基于动态矩阵控制算法的窗户控制方法技术

本发明专利技术提供的一种基于动态矩阵控制算法的窗户控制方法，包括步骤S1:建立可控对象和不可控对象的模型；S2：建立动态矩阵A和动态矩阵B；S3:获得wP(k)；S4:获得k时刻的输入的不可控增量Δv(k)；S5:获得w

【技术实现步骤摘要】
基于动态矩阵控制算法的窗户控制方法
本专利技术涉及窗户控制领域，具体涉及一种基于动态矩阵控制算法的窗户控制方法。
技术介绍
随着人们对生活要求的提高以及智能化家居概念的普及，智能家居越来越深入人们的生活，室内环境舒适性也成为了人们所关注的对象，人们生活的繁忙需要智能化的辅助使得生活质量不会下降反而提高，实现窗户的自动化管理，比如设定合适的时间开启窗户通风换气，在突降大雨或空气AQI指数提高时关闭窗户隔绝污染，无人在家时依然根据空气质量参数实现窗户的自动开关就显得尤为重要。目前，对窗户的智能控制，主要是人工远程控制窗户的开户，或根据实时的环境条件，对窗户进行实时开关，还没有一种能够结合对空气质量参数、室内外温湿度预测分析来提前控制窗户开关，从而调节室内控制质量和温度的窗户控制方法。因此，需要提出一种基于动态矩阵控制算法的窗户控制方法。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于动态矩阵控制算法的窗户控制方法，建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的反馈调节的室内环境参数的预测控制模型，相对于传统的控制方法只能在室内环境已经达到不舒服的状态下才进行控制，并且需要人为参与控制，不适于无人预先控制的使用情况，对室内环境条件的预先判定，能够对窗户的开度进行预先控制，方便智能，可自适应控制。本专利技术提供一种基于动态矩阵控制算法的窗户控制方法，包括步骤S1:建立可控对象和不可控对象的模型，具体如下：通过在室内设置感应模块，获取可控对象的阶跃响应的数据，所述实时的可控对象的阶跃响应的采样值的表达式为ai＝a(it)，i＝1,2，…,N(1)通过与气象局数据库联网，获取不可控对象的阶跃响应的数据，所述实时的不可控对象的阶跃响应的采样值的表达式为bi＝b(it)，i＝1,2，…,N(2)其中，ai表示可控对象第i时刻的阶跃响应的数据，bi表示不可控对象第i时刻的阶跃响应的数据，N为动态矩阵控制算法的建模时域，t为采样周期；根据(1)式，建立可控对象的模型向量a：a＝[a1,a2,…,aN]T(3)根据(2)式，建立可控对象的模型向量b：b＝[b1,b2,…,bN]T(4)S2：利用(3)式建立可控对象的动态矩阵A，利用(4)式建立不可控对象的动态矩阵B所述A的表达式为其中，A为P×M阶的动态矩阵，ai表示可控对象第i时刻的阶跃响应的数据，P为动态矩阵控制算法的优化时域，M为动态矩阵控制算的控制时域，M<P<N；所述B的表达式为其中，B为P×P阶的动态矩阵，bi为不可控对象第i时刻的阶跃响应数据；S3:获得k时刻的初始期望向量wP(k)；其中，k时刻为本方法的初始启动时刻；S4:获得k时刻的输入的不可控增量Δv(k)：Δv(k)＝v(k)-v(k-1)(7)其中，v(k)为k时刻的不可控对象值，v(k-1)为k-1时刻的不可控对象值；S5:获得新的期望向量w*P(k)：w*P(k)＝wP(k)-BΔvP(k)(8)其中，P为动态矩阵控制算法的优化时域；S6:获得k时刻的输入的可控增量Δu(k)：Δu(k)＝dT[w*P(k)-y'P0(k)](9)其中，dT表示控制系数向量，上标T为转置符号；y'P0(k)表示k时刻的预测初始响应向量，y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k)分别表示k时刻对k+1、k+2、…、k+P时刻的初始预测值；P为动态矩阵控制算法的优化时域，N为动态矩阵控制算法的建模时域，M<P<N，M为动态矩阵控制算的控制时域；S7:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1)，具体如下：首先得到k时刻的加入控制增量Δu(k)和不可控增量Δv(k)后的模型预测值y'N1(k)，具体如下：y'N1(k)＝y'N0(k)+aΔu(k)+bΔv(k)(10)其中，y'1(k+1|k)、y'1(k+2|k)、…、y'1(k+N|k)分别表示可控对象在k时刻对k+1、k+2、…、k+N时刻加入控制增量Δu(k)和不可控增量Δv(k)的模型预测值；y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)分别表示k时刻对k+1、k+2、…、k+N时刻的初始预测值，Δu(k)为k时刻的输入的控制增量，Δv(k)为k时刻的输入的不可控增量；接着得到k+1时刻的模型预测误差值e(k+1)：e(k+1)＝y(k+1)-y'1(k+1|k)(11)其中，y(k+1)表示k+1时刻的实际输出值；然后得到k+1时刻的模型输出的修正值y*(k+1)：y*(k+1)＝y'N1(k)+He(k+1)(12)其中，y*(k+1|k+1)、y*(k+2|k+1)、…、y*(k+N|k+1)分别表示可控对象在k+1时刻对第k+1、k+2、…、k+N时刻模型的修正值；H为由权系数组成的N维校正向量。最后得到得k+1时刻的模型预测初始响应向量y'N0(k+1)和k+1时刻的预测初始响应向量y'P0(k+1)：y'N0(k+1)＝Sy*(k+1)(13)其中，S为N×N阶的状态转移矩阵；所述y'P0(k+1)为包含有y'N0(k+1)前P项元素的向量。S8:获得可控对象在M个连续的控制增量Δu(k)、Δu(k+1)、…、Δu(k+M-1)和在P个连续的不可控增量Δv(k)、Δv(k+1)、…、Δv(k+P-1)下的预测输出值y'PM(k+1)：y'PM(k)＝y'P0(k)+AΔuM(k)+BΔvP(k)(14)其中，y'P0(k)表示k时刻的预测初始响应向量，y'M(k+1|k)、y'M(k+2|k)、…、y'M(k+P|k)为k时刻对k+1、k+2、…、k+P时刻的模型预测输出值；S9：判断y'PM(k)是否在标准输出值范围内，若不在，则控制窗户开度增大；若在，不对窗户开度进行调整；S10：在下一时刻，依照步骤S3至S9继续求解新的y'PM(k+1)的值并根据y'PM(k+1)的值对窗户开度进行控制，依次循环。进一步，步骤S6中，所述dT的计算公式为dT＝cT(ATQA+R)-1ATQ(15)其中，cT为M维行向量，cT＝[1，0，…，0]，在(15)式中cT表示对(ATQA+R)-1ATQ取第一行第一列的数值；Q为误差加权矩阵，Q＝diag(q1,q2,…，qP)，diag表示对角函数矩阵，q1,q2,…，qP为误差加权矩阵的参数值；R为控制加权矩阵,R＝diag(r1,r2,…，rM)，r1,r2,…，rM为控制加权矩阵的参数。进一步，所述可控对象包括室内温度、室内湿度和室内空气质量参数；所述不可控对象包括室外温度、室外湿度和室外空气质量参数。进一步，所述不可控对象值通过与气象局数据库联网获得；所述可控对象值通过在室内设置感应模块采集获得。进一步，步骤S7中，所述S的表达式为进一步，所述步骤S3中所述初始期望向量wP(k)的表达式为：wP(k)＝[w(k+1)，w(k+2)，…，w(k+P)]T(17)其中，w(k+1)，w(k+2)，…，w(k+P)分别表示第k+1、k+2、…、k+P时刻的初始期望值，上标T表示转置符号。本专利技术的有益效果：本专利技术通过建立室外环境参数的前馈控制和室内环境参数结合室外环境参数的本文档来自技高网...

【技术保护点】
1.一种基于动态矩阵控制算法的窗户控制方法，其特征在于：包括步骤S1:建立可控对象和不可控对象的模型，具体如下：通过在室内设置感应模块，获取可控对象的阶跃响应的数据，所述实时的可控对象的阶跃响应的采样值的表达式为ai＝a(it)，i＝1,2，…,N  (1)通过与气象局数据库联网，获取不可控对象的阶跃响应的数据，所述实时的不可控对象的阶跃响应的采样值的表达式为bi＝b(it)，i＝1,2，…,N  (2)其中，ai表示可控对象第i时刻的阶跃响应的数据，bi表示不可控对象第i时刻的阶跃响应的数据，N为动态矩阵控制算法的建模时域，t为采样周期；根据(1)式，建立可控对象的模型向量a：a＝[a1,a2,…,aN]T  (3)根据(2)式，建立可控对象的模型向量b：b＝[b1,b2,…,bN]T  (4)S2：利用(3)式建立可控对象的动态矩阵A，利用(4)式建立不可控对象的动态矩阵B：所述A的表达式为

【技术特征摘要】
1.一种基于动态矩阵控制算法的窗户控制方法，其特征在于：包括步骤S1:建立可控对象和不可控对象的模型，具体如下：通过在室内设置感应模块，获取可控对象的阶跃响应的数据，所述实时的可控对象的阶跃响应的采样值的表达式为ai＝a(it)，i＝1,2，…,N(1)通过与气象局数据库联网，获取不可控对象的阶跃响应的数据，所述实时的不可控对象的阶跃响应的采样值的表达式为bi＝b(it)，i＝1,2，…,N(2)其中，ai表示可控对象第i时刻的阶跃响应的数据，bi表示不可控对象第i时刻的阶跃响应的数据，N为动态矩阵控制算法的建模时域，t为采样周期；根据(1)式，建立可控对象的模型向量a：a＝[a1,a2,…,aN]T(3)根据(2)式，建立可控对象的模型向量b：b＝[b1,b2,…,bN]T(4)S2：利用(3)式建立可控对象的动态矩阵A，利用(4)式建立不可控对象的动态矩阵B：所述A的表达式为其中，A为P×M阶的动态矩阵，ai表示可控对象第i时刻的阶跃响应的数据，P为动态矩阵控制算法的优化时域，M为动态矩阵控制算的控制时域，M<P<N；所述B的表达式为其中，B为P×P阶的动态矩阵，bi为不可控对象第i时刻的阶跃响应数据；S3:获得k时刻的初始期望向量wP(k)；其中，k时刻为本方法的初始启动时刻；S4:获得k时刻的输入的不可控增量Δv(k)：Δv(k)＝v(k)-v(k-1)(7)其中，v(k)为k时刻的不可控对象值，v(k-1)为k-1时刻的不可控对象值；S5:获得新的期望向量w*P(k)：w*P(k)＝wP(k)-BΔvP(k)(8)其中，P为动态矩阵控制算法的优化时域；S6:获得k时刻的输入的可控增量Δu(k)：Δu(k)＝dT[w*P(k)-y'P0(k)](9)其中，dT表示控制系数向量，上标T为转置符号；y'P0(k)表示k时刻的预测初始响应向量，y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+P|k)分别表示k时刻对k+1、k+2、…、k+P时刻的初始预测值；P为动态矩阵控制算法的优化时域，N为动态矩阵控制算法的建模时域，M<P<N，M为动态矩阵控制算的控制时域；S7:获得可控对象k+1时刻的模型预测初始响应向量y'N0(k+1)，具体如下：首先得到k时刻的加入控制增量Δu(k)和不可控增量Δv(k)后的模型预测值y'N1(k)，具体如下：y'N1(k)＝y'N0(k)+aΔu(k)+bΔv(k)(10)其中，y'1(k+1|k)、y'1(k+2|k)、…、y'1(k+N|k)分别表示可控对象在k时刻对k+1、k+2、…、k+N时刻加入控制增量Δu(k)和不可控增量Δv(k)的模型预测值；y'0(k+1|k)、y'0(k+2|k)、…、y'0(k+N|k)分别表示k时刻对k+1、k+2、…、k+N时刻的初始预测值，Δu(k)为k时刻的输入的控制增量，Δv(k)为k时刻的输入的不可控增量；接着得到k+1时刻的模型预测误差值e(k+1)：e(k+1)＝...

【专利技术属性】
技术研发人员：张甫仁，陈冠廷，张远艳，夏文艳，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：重庆,50