神经网络优化PID控制器的暖通控制系统

王敏
摘 要: PID控制器对暖通控制系统的性能起着十分关键的作用,暖通控制系统具有非平稳性、时变性,导致传统PID控制器无法获得高精度的暖通控制效果。为了解决传统控制方法存在的缺陷,以提高暖通控制精度为目标,提出基于神经网络优化PID控制器的暖通控制系统。分析暖通控制系统的工作原理,建立PID控制器的数学模型,通过神经网络对暖通控制系统的PID控制参数进行优化,不断调整控制误差,保证暖通控制效果,在Matlab平台下进行暖通控制系统的测试。结果表明,该系统获得比其他暖通控制系统更高的控制精度,而且在最短时间使系统达到平稳状态,减少了系统的调整时间,改善了暖通控制系统的工作效率,具有较高的实际应用价值。
关键词: 暖通控制系统; PID控制器; 神经网络; 仿真平台; 控制精度
中图分类号: TN876?34; TP273 文献标识码: A 文章编号: 1004?373X(2017)23?0137?03
Abstract: The PID controller plays a key role in the performance of HVAC control system. The HVAC control system has non?stationary and time?varying performance, which causes that the traditional PID controller can′t obtain the high?precision HVAC control effect. In order to eliminate the shortcomings of the traditional control methods and improve the control accuracy of HVAC, a HVAC control system based on neural network optimizing PID controller is proposed. The working principle of HVAC control system is analyzed to establish the mathematical model of PID controller. The PID control parameters of HVAC control system are optimized with neural network. The control error is continually adjusted to ensure the control effect of HVAC. The HVAC control system was tested on Matlab platform. The test results show that the system has higher control precision in comparison with other HVAC control system, can achieve the steady state in the shortest time, reduce the adjustment time of the system and improve the working efficiency of the HVAC control system, which has high practical application value.
Keywords: HVAC control system; PID controller; neural network; simulation platform; control accuracy
0 引 言
隨着我国经济的不断发展,暖通控制系统在各领域得到广泛的应用[1]。在实际应用中,暖通控制系统受到外界环境的影响,具有超调量大,非平稳性等变化特点,为此采用PID控制器对其进行调节[2?3]。虽然PID控制器的结构十分简单、易操作、可靠性高,但控制效果与其参数合理选择密切相关,如果参数选择不合理,将无法保证暖通控制系统的控制效果[4?6]。
为了得到合理的PID控制参数,许多学者投入了大量的时间对其进行分析,提出了许多PID控制参数优化方法,从而改善了暖通控制系统的工作性能[7]。最原始的暖通控制系统的PID控制器参数优化通过一些专家来实现,专家们根据自己对暖通控制系统的工作原理和调度经验设置PID控制器参数,其工作过程十分简单,但是由于暖通控制系统的种类很多,而专家的相关知识有限,使得设置的PID控制器参数具有一定的主观性,优化结果具有盲目性,有时理论控制效果与实际相差很远[8]。然后有学者提出基于Z?N法和单纯形法的暖通控制系统PID参数优化方法,相对于经验法,参数设置结果更加合理,然而它们也存在各自的不足,如通用性差、无法适应暖通控制系统的非平稳性,调整时间比较长。再加上暖通控制系统的时变性,不能够设计最优的数学模型,给暖通控制系统的PID控制器参数优化带来困难[9?10]。近些年,神经网络得到了不断发展,由于它们具有比较好的学习能力,为PID控制器参数在线优化提供了一种新的研究工具[10?11]。
为了解决传统控制方法存在的缺陷,以提高暖通控制精度为目标,提出基于神经网络优化PID控制器的暖通控制系统。首先建立PID控制器的数学模型,然后通过神经网络对暖通控制系统的PID控制参数进行优化,不断调整控制误差,保证暖通控制效果,最后在Matlab平台下进行暖通控制系统的测试。结果表明,该系统获得比其他暖通控制系统更高的控制精度,而且在最短时间内使系统达到平稳状态,减少了系统的调整时间,改善了暖通控制系统的工作效率,具有较高的实际应用价值。
1 暖通控制系统的数学模型
3 神经网络优化PID控制器
3.1 BP神经网络
采用BP神经网络对PID控制器的参数进行估计和调整优化,那么BP神经网络的输出为暖通控制系统PID控制器的3个参数,其结构如图1所示。
3.2 神经网络的PID控制器
基于BP神经网络的PID控制器结构见图2,控制系统包括:
(1) PID控制器,其对暖通系统进行直接控制。
(2) BP神经网络对PID控制器的参数[Kp,Ki,Kd]进行在线整定,以保证暖通控制系统的最优工作性能。
基于BP神经网络的PID控制器优化步骤为:
Step1:根据暖通控制系统的PID控制器优化神经网络结构。
Step2:对暖通控制系统的[r(k)]和[q(k)]进行采样,并且得到[e(k)=r(k)-q(k)]。
Step3:将[e(i),][r(i),][q(i)]和[u(i-1),][i=k,k-1,…,k-p]作为神经网络的输入。
Step4:神经网络的输出为参数[Kp,Ki,Kd。]
Step5:计算PID控制器的控制输出[u(k),]并计算误差。
Step6:如果暖通控制系统的控制误差满足实际应用要求,就终止优化,否则继续进行优化操作。
Step7:对各层的权系数[vlj(k),][wji(k)]进行调整。
Step8:迭代次数增加,返回Step3。
4 实验结果与分析
为了分析本文暖通控制系统的性能,在Matlab 2014平台下进行仿真实验,并选择经典的PID控制器优化方法、Z?N法、单纯法进行对比实验,采用控制精度、超调量、调整时间进行性能评价,结果如表1所示。
从表1的暖通控制系统的综合性能测试结果可以看出:
(1) Z?N法的暖通控制系统的控制精度最低,暖通控制系统的超调量最大,调整时间最长,无法满足暖通控制系统的应用要求。
(2) 单纯法的暖通控制系统的控制精度得到一定的提高,但是控制误差要大于10%,超过实际应用的范围,这是因为单纯法受到参数的初始值影响很大,当参数设置不合理时,控制效果急剧变差,而且调整时间变长,抗干扰能力较差。
(3) 在所有控制方法中,神经网络优化PID控制器的暖通控制效果最佳,控制精度达到95%,控制误差小于10%,而且系统的调整时间短,超调量比较小,表示本文方法可以保证暖通控制系统的工作状态达到稳定,抗干扰能力强,鲁棒性好。
5 结 语
为了提高暖通控制的工作性能,针对当前控制方法存在的局限性,提出神经网络优化PID控制器的暖通控制系统,利用神经网络的非线性学习能力对暖通控制系统的PID控制器进行优化,根据误差不断调整PID参数的值,以保证暖通控制系统的工作性能达到最佳,最后与其他方法进行对比仿真实验,结果表明,本文控制系统的暖通控制效果佳,大幅度减少了暖通控制系统的误差,而且暖通控制系统在较短时间内达到稳定工作状态,对外界干扰具有较强的鲁棒性,是一种精度、效率高的暖通控制系统。
参考文献
[1] 曲宴良,阮红坤,芶大斌.大空间暖通控制系统简述[J].数字技术与应用,2004,45(3):2405?2415.
[2] 王伟,张晶涛,柴天佑.PID参数先进整定方法综述[J].自动化学报,2000,26(3):347?355.
[3] ZAHEER M, TUDOROIU N. Neuro?PID tracking control of a discharge air temperature system [J]. Energy conversion and management, 2004, 45(3): 2405?2415.
[4] YI J Q, WANG Q, ZHAO D B. BP neural network prediction?based variable?period sampling approach for networked control systems [J]. Applied mathematics and computation, 2007, 185(2): 976?988.
[5] 吴宏鑫,沈少萍.PID控制的应用与理论依据[J].控制工程,2003,10(1):37?42.
[6] 何福忠,孙优贤.基于稳定参数空间的PID调节器遗传优化设计[J].控制与决策,2000,15(4):507?509.
[7] 郭庆鼎,李蒙,郭威.PID 控制器参数的遗传算法优化设计[J].沈阳工业大学学报,2000,22(1):31?33.
[8] 杨世勇,徐国林.模糊控制与PID控制的对比及其复合控制[J].自动化技术与应用,2011,30(11):21?25.
[9] 龙晓林,苏义鑫.基于PID神经网络的控制器研究[J].武汉理工大学学报(信息与管理工程版),2002,24(5):32?35.
[10] 王旭光,孙衙.基于RBF辨识的单神经元PID调速器设计[J].自动化技术与应用,2008,27(6):57?60.
[11] 王彦,刘宏立,杨珂.LMBP神经网络PID控制器在暖通空调系统中的应用研究[J].湖南大学学报(自然科学版),2010,37(3):49?52.