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
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
蚓
Ⅲ』 ＝ Ｌ ＝
｜
ｆ ．
＼
｜ ｝
１
删
∑∈
其 中 ：ｉ ＝１ ， ２ ， …， ｒ ， 』 ＝１ ， ２ ， …， “
ｔ
采 样次数
第 四层 ： 实现模糊决策 。神经元 ｉ 的运行结果为 ：
｛ ｉ ： ３
其 中：ｗｆ ＝ｗ ｊ ０ ＋ｗ ｊ ｌ Ｘ ｘ ＋…＋ｗ ｊ ， ｘ ， 其 中 ：Ｊ＝ｌ ， ２ ， …， Ｍ 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 ：
科 技论 坛
・ ４ ５・
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 ． ～ ： 然后 在偏差信号 的反传过程 中固 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。 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 试 验条件 ： 室 内温度期望值 ２ ６ ℃， 送风 温度期望 值 ２ １ ℃， 采用 系 统的 误差 ｌ Ｅ （ ） ｌ ＝ ｌ 一 Ｙ ｌ 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 Ｍ ａ ｔ ｌ ａ ｂ对 Ｖ Ａ Ｖ系统 ｆ ， ， 、 １ 的送风温度和 回风温度进行 仿真研究 。 乞 ＝ ｅ ｘ ｐ ｌ － ∑ ｉ 三 ｎ ） 一 ｍ ａ ｘ （ ｔ ） ， 仿真结果如 图 ４所示 。 ～ ； ～ ． 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 ３ ０ ％， 在 ３ ０分钟左 右的时刻 ， 温度下 降到 ２ ６ ％附近 ， 在 ５ ０分 钟 左右 的时刻 ， 温度 以稳定在 ２ ６ ℃附近 。稳态误差小于 ０ ． ５ ％。 ①当 ｌ ￡ （ ｎ ） ｌ ＞ ， 且∈ （ ｎ ） ≥ ０ ． １ ３ ５ ４ 这两个条件同时成 立时， 第二 由仿真 图 ５可 以看出 ， 空调房 间初始送风温度 为 ２ ５ ℃， 在３ ０分 层神经元个数增加一个 。程序进入到参数 整合阶段。 钟左右 的时刻 ， 温度下降到 ２ １ ℃附近 ， 在 ７ ０分钟后稳定 在 ２ １ ℃附 ②当 ｌ Ｅ （ ｎ ） １ ＞５与 ｄ ｎ ） ＜ ｏ ． １ ３ ５ ４同时满足， 第一步， 增加宽度 ， 假
・
４ ４・
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 ７ ３ ０ ０ ７ ０ ）
摘 要： 针 对变风量空调 （ ＶＡ Ｖ） 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 Ｖ Ａ Ｖ 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
神 经 元ｊ 的 运 行 结 果 是： ： ｅ ｘ ｏ ｌ 一
ｊ 智 ２ 『
二 』 ｌ
来自百度文库
图 ３ 正 一逆 模 型 结构 辨识 图
ｊ
其 中： ｉ ＝１ ， ２ ， …， ｒ ， ＝１ ， ２ ， …， Ｕ 第三层 ： 实现标准化层 。在这一层 ， 神经元 ｊ 的运行结果为 ：
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（ Ｖ ａ ｉ ｒ ａ ｂ ｌ ｅ Ａ ｉ ｒ Ｖ ｏ ｌ ｕ ｍｅ ） 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。然而 ， Ｖ Ａ Ｖ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 。 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 Ｖ Ａ Ｖ系统特点 ，本文将预测控制和变结构模 糊神经网 络联系起来 １ ５ ］ ， 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 Ｖ Ａ Ｖ系统 的预测模型。系统性能指标 ： 温度偏差 。
一
２
图 １ 变结构模糊神经网络原理 图
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
图 ４送风温度 随时 间变化 曲线
｝ ｜
…
、
… …
｜ ｜
｜
、 ： ＼一
当训练数据有 ｎ 对 时 ，下式表明 了网络的整体 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（ １ ９ ８ ７ 一 ） ， 男， 汉族 ， 甘 肃省 兰州市人 ， 兰州交通 大学 ２ ０ １ ０级硕士研 究生 ， 研究方向 ： 控制理论与控制工程 。
１ 变 结构 模 糊 神 经 网 络 的 原理 变结构模糊神经网络 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
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 个高斯隶属 函数宽度 ； ｆ ， 、 ２ ］
Ⅲ』 ＝ Ｌ ＝
｜
ｆ ．
＼
｜ ｝
１
删
∑∈
其 中 ：ｉ ＝１ ， ２ ， …， ｒ ， 』 ＝１ ， ２ ， …， “
ｔ
采 样次数
第 四层 ： 实现模糊决策 。神经元 ｉ 的运行结果为 ：
｛ ｉ ： ３
其 中：ｗｆ ＝ｗ ｊ ０ ＋ｗ ｊ ｌ Ｘ ｘ ＋…＋ｗ ｊ ， ｘ ， 其 中 ：Ｊ＝ｌ ， ２ ， …， Ｍ 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 ：
科 技论 坛
・ ４ ５・
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 ． ～ ： 然后 在偏差信号 的反传过程 中固 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。 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 试 验条件 ： 室 内温度期望值 ２ ６ ℃， 送风 温度期望 值 ２ １ ℃， 采用 系 统的 误差 ｌ Ｅ （ ） ｌ ＝ ｌ 一 Ｙ ｌ 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 Ｍ ａ ｔ ｌ ａ ｂ对 Ｖ Ａ Ｖ系统 ｆ ， ， 、 １ 的送风温度和 回风温度进行 仿真研究 。 乞 ＝ ｅ ｘ ｐ ｌ － ∑ ｉ 三 ｎ ） 一 ｍ ａ ｘ （ ｔ ） ， 仿真结果如 图 ４所示 。 ～ ； ～ ． 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 ３ ０ ％， 在 ３ ０分钟左 右的时刻 ， 温度下 降到 ２ ６ ％附近 ， 在 ５ ０分 钟 左右 的时刻 ， 温度 以稳定在 ２ ６ ℃附近 。稳态误差小于 ０ ． ５ ％。 ①当 ｌ ￡ （ ｎ ） ｌ ＞ ， 且∈ （ ｎ ） ≥ ０ ． １ ３ ５ ４ 这两个条件同时成 立时， 第二 由仿真 图 ５可 以看出 ， 空调房 间初始送风温度 为 ２ ５ ℃， 在３ ０分 层神经元个数增加一个 。程序进入到参数 整合阶段。 钟左右 的时刻 ， 温度下降到 ２ １ ℃附近 ， 在 ７ ０分钟后稳定 在 ２ １ ℃附 ②当 ｌ Ｅ （ ｎ ） １ ＞５与 ｄ ｎ ） ＜ ｏ ． １ ３ ５ ４同时满足， 第一步， 增加宽度 ， 假
・
４ ４・
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 ７ ３ ０ ０ ７ ０ ）
摘 要： 针 对变风量空调 （ ＶＡ Ｖ） 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 Ｖ Ａ Ｖ 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
神 经 元ｊ 的 运 行 结 果 是： ： ｅ ｘ ｏ ｌ 一
ｊ 智 ２ 『
二 』 ｌ
来自百度文库
图 ３ 正 一逆 模 型 结构 辨识 图
ｊ
其 中： ｉ ＝１ ， ２ ， …， ｒ ， ＝１ ， ２ ， …， Ｕ 第三层 ： 实现标准化层 。在这一层 ， 神经元 ｊ 的运行结果为 ：
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（ Ｖ ａ ｉ ｒ ａ ｂ ｌ ｅ Ａ ｉ ｒ Ｖ ｏ ｌ ｕ ｍｅ ） 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。然而 ， Ｖ Ａ Ｖ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 。 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 Ｖ Ａ Ｖ系统特点 ，本文将预测控制和变结构模 糊神经网 络联系起来 １ ５ ］ ， 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 Ｖ Ａ Ｖ系统 的预测模型。系统性能指标 ： 温度偏差 。
一
２
图 １ 变结构模糊神经网络原理 图
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
图 ４送风温度 随时 间变化 曲线
｝ ｜
…
、
… …
｜ ｜
｜
、 ： ＼一
当训练数据有 ｎ 对 时 ，下式表明 了网络的整体 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（ １ ９ ８ ７ 一 ） ， 男， 汉族 ， 甘 肃省 兰州市人 ， 兰州交通 大学 ２ ０ １ ０级硕士研 究生 ， 研究方向 ： 控制理论与控制工程 。
１ 变 结构 模 糊 神 经 网 络 的 原理 变结构模糊神经网络 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
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 个高斯隶属 函数宽度 ； ｆ ， 、 ２ ］