本发明专利技术涉及一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，包括：根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；建立系统的在线神经网络辨识模型；根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值；建立神经网络控制器；膨胀阀控制回路完成对蒸发器过热度的控制。本发明专利技术计算简单，参数少，易实现，控制效果较好。
【技术实现步骤摘要】
基于SPSA的制冷系统最小能耗的数据驱动控制方法所属
本专利技术涉及一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，属于空调系统优化控制领域。
技术介绍
目前，我国的制冷设备所消耗的电能占到全国总耗电量的6％～7％，而制冷机是其中耗能最大的部分，在中央空调系统中约占系统能耗一半的比例。空调制冷系统的负荷会随着室外气象参数的变化而变化，而现有的制冷设备，一般都将最佳效率点设定在额定容量输出上，这就导致实际运行过程中的制冷机组会长时间处于部分负荷状态，运行效率不高，制冷设备经常运行在低于额定容量的状态，就会浪费大量的能源[1]。因此，在我国，降低制冷设备的能耗可以作为缓解能源紧张的一个重要途径[2]。制冷机作为空调器系统的核心部分，占有很大的能量消耗比例，因此，制冷系统控制方法是整个空调系统运行的关键，提高制冷机组部分负荷的运行效率，实现变工况条件下机组运行的优化控制，是制冷行业亟待解决的一个重要问题。人们对于节能概念的理解，在制冷技术发展的不同阶段是有所不同的。截止到八十年代初，系统的优化设计一直是制冷系统节能研究的重点，即通过压缩机、换热器等部件效率的提高及系统的优化来提高机组的能效比。近年来，随着研究的深入，研究人员逐渐认识到在非标准工况下进行最优控制也同样可以作为降低能耗的一种重要手段。因此，制冷系统节能主要包括系统的优化设计和优化控制两个重要方面。但就目前而已，制冷系统的优化设计已经比较成熟，而优化控制方面则相对落后。制冷系统中压缩机的特性、热交换器的传热效率、参数的状态等容易受到干扰而发生变化。目前在实际应用中，仍大多采用PID及其改进算法来进行控制器的设计。虽然大部分系统能够在PID控制下达到稳定运行，但当被控对象含有时滞耦合等复杂的非线性环节时，就不能取得满意的控制效果。单体设备中，电子膨胀阀对蒸发器过热度的控制以及压缩机对于制冷量的调节大部分仍是通过PID控制实现的。采用PID一般能够较好地实现压缩机对制冷量的稳定控制，但由于蒸发器过热度容易受到负荷、运行工况等条件变化的影响，而PID控制器参数的整定是建立在简化、稳定的模型基础上的，因此采用简单的PID算法控制蒸发器过热度，很多情况下难以达到满意的控制效果[3]。由以上分析可见，目前对于暖通空调制冷系统的优化控制方法还有待进一步的完善和创新，有必要结合制冷系统的强非线性、参数强耦合、机理建模过于复杂且难以用于实时控制等特点。参考文献[1]BillF.制冷与可持续发展[J].制冷学报，2003(2)：22—26.[2]李建华，康相玖，陶海臣，等.变频控制在中央空调系统的节能可行性分析[J].制冷与空调，2003，3(1)：44—47.[3]AlleyneA,BrennanS,RasmussenB,etal.Controlsandexperimentslessonslearned[J].IEEEcontrolsystemsmagazine,2003,23(5):20-34.
技术实现思路
本专利技术的目的在于解决现有技术中存在的问题，提出一种基于同步扰动随机近似(SPSA)的制冷系统最小能耗的数据驱动控制方法。该方法计算简单，参数少，易实现，并且能够有效地避免对制冷系统复杂的建模过程，同时也能够避免系统模型不准确所可能导致的控制效果差等问题。为了实现上述目的，本专利技术采取以下技术方案：一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，βj为遗忘因子，ej为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值yd(k+1)；e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-N)}、以及过热度的设定值yd(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新；f.膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值yd(k+1)，使用更新过的神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制。作为优选实施方式，步骤e中，更新神经网络控制器的连接权值的方法如下：计算控制器参数神经网络控制器所产生的控制量，记做其中θk为神经网络控制器的连接权值、为上一时刻的控制器连接权值的估计值、ck为趋于0的序列或值等于常数的标量系数、Δk＝[Δk1,Δk2,...,ΔkL]T为一个随机向量，并将分别作为两次输入信号加入至系统的在线神经网络辨识模型中，记录其相应的输出，记做将的值代入到控制器的优化目标函数中，计算得到再将代入进梯度估计公式中，其中，l＝1,2,...,L，L为控制器参数的个数，进而得到梯度的估计值最后将代入到控制器参数更新公式中，其中ak为标量系数，计算得到k时刻控制器连接权值的估计值从而完成控制器参数即神经网络控制器连接权值的更新。本专利技术的有益效果如下：第一，采用跟随负荷变化的变过热度设定值的控制方式，可以增强系统的动态稳定性，并提高蒸发器的效率，同时较大幅度提高系统的制冷量和系统的能效系数。第二，选用电子膨胀阀，其调节更为迅速和稳定，可以实现对蒸发器过热度快速、有效的控制；第三，针对电子膨胀阀及蒸发器模型的复杂性，本专利技术采用了基于SPSA的数据驱动控制算法来实现电子膨胀阀对蒸发器过热度的控制，可以有效地解决传统控制算法对系统模型的依赖问题，同时避免系统模型不准确而导致的控制性能差等问题，从而最终达到更好的控制效果。附图说明图1为制冷系统节能控制方案示意图图2为制冷系统总体控制结构图图3为蒸发器出口制冷剂最小本文档来自技高网...
【技术保护点】
一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k‑1),...,y(k‑P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k‑1),u(k‑2),...,u(k‑Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，βj为遗忘因子，ej为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值yd(k+1)；e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k‑1),...,y(k‑M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k‑1),u(k‑2),...,u(k‑N)}、以及过热度的设定值yd(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新；f.膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值yd(k+1)，使用更新过的神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制。...
【技术特征摘要】
1.一种基于同步扰动随机近似(SPSA)的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k-1),...,y(k-P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k-1),u(k-2),...,u(k-Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，βj为遗忘因子，ej为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值yd(k+1)；e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k-1...
【专利技术属性】
技术研发人员：董娜，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。