本发明专利技术公开了一种基于梯度下降法和广义预测控制的室温回路控制方法，包括如下步骤：（1）、确定预设室温的设定值；（2）、采用梯度下降法在线辨识出变风量空调系统的室温回路的模型参数；（3）、在变风量空调系统中加入广义预测控制器，对模型参数进行在线估计，实现自适应控制。本发明专利技术该控制方式采用了梯度下降法能够在线辨识出空调系统室温回路的模型参数，并采用广义预测控制方式进行控制，易于在线估计参数，实现自适应控制。
【技术实现步骤摘要】
本专利技术涉及一种。
技术介绍
随着建筑能耗的加剧，空调系统的节能已经越来越受到人们的关注，20世纪60年 代变风量空调系统诞生于美国，相比于定风量空调系具有节能、舒适等优点，因此获得了广 泛的推广。与此同时，人们也意识到空调系统的能耗与其控制系统的性能息息相关，但由于 变风量空调系统具有非线性、大时滞等特性在控制方面有较大难度，因此开发适合于变风 量空调系统的先进控制算法已成为当前较为热门的研宄方向。 广义预测控制算法于1987年被Clarke等人提出，能够克服广义最小方差、极点配 置等各种自适应控制方法的不足，具有较强的鲁棒性，并能够适用于具有纯时延、时变参数 的控制过程，因此很快被应用于空调系统的控制领域。 在广义预测控制算法中提到要针对预测模型进行控制，但必须要首先知道预测模 型中的A(Z，和B(f)才可以进行运算，尤其是当模型受到外界扰动具有时变特性时，这就 需要对系统模型进行辨识，先在线估计出，然后用参数估计值代替真实值进行控制律的推 导计算。所以，模型反馈校正的优劣直接影响广义预测自适应控制的性能，需要选择适当的 在线辨识算法，来及时修正模型误差，以提高预测精度，保证控制效果最佳。 广义预测控制一般采用递推最小二乘法在线估计系统参数，使用最小二乘法的过 程中不可避免的遇到矩阵求逆的情况，但矩阵求逆有可能会存在数值不稳定的情况（比如 对希尔伯特矩阵求逆就几乎是不可能的），因而使用最小二乘法具有一定而局限性。
技术实现思路
本专利技术提出了一种。 技术方案如下： 一种，包括如下步骤： (1)、确定预设室温的设定值； (2)、采用梯度下降法在线辨识出变风量空调系统的室温回路的模型参数； (3)、在变风量空调系统中加入广义预测控制器，对模型参数进行在线估计，实现 自适应控制。 上述步骤（3)中广义预测控制器的控制方法包括： (21)、预测模型； (22)、滚动优化； (23)、反馈校正。 上述步骤（21)中预测模型采用受控自回归积分滑动平均模型，模型如公式（1)所 示； A(z_1)y(k) =B(z_1)u(k-d)+C(z_1)l(k)/A (1) 式中A(z-1)、B(z-1)、C(z-1)分别是n、m和n阶的z-1的多项式； 其中A=l-z、y(k)、u(k)、I(k)分别表示输出、输入和均值为零的白噪声序列， d为系统的时滞，C(厂〇 = 1。 上述步骤（22)中滚动优化的步骤如下： 步骤401 :设定目标函数，采用如下目标函数， 式中n为最大预测长度；m称为控制长度（m彡n)，y(k+j)为（k+j)时的实际室温， w(k+j)为k+j时刻的室温设定值，Au(k+j_l)为k+j-1时刻的模型输入与前一时刻的模型 输入的差值，即Au(k+j_l) =u(k+j-l)_u(k+j (j)是大于零的控制加权系数，取A(j) 为常数入； 采用柔化控制，跟踪参考轨迹线，参考轨迹线如公式3所示； w(k+j) =aJy(k) + (l-aJ)yr (3) 式中h、y(k)和w(k+j)分别为设定值、输出值和参考轨迹线；a为柔化系数，0 <a < 1 ; 步骤402:输出预测， 根据广义预测理论，引入丢番图方程： 1 =Ej(z_1)A(z_1)A+z_JFj(z_1) (4) Ej(z_1)B(z_1) =Gj(z_1) +z_JHj(z_1) (5) 式中Ej(z-1)=一一一乂丨十…+ej_1z-J+1 将公式⑴等号两侧同时乘以A，并将公式（4)、（5)带入可得： y(k+j) =GjAu(k+j-1) +F』y(k)+HjAu(k-1)+Ej| (k+j) (6) 公式（6)中的最后一项表不外界的白噪声序列，在预测未来时刻的输出时不考 虑，公式（6)即可表示为： 将公式（6)写成向量形式，即为： Y=GAU+Fy(k)+HAu(k~l)+E(8) j'(々 + ./)表不对未来j时刻的预测，将其分为已知量和未知量两部分，用f(k)表不 已知量，写成矩阵形式即为： f=Fy(k)+HAu(k~l) (9) 由公式⑶得知： AU= T;f=T；F= T;H= T; E=; 步骤403 :求取最优控制率若令W= T 贝lj公式⑵表示成： J= (Y-W)T(Y-W) +入AUTAU(11) 用Y的最优预测值#来代替Y，将公式（10)带入公式（11)，并令 Y; 得到： AU= (GTG-AI)^GT(ff-f) (12) 每次将第一个分量加入系统，即 u(k) =u(k~l)+gT (ff-f) (13) 其中gT表不（GTG_人I)V中的第一行向量。 上述步骤（2)中梯度下降法的步骤如下： 选取过程模型如下： 室温回路的模型参数中需要进行辨识的参数0 = T，即广义预测控制中 的A(z_〇 =l-ap-1，B(z_〇 =t^z-1，和时间延迟d; 过程模型的输出与广义预测控制的误差为：e(k) =y(k)_ym(k) =y(k)- (15) 定义目标函数为： 验证J( 0 )的扶梯度方向不断修正0 (k)，直至J( 0 )获得最小值，梯度下降法可 以成： 式中R(k)为加权矩阵，表示J(0)关于0m(k)的梯度，根据目标 函数可知： 根据公式（15)和公式（16)可知： 根据Z变换的实域位移定理，推导得由拉普拉斯变换与Z变换的关系z=eST可知： 在上式中s为拉普拉斯变换算子，T为采样周期，采用欧拉线性变换式对上式进行化解，推导获得 根据公式（17)获得在最速下降法情况下空调系统参考对象模型特性参数向量 0m(k)的递推公式，此时令 h(k)是整个辨识过程的输入数据向量，加权矩阵R(k)的作用是用来控制各输入 数据分量对参数估计值的影响程度，最速下降法的收敛性能直接取决于该加权阵的选择； 选用加权矩阵： 式中的Ajk), A2(k), . . .，AN(k)表示在加权矩阵中对角线上的变量，在公式 (22)中N= 3 ; 辨识出的时延参数d用整数表示，对d进行取整操作，即： 最终辨识出的l-amz'bmz'd即为广义预测控制器算法中预测模型的A(z4)， B(z-1)和d〇 本专利技术所达到的有益效果： 本专利技术广义预测控制一般采用递推最小二乘法在线估计系统参数，而本次专利技术使 用了梯度下降法，因为使用最小二乘法的过程中不可避免的遇到矩阵求逆的情况，但矩阵 求逆有可能会存在数值不稳定的情况（比如对希尔伯特矩阵求逆就几乎是不可能的），因 而使用最小二乘法具有一定而局限性。而相比之下，梯度下降法虽然有一些弊端，迭代的次 数可能也比较高，但是相对来说计算量并不是特别大。而且在处理较大数据量的时候，梯度 下降法能够提高预测精度和系统稳定性。【附图说明】 图1是本专利技术的方法示意图； 图2是本专利技术的流程图。【具体实施方式】 下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术 的技术方案，而不能以此来限制本专利技术的保护范围。 如图1所示，一种，包括如 下步骤： (1)、确定预设室温的设定值； (2)、采用梯度下降法在线辨识出变风量空调系统的室温回路的模型参数； (3)、在变风量空调系统中加入广义预测控制器，对模型参数进行在线估计，实现 自适应控制。 上述步骤（3)本文档来自技高网...
【技术保护点】
一种基于梯度下降法和广义预测控制的室温回路控制方法，其特征在于包括如下步骤：(1)、确定预设室温的设定值；(2)、采用梯度下降法在线辨识出变风量空调系统的室温回路的模型参数；(3)、在变风量空调系统中加入广义预测控制器，对模型参数进行在线估计，实现自适应控制。
【技术特征摘要】
【专利技术属性】
技术研发人员：李洋，白建波，冯丹，罗朋，彭俊，王孟，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32
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。