经网络的变风量vav空调系统前馈解耦控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要从节能和提高室内环境品质角度来看，采取有效的空气调节方式具有重要的意义。而变风量(VariableAirVolume，ⅥW)空调系统就是以舒适性、节能性、灵活性而优于其它空调系统，逐渐成为空调系统的主流。但是，变风量(ⅥW)空调系统具有多变量、强耦合、非线性、时变的特点，因此它的控制、运行和管理都比定风量(ConstantAirVolume，CAV)系统难度大。这也是限制VAV系统更广泛应用的一个重要原因。本文以上海古北财富中心的VAV系统项目为工程背景，针对目前工程中普遍存在的变风量系统难以稳定

2、运行的现状，对VAV系统的耦合特性进行深入研究，并提出了基于神经网络解耦的VAV系统控制策略。本文首先从目前变风量空调系统常用的控制方式及原理出发，分析变风量空调系统的控制难点及各控制回路间的耦合特性。然后针对变JxL量系统正常运行的必要条件——稳定性进行研究。基于分解协调的策略把VAV系统分为机组部分和末端部分，并从机理分析的角度研究了系统各组成部分的工作原理，并采用实验测试法确定机组和末端部分的数学模型及参数。本文在传统多变量系统解耦方法的基础上提出了基于神经网络的多变量解耦控制策略，设计了BP神

3、经网络解耦器的结构及基于动量项的梯度下降学习算法，在解耦基础上进一步完成了神经元自适应PID控制器的设计，并利用传统PID控制算法的参数来确定控制器权值的初始值。经Matlab仿真试验证明，所提出的控制方案很好的完成了系统的解耦和控制任务，而且神经网络解耦器所需的对象模型信息少，能够在控制过程中通过学习完善控制规律，具有较强的解耦性和鲁棒性。另外，单神经元PID控制器具有学习算法简单、运算量小，工程实现容易的优势。最后，本文从工程实际出发，探讨了各类智能解耦控制算法工程实现的优劣，并根据工程实际设计了

4、一种基于C抖实现的神经网络解耦器，为智能控制算法的工程实现方式提供了一条切实可行的途径。关键词：变风量空调系统，多变量解耦控制，神经网络解耦，自适应PID，CAREABSTRACTFromtheviewpointofsavingenergyandimprovingthequalityoftheindoorenvironment，itisveryimportanttotakeeffectiveair-conditioningmeasures．VAVair-conditioningsystemhasgra

5、duallybecomemostpopularinChinaandabroadbecauseofitscomfort，energysavingpotentialandflexibility．However,sinceVAVsystemisstronglycoupled，nonlinearandtimevariant，itscontrol，performanceandmanagementaremoredifficultthanCAVsystem’S．Thisisanimportantreasonthat

6、limitstheVAVsystemforagreateruse．IntheengineeringbackgroundoftheVAVsystemofShanghaiGuBeiFortuneCenter,aimingatthepresentsituationthatVAVsystemishardtooperatestable，thecouplingcharacteristicsofVAVsystemisdeeplystudiedinthispaper,andthecontrolstrategyofVA

7、Vsystembasedonneuralnetworkdecouplingispresented．Firstly,thispaperanalyzesthecouplingrelationbetweenthecontrolloopsoftheVAVsytemindetails．Accordingtothefactthatithascouplinganddifficulttooperatestably,thispaperdividestheVAVsystemintoAHUpartandVAVBOXpart

8、basedonthecoordinationcontrolstrategy．Andalso，thepaperhaserectedamodelforthecontrolbymeansofexperiment．Secondly,themultiplevariablesdecoupingcontrolstrategybasedonneuralnetworkispresent，andthestructureandgradientdescentalgorithmw