摘要：文章通過對中央空調自動控制系統的控制原理、方法進行了分析，重點對人工神經元網絡做了闡述，提出空調系統的優化控制方法，根據中央空調系統的技術發展及未來發展需求，展望了空調系統控制技術的發展趨勢。
　　關鍵詞：中央空調，系統控制，優化，人工神經元網絡
　　中央空調設備通常只有在額定的條件下運行的效率最高，而另一方面，空調系統由于風、水、制冷劑、負荷點及控制參數等等各方面的因素，往往并不能達到最佳的運行效果，如何進行優化設計及控制解決上述等等問題是擺在設計工作人員面前的課題。
　　一、控制系統的基本構成
　　目前使用的空調系統基本上都是采用集散控制模式和模塊化結構，通常由中央控制器、現場控制器及末端設備三個主要部分組成。中央控制器能對主要設備及系統的運行狀態和參數進行監測，顯示、記錄和遠程設定啟停遠程控制，又能通過系統下面連接著的直接數字控制器來控制現場設備，接收空調設備上的各種傳感器和檢測器發出的數據，按控制器內部預先設置的參數和控制程序進行響應運算。操作平臺宜采用實時圖形監控操作軟件，可圖形化顯示或打印各種信息來觀察當前或以前所監控的各種空調設備運行狀態及數據，并采用標準的TCP/IP協議，具有開放性數據庫，能滿足集中監控的需要并同時與系統規模相適應。
　　二、優化控制方法
　　空調系統運行要想達到節能的效果，優化控制系統也是其重要的關鍵環節，現在許多研究設計人員在其性能優化控制方面,利用人工神經網絡來模擬空調系統中各個設備的非線性特性，實現對整個系統的優化控制。也有一些研究人員采用智能優化方法，重點關注變工況的在線優化控制。現在就一些研究方法及人工神經元網絡做個分析探討。
　　1、應用多目標遺傳算法進行溫度的優化設定,獲得最佳能量利用效率和令人舒適的溫度。
　　2、建立簡單精確的空氣處理單元工程模型的方法。該方法基于能量平衡和換熱原理,通過非線性規劃和最小二乘法來估測模型的三個參數。該方法具有魯棒性,是一種在整個工作范圍內和實際性能更加匹配的方案。
　　3、最小焓值估計方法。把熱舒適度水平的定義和焓熱值理論綜合運用到一個負載預測軟件中,以尋求一個合適的溫度和與之相匹配的濕度,以使空調控制系統在最小焓值估計的輔助下進行控制。
　　4、采用非線性、多輸入、多輸出暖通空調系統的控制器,引入狀態反饋和擾動線性反饋方法到擾動解耦和非線性系統的線性化之中。采用這種方法能使可測量的擾動(溫度和濕度)負載都可以被補償,還可以自適應負荷的快速變化并且沒有偏差。仿真結果顯示根據這種方法設計的控制器具有高擾動解耦能力和很好的跟蹤特性。
　　5、采用實時的暖通空調系統的設備應該對有效的實體進行實時熱環境控制的觀點。該設備由一組為熱存儲服務的冷熱空氣循環回路和由回路供給的冷熱氣流構成。可以通過控制流量來獲得定點溫度和流速。該系統應用了串級控制算法和增益表。結果表明,控制器可以在2～3s內使溫度和流速逼近設定點。
　　三、基于人工神經元網絡算法的控制應用
　　人工神經元網絡簡稱ANN(artificialneuralnetwork)，是大量簡單的處理單元廣泛連接而成的復雜網絡,用于模仿人類大腦神經網絡結構和行為。ANN具有學習、記憶、歸納功能,類似于人的右半腦直覺思維,ANN的結構見圖1。
　　
　　圖1ANN的結構
　　人工神經元網絡由輸入層、隱層、輸出層組成,通常隱層可有一個或多個層。人工神經元網絡的每層有多個神經元,兩個神經元之間的連接附有一數值Wj1-kn作為權值。單個神經元結構如圖2,作為基本運算單元,它是一個多輸入、單輸出的非線性單元,可以有一個內部反饋信號Si和閥值θi。輸入輸出的計算公式為:
　　Yi=F(nΣj=1ΣWjiXj+Si)
　　
　　圖2單個神經元結構
　　Xj為來自上層節點的輸入,Yi為輸出,F為特性函數,又稱為限幅函數,作用是將可能的無限域變換到一定的有限范圍內輸出,ANN中多個神經元按層排列,層間不同的連接方式會帶來不同的網絡特性。ANN的學習能力與人腦類似,要實現某種功能前就必須進行訓練。其實質是找出一定的權值使得對于一組給定的輸入產生令人滿意的輸出。調節加權值所遵循的規則就是訓練算法。每一個訓練范例在網中經過兩遍傳遞計算,一遍向前傳播計算,從輸入層開始,傳遞各層并經過處理后,產生一個輸出,并得到一個該實際輸出和所需輸出之差的差錯矢量;一遍向后傳播計算,從輸出層至輸入層,利用差錯矢量對權值進行逐層修改,最終使該網絡在樣本集上的誤差平方和最小或達到要求。對于HVAC系統來說,BP是一種較適合的算法,簡單易用,尤其它的各種改進算法能良好地滿足需要。從控制角度來說,一個3層的ANN模型就可任意逼近任意非線性系統,且它有黑箱建模的優點,適用于復雜非線性對象的建模。另外它的并行計算過程類似于人腦的直覺,速度很快,可以實現實時控制。以下從控制、建模、優化3個方面介紹ANN在HVAC系統中的應用。
　　建筑物內空調大多數為舒適性空調,控制精度要求不高(±1℃),所以大多數控制是PID控制,但某些場合下PID仍會有較大偏差,如在變風量控制中,各參數的較大隨機變化會影響設備的時間常數,PID的積分時間、微分時間、增益寬是固定的,不能對環境的變化作出反應,所以它的控制性能將不可避免地下降。
　　以圖3VAV系統中的加熱盤管為例,由于風量、水溫、水流量都可能有較大變化,需要閥門控制器能快速適應環境變化以保持出風溫度在設定值。
　　
　　圖3加熱盤管圖4ANN仿真模型的輸入與輸出
　　ANN控制器一般基于ANN模型,加熱盤管的模型用人工神經網絡構造,結構如圖4。采用BP算法構造模型,人工神經網絡輸入為執行器歷史狀態、過程歷史狀態與進風溫度、風速、水溫、水流等輔助輸入。輸出為系統狀態,即出風溫度。利用一系列覆蓋全操作范圍的盤管操作狀態與實際出風溫度組成訓練范例集,在Curtiss的實驗中BP網絡模型被證明是相當準確的。
　　利用ANN可建立自適應預測控制器、前饋控制器、復合控制器或其它控制器,它們都依靠ANN所建立的模型來得到對象特性,如自適應控制器實質上由兩個ANN組成,一個是預測器,另一個是控制器,結構如圖5。
　　
　　圖5自適應預測控制器
　　預測器由多個仿真模型E組成,知道執行器歷史狀況、過程歷史狀況、進風溫度、熱水溫度與流速后,每個E即可預測出一個采樣周期后的系統狀態,預測出在n個采樣周期后的系統狀態,將它與設定值之間的誤差反向傳給控制器來修改控制器輸出。
　　前饋控制器的控制主要來自前饋模塊,它是一個經過訓練的、可識別對象特性的模型,根據當前環境直接給出控制信號,而反饋回路只是用來處理較小的穩態誤差。ANN還可以同PID控制結合使用,如果因為訓練不足而導致ANN無法識別對象時,可考慮切換使用PID控制,同時對ANN進行在線訓練。
　　四、ANN建模
　　建模時選擇合適的輸入非常重要,要保證有足夠的影響輸出的相關輸入，這些輸入是較普遍的,可得到大量訓練數據。輸出選擇我們所關心的變量即可,ANN的網絡結構、算法調整可根據需要而定,而后代入大量數據訓練得出模型。對于復雜設備或整個系統,由于機理復雜、變量眾多,難以建立機理模型,而ANN在建模上的優勢有:①黑箱建模,無需知道對象的內部信息,甚至輸入變量之間的關系;②對于非線性系統的良好模擬性;③對于參數過多的對象,可自動忽略非關鍵因素;④具有在線學習能力,可自動適應對象特性的變化。因此，ANN建模適用于除了一般設備如空氣處理設備、冷凍機組等，還可以適用于空調負荷模型、能耗模型。
　　使用線性回歸或專家系統亦可建立模型,但在大量現場實測的基礎上進行多元線性回歸需要大量的計算與時間,另外還需要考慮各變量之間的關系。專家系統則是根據規則數據庫推理可能的問題及原因,它的核心——規則,是針對特定建筑的,當建筑物內部使用狀況改變時,性能將大大下降。而改動對于大多商業建筑來說是普遍的。ANN的學習能力則使它能適應新設備或大樓內部變動,部分數據丟失或錯誤時仍能給出較合理的結果。ANN也有其缺陷,比如其知識隱性分布于網絡內部結構上,難以理解,有時ANN會如同人腦一樣表現出隨機性與不確定性。由于專家系統類似人的左半腦,具有某種理性,而ANN具有類似人右半腦的直覺與經驗,因而最佳的預測、管理方案應是專家系統與ANN的集成。
　　五、系統優化
　　對于非線性的系統級復雜對象,利用ANN對輸入輸出關系的識別可實現系統級優化,如決定整幢建筑物的溫度設定值、設備啟停時間等。比如對于辦公樓建筑(適用于夏季冷負荷),夜晚或周末無人時將溫度設定值提高以節省能源,在上班前再降低溫度設定值以滿足人員的舒適要求。降溫過早會浪費能源,滯后又會影響人的舒適感,因此需要控制器決定最佳的降溫時間。
　　利用ANN的能耗模型可進行能耗優化。能耗模型的其它輸入不變,將受控變量輸入都改為1,修改那些受控變量權值使得能耗模型輸出為最小,再將相應權值變化成實際變量即可得最優的受控變量值。受控變量可以是冷凍水溫度的設定值、送風溫度設定值,一般建筑采用固定設定值或溫度重置控制的方法,冷凍水溫、送風溫度設定值若固定不變,負荷高峰出現時,較高的冷凍水溫會造成無法滿足負荷,低負荷時,雖然通過VAV末端調節能滿足負荷,冷凍機組工況卻會出現振蕩現象。溫度重置控制則是根據負荷調節冷凍水溫、送風溫度的設定值,早上冷凍水水溫、送風溫度設定值較高,下午則降低。雖然這種控制方式能滿足全部負荷范圍內的需要,但能耗比固定設定值方式還要多,早上偏高的設定值在下午要突然降下來,要求冷凍機組工作加劇,會消耗大量能源。
　　另外溫度重置控制一般總是要求VAV末端風門、冷凍水泵工作在90%負荷,亦會造成能耗偏高。ANN優化控制中,冷凍水溫度比固定設定值與溫度重置方式設得都要低,且僅在小范圍內變動,送風溫度則根據情況而定。降低冷凍水設定溫度的節能效果是明顯的,這使得水泵與風機處于低速運行,并能更長時期的保持冷凍機組工況。ANN得出這個結論說明了它可類似人腦來完成對溫度/能耗之間關系的識別并恰當地進行優化。
　　六、總結及未來展望
　　隨著現代社會經濟不斷發展，空調系統快速普及，各種節能方法不斷開發利用，由于HVAC系統是一個包含了環境、建筑、機電、控制各領域的綜合系統,用類似人類智能的技術來管理、協調各因素將更好地滿足人們對HVAC系統節能、健康、方便、智能化等各方面的需求。它與模糊理論、專家系統等人工智能技術還可實現互補,在環境舒適控制、決策控制、故障診斷上進一步發揮作用，ANN的先進性與優越性是明顯的，具有廣闊的發展前景。
　　
　　參考文獻：
　　[1]施鴻寶.神經網絡及其應用.西安:西安交通大學出版社,1993.
　　[2]譚良才.空調負荷的神經計算法.暖通空調,1997,27(5):71-75.
　　[3]武建勛.空調建筑統計能耗模型探討.暖通空調,1996,26(6):13-16.
　　[4]鄧廣發,陳麗萍.蓄冷空調的神經網絡預測控制研究.通風除塵,1998，(1):11-13.
　　[5]CurtissPS,JFKreider,MJBrandemuehl.Adaptivecontrolof
　　HVACprocessesusingpredictiveneuralnetworks.ASHRAETrans,1993,99(PartI):496-504.
　　[6]HeXiangdong,AsadaHH.Anewfeedbacklinearizationapproachtoadvancedcontrolofmulti2unitHVACsystems[C]∥AmericanControlConference,2003