基于RBF神经网络的PID控制在变风量空调系统中的应用

基于RBF神经网络的PID控制在变风量空调系统中的应用瞿睿;李界家
【摘要】The RBF neural network in PID control was introduced,a three-layer neural network model was established,the online identification of RBF neural network to online adjust three parameters of PID control was used to improve the control effect of this system.The simulation results showed that compared PID control based on RBF neural network with traditional PID control,the former has stronger robustness and adaptive ability,high control precision,better and reliable control effect and other advantages.%将RBF神经网络引入PID控制中,建立了一个三层神经网络模型。

通过RBF神经网络的在线辨识对PID控制的三个参数进行在线调整,从而改善系统的控制效果。

仿真结果表明：基于RBF神经网络的PID控制与传统PID控制相比,具有较强的鲁棒性和自适应能力,控制精度高,效果好,安全可靠。

【期刊名称】《现代建筑电气》
【年(卷),期】2012(000)002
【总页数】4页(P10-13)
【关键词】变风量空调系统;RBF神经网络;PID控制
【作者】瞿睿;李界家
【作者单位】沈阳建筑大学信息与控制工程学院,辽宁沈阳110168;沈阳建筑大学信息与控制工程学院,辽宁沈阳110168
【正文语种】中文
【中图分类】TU855
0 引言
变风量空调(Variable Air Volume，VAV)系统是一种节能效果显著的全空气系统。

变风量空调系统通过设定固定的送风温度，根据室内空调的负荷变化情况或室内参数要求的变化，自动调节送风量。

变风量空调凭借着灵活性高、节能性强等优点，已成为当今智能建筑领域的核心研究对象。

在工业控制领域中，传统的PID控制具有结构简单、易于实现、鲁棒性强等特点，但对比具有非线性、不确定性和时变性的变风量空调系统，传统的PID控制参数
整定繁琐，适应性差。

因此，本文提出一种将RBF神经网络与传统的PID控制相
结合的控制方法，利用RBF网络的自适应性在线调整PID参数。

该智能PID控制器具有自适应能力强、控制精度高等优点，能满足变风量空调系统的调节需求。

1 变风量空调系统的工作原理
完整的变风量空调系统由1个集中空气处理设备、1个中等压力送风系统、若干台末端装置和必要的自动控制元件组成。

典型的VAV系统工作原理图如图1所示。

图1 典型的VAV系统工作原理图
变风量空调系统以房间的温度波动作为控制量，通过末端装置来调节送风量，以满足人们的需求。

变风量空调温度控制框图如图2所示。

图2 变风量空调温度控制框图
该控制回路中温度传感器把检测到的房间实际温度和设定温度相比较。

VAV控制
器则根据设定值调节风阀，改变送风量，将房间温度控制在设定范围内。

2 基于RBF神经网络的PID控制器
2.1 RBF 神经网络
RBF神经网络即径向基神经网络(Radial Basis Function Neural Network，RBFN)，是具有单隐含层的三层前馈网络，其结构如图3所示。

图3 RBF神经网络结构图
由于它模拟了人脑中局部调整、相互覆盖接受域的神经网络结构，因此，RBF神
经网络是一种局部逼近网络，它能以任意精度逼近任一连续函数。

可见，RBF神
经网络具有收敛速度快、学习速度快等优点，在复杂的非线性和不确定性系统的控制方面控制效果良好，得到了广泛的应用。

RBF的输出层yi一般满足:
式中:x∈Rn——输入矢量;
φk(·)——R+到 R 的函数;
‖·‖2——Euclidean 范数;
wik——第k个隐含层单元到第i个输出单元的权值，N是隐含层的神经元个数;
ck∈Rn——输入向量空间的径向基函数中心。

取RBF神经网络的隐层节点函数的高斯函数，则
参数σk控制径向基函数的宽度，通常表示为增长参数。

2.2 引入RBF神经网络的PID控制
本文采用RBF神经网络与PID控制相结合的控制方法。

传统的PID控制对非线性、不确定性较强的系统达不到理想的控制效果。

神经网络控制能通过自学习辨识出系统的结构参数，在控制中利用实时逼近理想的输入、输出特性的方法来实现对系统的控制。

RBF神经网络与其他神经网络控制方法相比，学习速度更快，逼近能力
更强。

因此，本文将RBF神经网络引入PID控制中，该控制系统结构如图4所示。

图4 基于RBF神经网络的PID控制系统结构图
RBF神经网络辨识器通过被控对象的输入、输出数据辨识出被控对象的模型，PID 控制器的3个参数则是通过RBF神经网络在线辨识得到的梯度信息对其实现自整定，从而适应系统参数的变化，改善系统的控制品质。

PID控制器采用增量式算法对变风量空调的末端装置进行控制。

PID控制器采用增量式算法表示为
由式(3)得
控制误差为
定义误差的性能指标为
kp、ki、kd在线整定采用梯度下降法，整理得η1、η2、η3分别为比、积分、微分系数的学习速率，其中可由RBF神经网络辨识得到。

本文所研究的变风量空调系统是一个单输出系统，令
定义该网络的性能指标函数为
根据梯度下降法得到输出权值，径向基函数中心，径向基函数宽度的迭代算法为
其中:
由RBF辨识器得
3 仿真
由于空调房间内的各项参数均受到室外温度、室内设备、照明、人员热量流动等因素的影响，整个空调房间是一个复杂的热力系统。

因此，难以用一个确切的数学模型来描述。

把整个空调房间看成一个单容对象，忽略其他物体的蓄热量和空气流动，把房间内的温度看成是均匀分布的。

假设空调房间的传递函数为
令 T1=12，T2=5，k=18，τ=12 ，则
采样时间 t=20 s，当输入为阶跃信号，即rin=25.0时，基于RBF神经网络的PID控制与传统PID控制效果对比如图5所示。

图5 控制效果对比图
4 结语
仿真结果表明，引入RBF神经网络的PID控制与传统PID控制相比，有较小的振荡幅度，更短的振荡时间，更强的自适应能力，更高的控制精度和更好的鲁棒性，并且更能满足控制系统的实时性要求。

因此，将其应用于变风量空调控制系统会达到更好的控制效果，大大改善其稳态和动态的性能，满足了人们的需求。

参考文献
【相关文献】
［1］韦巍，何衍.智能控制基础［M］.北京:清华大学出版社，2008.
［2］刘金琨.先进PID控制及MATLAB仿真［M］.2版，北京:电子工业出版社，2004.
［3］徐丽娜.神经网络控制［M］.3版.北京:电子工业出版社，2009.
［4］蔡敬琅.变风量空调设计［M］.2版.北京:中国建筑工业出版社，2007.
［5］陈书谦，张丽红.BP神经网络在PID控制器参数整定中的应用［J］.计算机仿真，2010，27(10):171-174.
［6］林嘉宇，刘萤.RBF神经网络的梯度下降法中的学习步长优化［J］.信号处理，2009，
18(1):43-48.
［7］ WHITEHEAD B A.Genetic evolution of radial basis function coverage using orthogonal niches［J］.IEEE Trans Neural Networks，1996，7(6):869-880.
［8］张雅，向虎，郭芳瑞，等.RBF网络模型参考自适应控制在温度控制中的仿真研究［J］.系统仿真学报，2008，20(2):429-432.。