一种基于径向基神经网络的多区域变风量空调系统末端控制方法技术方案

本发明专利技术公开了一种基于径向基神经网络的多区域变风量空调系统末端控制方法，包括以下步骤：(1)设定房间温度值；(2)通过温度传感器获取房间实际温度值；(3)初始化RBF神经网络和PID控制器的各项参数；(4)将房间实际温度值与房间温度设定值进行比较作差；(5)改进RBF

【技术实现步骤摘要】
一种基于径向基神经网络的多区域变风量空调系统末端控制方法


[0001]本专利技术属于多区域变风量空调系统末端控制
，具体涉及一种基于径向基神经网络RBF
‑
PID(Radial basis function neural network,RBF)的多区域变风量空调系统末端控制方法。
技术背景
[0002]随着人口数量的增加以及人们对生活水平要求的提高，建筑能耗特别是空调能耗不断升高，因此，具有良好调节效果和节能效果的变风量空调系统受到了人们的关注，开始广泛的应用于各种大型建筑和公共场所。但是多区域变风量空调系统是一种滞后的、非线性的、强耦合系统，传统变风量空调末端以温度为被控变量，采用比例积分(PI)算法来进行末端调节，因为其参数是确定的，所以不能很好地处理一些随机扰动的动态变化，例如：人的进出、门窗的开关的等，并且在随机扰动的影响下，会造成系统温度控制出现较大的波动，降低了人们的舒适感，且造成了不必要的能源浪费。

技术实现思路

[0003]本专利技术旨在提供一种基于径向基神经网络的多区域变风量空调系统末本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于径向基神经网络的多区域变风量空调系统末端控制方法，其特征在于，包括以下步骤：步骤一：设定房间温度值；步骤二：通过温度传感器获取房间实际温度值；步骤三：初始化RBF神经网络和PID控制器的各项参数；步骤四：将温度传感器获取到的房间实际温度值与房间温度设定值进行比较作差，如差值不等于0，则将差值作为控制误差e(k)输入到RBF
‑
PID系统；步骤五：RBF神经网络接收到控制误差后，通过RBF神经网络性能指标函数计算神经网络性能指标，采用梯度下降法，改进RBF
‑
PID算法调整自身的权重系数，提供合理的PID参数；步骤六：PID控制器接收到控制误差、优化PID的k
p
、k
i
和k
d
参数，通过PID计算出下一时刻的送风量，得到下一时刻的末端风阀开度；步骤七：将PID得到的风阀开度数据输入到风阀控制器中，风阀控制器控制末端风阀达到合适开度；步骤八：重复步骤一至步骤七，以采样时间为周期进行采样。2.根据权利要求1所述的，基于径向基神经网络的多区域变风量空调系统末端控制方法，其特征在于，步骤三中参数设定为k
p
＝0.3，k
i
＝0.4，k
d
＝0.1，η
pid
＝0.2，其中，k
p
为比例系数，k
i
为积分系数，k
d
为微分系数，η
pid
为三个系数的学习速率。3.根据权利要求1所述的，基于径向基神经网络的多区域变风量空调系统末端控制方法，其特征在于，步骤四中控制误差为e(k)＝r(k)
‑
y(k)，其中r(k)为温度设定值，y(k)为温度传感器的输出值。4.根据权利要求1所述的，基于径向基神经网络的多区域变风量空调系统末端控制方法，其特征在于，步骤五中RBF神经网络性能指标函数E(k)为：E(k)＝0.5e(k)2，其中e(k)为系统控制误差。5.根据权利要求1所述的，基于径向基神经网络的多区域变风量空调系统末端控制方法，其特征在于，步骤五中梯度下降法为：其中，Δk
p
、Δk
i
、Δk
d
为k
p

【专利技术属性】
技术研发人员：雷蕾，李治山，吴振，王宁，陈浩，陈超，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：