一种中央空调的冷却水回水温度预测控制方法，包括如下步骤：（1）记录当前冷却水回水的温度和冷水水泵的频率，设定冷却水的回水目标温度为37℃；（2）建立预测模型，采用两层的BP神经网络模型；（3）神经网络预测模型的学习；（4）反馈校正；（5）参考曲线选取；（6）优化计算：采用RBF神经网络，设通梯度下降法学习网络的各个参数，计算出下一步最优控制量u(k+1)，以此作为冷却水泵的下一步频率。本发明专利技术提出一种动态性能良好、节能效果明显的中央空调的冷却水回水温度预测控制方法。
【技术实现步骤摘要】
【技术保护点】
一种中央空调的冷却水回水温度预测控制方法，其特征在于：所述预测控制方法包括如下步骤：（1）记录当前冷却水回水温度和或冷却水泵的频率，设定冷却水回水温度的目标温度为37℃；（2）建立预测模型，采用两层的BP神经网络模型，设温度预测值有如下表达式：ym(k)＝f[u(k?1),u(k?2),...,u(k?m),y(k?1),y(k?2),..,y(k?n)]ym(k+1)＝f[u(k),u(k?1),...,u(k+1?m),ym(k),y(k?1),..,y(k+1?n)]ym(k+p)＝f[u(k+p?1),u(k+p?2),...u,(k+p?m),ym(k+p?1),...y,m(k),y(k?1),..,y(k+p?n)]其中，ym(k)为第k次模型温度输出值，u(k?1)为第k?1次冷却水泵的频率值，y(k?1)为第k?1次实际温度值，m、n分别为输入和输出的维度，p为预测步长；设在以后的j步中，u(k+j)＝u(k+j?1)＝...＝u(k+1)＝u(k)则有：x(k+j)＝[u(k),u(k),...,u(k?1),...,u(k+j?m),ym(k+j?1),...,ym(k),y(k?1),..,y(k+j?n)]Tw＝[w1,w2,...,wm+n]T则：ym(k+j)＝g[w*x(k+j)]j＝1,2,...,p其中，x(k+j)为第k+j次模型的输入变量，p为预测步长；g(x)取单极性sigmoid函数，（3）神经网络预测模型的学习，过程如下：采集各个控制对象的阶跃响应dp(k),k=1,2,…,n，p表示样本个数m中的每一个，然后根据预测模型的对应阶跃响应输出yp(k),k=1,2,…,n；采用梯度下降法来修正参数w；j(k)=Σp=1m[yp(k)-dp(k)]2,j(k)对w求导得：Δj(k)≈▿j(k)Δw(k)=Σj=1m+n∂j(k)∂wjΔwj(k),若按下式选择Δwj(k)，其中j＝1,2,...,m+n；η＞0（4?1）则Δj(k)≤0，所以只要保证Δwj(k)按式（4?1）来调整，则j(k)就会随着这一调整一直减小；当其误差达到设定范围内后便可停止学习，保存好学习好的w参数；（4）反馈校正：设预测模型输出与实际输出之间的误差为：e(k)＝y(k)?ym(k)，修正后的反馈为：yc(k+p)＝ym(k+p)+he(k)，其中，h为修正因子；（5）参考曲线选取：参考曲线选为：yr(k+i)＝αiy(k)+(1?αi)yr，i=1,2,…,p，其中T为采样周期，t为时间常数，y(k)为现时刻实际输出，yr为设定值；（6）优化计算：采用非线性RBF神经网络来实现滚动优化，设x(k)＝[yr(k+p);yc(k+p),...,yc(k+p?n+1);u(k),...,u(k?m)]Thj(k)=exp(-||x-cj||2σj2)u(k+1)=Σj=1mvj(k)hj[x(k)]其中yr为参考轨迹；x为N维输入向量；cj为RBF的中心向量；σj为隐节点的宽度；m为隐层节点个数；控制指标为：通过使控制指标E达到最小，按照梯度下降法调节，来调节连接权值系数、函数的中心向量和隐节点的宽度；根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1)，以此作为冷却水泵的下一步频率。FDA00003340941100011.jpg,FDA00003340941100021.jpg,FDA00003340941100025.jpg,FDA00003340941100024.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：董辉，李晓宇，吴祥，邢科新，蒋文成，高阳，罗立锋，仲晓帆，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
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。