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 ]