中央空调系统的控制优化及展望

　　摘要：文章通过对中央空调自动控制系统的控制原理、方法进行了分析，重点对人工神经元网络做了阐述，提出空调系统的优化控制方法，根据中央空调系统的技术发展及未来发展需求，展望了空调系统控制技术的发展趋势。
　　关键词：中央空调，系统控制，优化，人工神经元网络
　　中央空调设备通常只有在额定的条件下运行的效率最高，而另一方面，空调系统由于风、水、制冷剂、负荷点及控制参数等等各方面的因素，往往并不能达到最佳的运行效果，如何进行优化设计及控制解决上述等等问题是摆在设计工作人员面前的课题。
　　一、控制系统的基本构成
　　目前使用的空调系统基本上都是采用集散控制模式和模块化结构，通常由中央控制器、现场控制器及末端设备三个主要部分组成。中央控制器能对主要设备及系统的运行状态和参数进行监测，显示、记录和远程设定启停远程控制，又能通过系统下面连接着的直接数字控制器来控制现场设备，接收空调设备上的各种传感器和检测器发出的数据，按控制器内部预先设置的参数和控制程序进行响应运算。操作平台宜采用实时图形监控操作软件，可图形化显示或打印各种信息来观察当前或以前所监控的各种空调设备运行状态及数据，并采用标准的TCP/IP协议，具有开放性数据库，能满足集中监控的需要并同时与系统规模相适应。
　　二、优化控制方法
　　空调系统运行要想达到节能的效果，优化控制系统也是其重要的关键环节，现在许多研究设计人员在其性能优化控制方面,利用人工神经网络来模拟空调系统中各个设备的非线性特性，实现对整个系统的优化控制。也有一些研究人员采用智能优化方法，重点关注变工况的在线优化控制。现在就一些研究方法及人工神经元网络做个分析探讨。
　　1、应用多目标遗传算法进行温度的优化设定,获得最佳能量利用效率和令人舒适的温度。
　　2、建立简单精确的空气处理单元工程模型的方法。该方法基于能量平衡和换热原理,通过非线性规划和最小二乘法来估测模型的三个参数。该方法具有鲁棒性,是一种在整个工作范围内和实际性能更加匹配的方案。
　　3、最小焓值估计方法。把热舒适度水平的定义和焓热值理论综合运用到一个负载预测软件中,以寻求一个合适的温度和与之相匹配的湿度,以使空调控制系统在最小焓值估计的辅助下进行控制。
　　4、采用非线性、多输入、多输出暖通空调系统的控制器,引入状态反馈和扰动线性反馈方法到扰动解耦和非线性系统的线性化之中。采用这种方法能使可测量的扰动(温度和湿度)负载都可以被补偿,还可以自适应负荷的快速变化并且没有偏差。仿真结果显示根据这种方法设计的控制器具有高扰动解耦能力和很好的跟踪特性。
　　5、采用实时的暖通空调系统的设备应该对有效的实体进行实时热环境控制的观点。该设备由一组为热存储服务的冷热空气循环回路和由回路供给的冷热气流构成。可以通过控制流量来获得定点温度和流速。该系统应用了串级控制算法和增益表。结果表明,控制器可以在2～3s内使温度和流速逼近设定点。
　　三、基于人工神经元网络算法的控制应用
　　人工神经元网络简称ANN(artificialneuralnetwork)，是大量简单的处理单元广泛连接而成的复杂网络,用于模仿人类大脑神经网络结构和行为。ANN具有学习、记忆、归纳功能,类似于人的右半脑直觉思维,ANN的结构见图1。
　　
　　图1ANN的结构
　　人工神经元网络由输入层、隐层、输出层组成,通常隐层可有一个或多个层。人工神经元网络的每层有多个神经元,两个神经元之间的连接附有一数值Wj1-kn作为权值。单个神经元结构如图2,作为基本运算单元,它是一个多输入、单输出的非线性单元,可以有一个内部反馈信号Si和阀值θi。输入输出的计算公式为:
　　Yi=F(nΣj=1ΣWjiXj+Si)
　　
　　图2单个神经元结构
　　Xj为来自上层节点的输入,Yi为输出,F为特性函数,又称为限幅函数,作用是将可能的无限域变换到一定的有限范围内输出,ANN中多个神经元按层排列,层间不同的连接方式会带来不同的网络特性。ANN的学习能力与人脑类似,要实现某种功能前就必须进行训练。其实质是找出一定的权值使得对于一组给定的输入产生令人满意的输出。调节加权值所遵循的规则就是训练算法。每一个训练范例在网中经过两遍传递计算,一遍向前传播计算,从输入层开始,传递各层并经过处理后,产生一个输出,并得到一个该实际输出和所需输出之差的差错矢量;一遍向后传播计算,从输出层至输入层,利用差错矢量对权值进行逐层修改,最终使该网络在样本集上的误差平方和最小或达到要求。对于HVAC系统来说,BP是一种较适合的算法,简单易用,尤其它的各种改进算法能良好地满足需要。从控制角度来说,一个3层的ANN模型就可任意逼近任意非线性系统,且它有黑箱建模的优点,适用于复杂非线性对象的建模。另外它的并行计算过程类似于人脑的直觉,速度很快,可以实现实时控制。以下从控制、建模、优化3个方面介绍ANN在HVAC系统中的应用。
　　建筑物内空调大多数为舒适性空调,控制精度要求不高(±1℃),所以大多数控制是PID控制,但某些场合下PID仍会有较大偏差,如在变风量控制中,各参数的较大随机变化会影响设备的时间常数,PID的积分时间、微分时间、增益宽是固定的,不能对环境的变化作出反应,所以它的控制性能将不可避免地下降。
　　以图3VAV系统中的加热盘管为例,由于风量、水温、水流量都可能有较大变化,需要阀门控制器能快速适应环境变化以保持出风温度在设定值。
　　
　　图3加热盘管图4ANN仿真模型的输入与输出
　　ANN控制器一般基于ANN模型,加热盘管的模型用人工神经网络构造,结构如图4。采用BP算法构造模型,人工神经网络输入为执行器历史状态、过程历史状态与进风温度、风速、水温、水流等辅助输入。输出为系统状态,即出风温度。利用一系列覆盖全操作范围的盘管操作状态与实际出风温度组成训练范例集,在Curtiss的实验中BP网络模型被证明是相当准确的。
　　利用ANN可建立自适应预测控制器、前馈控制器、复合控制器或其它控制器,它们都依靠ANN所建立的模型来得到对象特性,如自适应控制器实质上由两个ANN组成,一个是预测器,另一个是控制器,结构如图5。
　　
　　图5自适应预测控制器
　　预测器由多个仿真模型E组成,知道执行器历史状况、过程历史状况、进风温度、热水温度与流速后,每个E即可预测出一个采样周期后的系统状态,预测出在n个采样周期后的系统状态,将它与设定值之间的误差反向传给控制器来修改控制器输出。
　　前馈控制器的控制主要来自前馈模块,它是一个经过训练的、可识别对象特性的模型,根据当前环境直接给出控制信号,而反馈回路只是用来处理较小的稳态误差。ANN还可以同PID控制结合使用,如果因为训练不足而导致ANN无法识别对象时,可考虑切换使用PID控制,同时对ANN进行在线训练。
　　四、ANN建模
　　建模时选择合适的输入非常重要,要保证有足够的影响输出的相关输入，这些输入是较普遍的,可得到大量训练数据。输出选择我们所关心的变量即可,ANN的网络结构、算法调整可根据需要而定,而后代入大量数据训练得出模型。对于复杂设备或整个系统,由于机理复杂、变量众多,难以建立机理模型,而ANN在建模上的优势有:①黑箱建模,无需知道对象的内部信息,甚至输入变量之间的关系;②对于非线性系统的良好模拟性;③对于参数过多的对象,可自动忽略非关键因素;④具有在线学习能力,可自动适应对象特性的变化。因此，ANN建模适用于除了一般设备如空气处理设备、冷冻机组等，还可以适用于空调负荷模型、能耗模型。
　　使用线性回归或专家系统亦可建立模型,但在大量现场实测的基础上进行多元线性回归需要大量的计算与时间,另外还需要考虑各变量之间的关系。专家系统则是根据规则数据库推理可能的问题及原因,它的核心——规则,是针对特定建筑的,当建筑物内部使用状况改变时,性能将大大下降。而改动对于大多商业建筑来说是普遍的。ANN的学习能力则使它能适应新设备或大楼内部变动,部分数据丢失或错误时仍能给出较合理的结果。ANN也有其缺陷,比如其知识隐性分布于网络内部结构上,难以理解,有时ANN会如同人脑一样表现出随机性与不确定性。由于专家系统类似人的左半脑,具有某种理性,而ANN具有类似人右半脑的直觉与经验,因而最佳的预测、管理方案应是专家系统与ANN的集成。
　　五、系统优化
　　对于非线性的系统级复杂对象,利用ANN对输入输出关系的识别可实现系统级优化,如决定整幢建筑物的温度设定值、设备启停时间等。比如对于办公楼建筑(适用于夏季冷负荷),夜晚或周末无人时将温度设定值提高以节省能源,在上班前再降低温度设定值以满足人员的舒适要求。降温过早会浪费能源,滞后又会影响人的舒适感,因此需要控制器决定最佳的降温时间。
　　利用ANN的能耗模型可进行能耗优化。能耗模型的其它输入不变,将受控变量输入都改为1,修改那些受控变量权值使得能耗模型输出为最小,再将相应权值变化成实际变量即可得最优的受控变量值。受控变量可以是冷冻水温度的设定值、送风温度设定值,一般建筑采用固定设定值或温度重置控制的方法,冷冻水温、送风温度设定值若固定不变,负荷高峰出现时,较高的冷冻水温会造成无法满足负荷,低负荷时,虽然通过VAV末端调节能满足负荷,冷冻机组工况却会出现振荡现象。温度重置控制则是根据负荷调节冷冻水温、送风温度的设定值,早上冷冻水水温、送风温度设定值较高,下午则降低。虽然这种控制方式能满足全部负荷范围内的需要,但能耗比固定设定值方式还要多,早上偏高的设定值在下午要突然降下来,要求冷冻机组工作加剧,会消耗大量能源。
　　另外温度重置控制一般总是要求VAV末端风门、冷冻水泵工作在90%负荷,亦会造成能耗偏高。ANN优化控制中,冷冻水温度比固定设定值与温度重置方式设得都要低,且仅在小范围内变动,送风温度则根据情况而定。降低冷冻水设定温度的节能效果是明显的,这使得水泵与风机处于低速运行,并能更长时期的保持冷冻机组工况。ANN得出这个结论说明了它可类似人脑来完成对温度/能耗之间关系的识别并恰当地进行优化。
　　六、总结及未来展望
　　随着现代社会经济不断发展，空调系统快速普及，各种节能方法不断开发利用，由于HVAC系统是一个包含了环境、建筑、机电、控制各领域的综合系统,用类似人类智能的技术来管理、协调各因素将更好地满足人们对HVAC系统节能、健康、方便、智能化等各方面的需求。它与模糊理论、专家系统等人工智能技术还可实现互补,在环境舒适控制、决策控制、故障诊断上进一步发挥作用，ANN的先进性与优越性是明显的，具有广阔的发展前景。
　　
　　参考文献：
　　[1]施鸿宝.神经网络及其应用.西安:西安交通大学出版社,1993.
　　[2]谭良才.空调负荷的神经计算法.暖通空调,1997,27(5):71-75.
　　[3]武建勋.空调建筑统计能耗模型探讨.暖通空调,1996,26(6):13-16.
　　[4]邓广发,陈丽萍.蓄冷空调的神经网络预测控制研究.通风除尘,1998，(1):11-13.
　　[5]CurtissPS,JFKreider,MJBrandemuehl.Adaptivecontrolof
　　HVACprocessesusingpredictiveneuralnetworks.ASHRAETrans,1993,99(PartI):496-504.
　　[6]HeXiangdong,AsadaHH.Anewfeedbacklinearizationapproachtoadvancedcontrolofmulti2unitHVACsystems[C]∥AmericanControlConference,2003