变结构模糊神经网络预测控制在变风量空调系统中的应用

《变结构模糊神经网络预测控制在变风量空调系统中的应用》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、·44·科技论坛变结构模糊神经网络预测控制在变风量空调系统中的应用董金奎胡彦奎(兰州交通大学自动化与电气工程学院，甘肃兰州730070)摘要：针对变风量空调(VAV)系统具有大时滞、高度非线性和输入量多的特点，提出了变结构模糊神经网络预测优化控制算法，采用正一逆模糊神经网络建立VAV系统的预测模型，通过混合学习算法对变结构模糊神经网络的前、后件参数进行辨识，并对该系统进行仿真研究，达到了较好的控制效果。关键词：变结构；模糊神经网络；变风量；预测控制变风量空调(VariableAirVolume)系统与定风量空调系统相比在节约能源和提高效率方面有很大的优势

2、。然而，VAV系统也有很多难点]。比如末端机组的控制，整体系统的控制。而且，由于是非线性系统的特性非常突出，控制起来就更加的困难。2因此，在文献【2】中介绍了一些先进的控制算法，对变风量空调的控制研究取得了较好效果。考虑到VAV系统特点，本文将预测控制和变结构模糊神经网图1变结构模糊神经网络原理图络联系起来15]，提出了变结构模糊神经网络预测控制算法。采用高斯函数作为模糊隶属度函数，通过修正构成优化算法确定模糊神经网络的结构，以T—S模型为原型，采用正一逆模糊神经网络建立VAV系统的预测模型。系统性能指标：温度偏差。1变结构模糊神经网络的原理变结构模糊神

3、经网络的结构如图1。全部网络的学习速度和初始化任务通过变结构模糊神经网络来实现。图1说明了变结构的模糊神经网络的结构。五层前向的神经网络构成变结构模糊神经网络。第一层：输入层。输入变量的个数由节点数决定，他们之间是一一对应的。图2网络中第二层神经元的结构图第二层：模糊条件层。一方面，完成了变量隶属度函数的输入，另一方面，模糊控制规则又得以匹配。节点的输出是模糊条件值。每个高斯函数的参数待定，高斯函数为：叶f、2]j其中：i=1，2，⋯，r，一1，2，⋯，“g是的第j个隶属度函数；是的第i个高斯隶属函数的中心；u是神经元个数；r是输入向量维数；是的第i个高

4、斯隶属函数宽度；f，、2]神经元j的运行结果是：：exol一二』l图3正一逆模型结构辨识图j智2『j其中：i=1，2，⋯，r，=1，2，⋯，U

5、第三层：实现标准化层。在这一层，神经元j的运行结果为：f．＼蚓

6、Ⅲ』=L=删}∑∈1其中：i=1，2，⋯，r，』=1，2，⋯，“t第四层：实现模糊决策。神经元i的运行结果为：采样次数{i：3图4送风温度随时间变化曲线其中：wf=wj0+wjlXx+⋯+wj,x,其中：J=l，2，⋯，M}

7、第五层：完成去模糊化。输出变量的个数与节点数对应，最终运⋯、行的结果为：⋯⋯

8、

9、

10、、：＼一当训练数据有n对时，下式表明了网络的

11、整体的非线性的关系：Y：w皿图5回风温度随时间变化曲线作者简介：董金奎(1987一)，男，汉族，甘肃省兰州市人，兰州交通大学2010级硕士研究生，研究方向：控制理论与控制工程。科技论坛·45·本文将采用混合学习算法对变结构模糊神经网络的前、后件参．．数进行辨识。高斯隶属度函数的中心值和宽度值属于非线性参数，y-。采用共轭梯度算法进行辨识。用递推最小二乘算法来辨识连接权函；数系数。这样，就能大幅提升网络的学习速率。这种混合学习算法分为两步。第一步，如果要得到线性参数的估计，就采用最小二乘法，～；～～然而首先一定要固定非线性参数的值的信号向前传递。第二步，调

12、这种．～变结构：模糊神经网络的第二层特点很优秀，如图2，既能整非线性参数的值用共轭梯度法。然后在偏差信号的反传过程中固够实现了隶属度函数的输入，特别强调的是还能够实现了模糊隶属定线性参数的值。最终获得所要的非线性函数关系。一；一～度的加成。节点增加算法：4仿真分析系统的误差lE()l=l一Yl试验条件：室内温度期望值26℃，送风温度期望值21℃，采用其中：d为期望输出，Y为实际输出。变结构模糊神经网络预测优化控制算法，通过Matlab对VAV系统．f，，、1的送风温度和回风温度进行仿真研究。乞=expl-∑i三n)一max(t)，仿真结果如图4所示。～；

13、～．l。1=1，2，⋯，采样间隔为3分钟，由仿真图4可以看出，空调房问初始温度增加节点算法具体如下：为30％，在30分钟左右的时刻，温度下降到26％附近，在50分钟①当l￡(n)l>，且∈(n)≥0．1354这两个条件同时成立时，第二左右的时刻，温度以稳定在26℃附近。稳态误差小于0．5％。层神经元个数增加一个。程序进入到参数整合阶段。由仿真图5可以看出，空调房间初始送风温度为25℃，在30分②当lE(n)1>5与dn)

14、(n)是第二层中神经元i个的运行结果，则根据下式增加直到∈(n)≥0．1354。