基于RBF神經網絡的建筑暖通水溫節能控制設計

摘 要：本文基于RBF神經網絡提出一種超低能耗建筑暖通空調冷水溫度優化控制方法。在該方法中，對建筑暖通空調水系統的運行工況進行辨識。通過辨識結果，建立建筑暖通空調冷水溫度優化控制器，利用RBF 神經網絡對控制器進行在線優化，獲取房間預測溫度輸出。利用預測信息和設定的目標函數，不斷在線修正預測溫度輸出，得到最佳暖通空調冷水溫度，對空調冷水溫度進行優化控制。試驗結果表明，該方法能夠有效地對建筑暖通水溫進行節能控制，具有較高的控制精度和可靠性。

關鍵詞：RBF神經網絡；建筑暖通；水溫節能控制

中圖分類號：TU 83" " 文獻標志碼：A

隨著人們對能源消耗和環境保護的日益關注，建筑節能成為一個重要的研究領域[1]。建筑暖通系統是建筑能耗的重要組成部分，其中水溫控制是影響能耗和舒適性的關鍵因素之一。傳統的建筑暖通水溫控制方法往往存在能耗高、控制精度低等問題。張帆等[3]采用蟻群算法來增強其全局搜索能力。葉立等[2]則引入粒子群優化算法來對控制器參數進行優化。本文以此為基礎，基于RBF神經網絡進行建筑暖通水溫節能控制設計。

1 建筑暖通水溫節能優化控制方法

1.1 建筑暖通空調水系統運行工況分析

在神經網絡中，使用公式（1）來描述神經元的計算過程。

xi=∑（ωi×xi-1）+θ " "（1）

式中：xi為第i個神經元的輸入；ωi為神經元之間的連接強度；xi-1為第i-1個神經元的輸出；θ為閾值。

計算神經元的激活函數如公式（2）所示。

（2）

式中：f（）為激活函數；exp（）為指數函數。

神經元的輸入是由前一層神經元的輸出和連接強度加權求和得到的，再加上閾值，通過激活函數對輸入進行非線性轉換，得到神經元的輸出。

計算隱含層的輸出如公式（3）所示。

bf=f ∑（（ωij×bf-1）+θj ） （3）

計算輸出層的輸出如公式（4）所示。

cf=f ∑（（υij×bf-1）+γj） （4）

式中：bj為隱含層的輸出；cf為輸出層的輸出；ωij為神經元i和j之間的連接強度；υij為神經元i和j之間的權值系數；θj為神經元的連接強度閾值；γj為神經元i的閾值；f（）為激活函數。

計算輸出層的一般化誤差如公式（5）所示。

ekj=Ct-tk " "（5）

式中：ekj為輸出層的一般化誤差；Ct為輸出層的輸出；tk為目標值。

計算誤差函數的極小值如公式（6）所示。

ykt=∑（ekj2）" （6）

式中：ykt為誤差函數的極小值；ekj為輸出層的一般化誤差。

計算輸出層的誤差，并根據誤差函數的極小值來評估神經網絡的性能。輸出層的一般化誤差是輸出層輸出與目標值之間的差異，即網絡的預測誤差。誤差函數的極小值是對所有輸出層神經元的一般化誤差進行求和。在訓練過程中，通過調整神經網絡的參數和權重來最小化誤差函數的極小值，從而提高網絡的預測準確性。常用的方法是使用梯度下降算法來更新參數和權重，以逐步減小誤差函數的極小值[4-5]。

圖1為遺傳算法的流程圖，第一步是將種群進行初始化處理。在實際編碼的過程中，通常使用實數進行編碼，以便更靈活地表示網絡的結構和權值。

在遺傳算法的每一代中，需要計算不同個體的適應度，適應度函數通常為評估個體解決問題能力的指標。具體適應度函數的選擇取決于具體的問題和目標。根據適應度函數的計算結果，可以對種群中的個體進行排序，以便選擇適應度較高的個體作為下一代的父代，從而保留優秀的個體解。

在遺傳算法中，根據個體的適應度值和概率，可以選擇不同的網絡個體作為下一代的父代。具體的選擇如公式（7）所示。

（7）

式中：pi為個體i被選中的概率，fi為個體i的適應度值。通過將個體的適應度值歸一化，可以得到每個個體被選中的概率。

根據這些概率值，可以使用輪盤賭選擇（Roulette Wheel Selection）的方法。該方法的基本思想是根據個體被選中的概率，在輪盤上選擇父代個體。

計算累積概率：qi=∑pi，即第i個個體被選中的累積概率。生成一個隨機數r，使0≤r≤1。

根據隨機數r，選擇第一個滿足qi-1≤r≤qi的個體作為父代。

通過這樣的選擇過程，可以根據個體的適應度值選擇適應度較高的個體作為下一代的父代，進一步進行遺傳操作，從而優化網絡的結構和權值。

首先，根據概率pc，選擇進行交叉操作的個體，通常是選擇適應度較高的個體。其次，從選中的個體中隨機選擇兩個個體作為父代，進行交叉操作，可以采用不同的交叉方式，例如單點交叉、多點交叉等。交叉操作會交換兩個個體的染色體片段，生成兩個新的個體。最后，重復上述步驟，以保留優秀的個體。

通過概率pm突變形成全新的個體。突變操作是為了引入新的基因變異，以增加種群的多樣性。根據概率pm，選擇進行突變操作的個體，一般是選擇適應度較低的個體。對選中的個體進行基因突變操作，即隨機改變個體的某些基因值。重復上述步驟，直到所有選中的個體都進行了突變操作。

將獲取的全新個體直接放置到種群P中，計算對應的評價函數。將經過交叉和突變操作得到的全新個體放置到原始種群P中，形成下一代種群。計算新種群中的個體的評價函數。可以根據具體問題的需求來定義評價函數，一般是根據個體解決問題的能力來評估其適應度值。

在遺傳算法中，根據ANN的誤差平方和來判斷是否達到設定值。如果誤差平方和已經滿足設定值，那么算法結束，進行下一步驟。

將GA的初始優化值設定為權值，借助BP神經網絡對其進行訓練，直至滿足系統設定的精度條件。

在暖通空調系統中，水泵是將冷卻水或熱水輸送到機組或冷熱源的關鍵設備。水泵的效率直接影響到系統的能耗和運行費用。較高的水泵效率可以減少能源消耗，降低能耗成本。可以通過其工作點的位置來評估水泵的效率。工作點是指水泵在一定流量和揚程下的運行狀態。水泵的效率隨著工作點的改變而變化，通常在其最高效率點附近工作過程中能夠實現最佳效率。

對比不同矛盾結果對空調水系統的影響，如公式（8）所示。

（8）

式中：COPS為每單位的制冷負荷所需的能耗；Q為數據組的預測值，表示冷水機組的制冷負荷；W1為電機的輸入功率，表示冷水機組電機的能耗；W2為泵的輸入功率，表示冷水機組水泵的能耗。COPS值越小，表示冷水機組的能效越高，能夠以較少的能耗達到相同的制冷效果。

1.2 超低能耗建筑暖通空調冷水溫度優化控制

PMV指標表示相同室內環境下大部分人的熱舒適度。這個指標考慮了人體的熱代謝和熱輻射等因素以及環境溫度、相對濕度、氣流速度等因素對人體熱舒適度的影響。由于每個人體質和敏感度不同，有些人可能對相同的熱環境感到不舒適。因此，需要利用PPD指標來表示用戶對熱環境不滿意的百分比。PPD指標反映了人體對室內熱環境的敏感度，即有多少人在相同環境下感到不舒適。由于PMV指標更加重視用戶對熱舒適度的滿意度，因此在房間溫度的設定方面，需要更多地考慮PMV指標。同時，還需要考慮其他影響因素，例如相對濕度和空氣流動速度等。

輸入節點數量為6個，包括環境溫度、相對濕度、氣流速度等因素。可以根據實際情況調整隱層節點數量，以得到最佳的預測結果。輸出節點可以是PMV或者PPD指標，以便于對室內環境進行優化和調整。

計算超低能耗建筑暖通空調冷水調節電壓，如公式（9）所示。

u（k+N）=∑（i=1toM）（ω（i）×ρi） （9）

式中：u（k+N）為在時間步k+N時刻的冷水調節電壓；M為模糊神經網絡的輸出節點數量；ω（i）為每個節點的權重；ρi為空調調節閥電壓取值。

在模糊神經網絡中，通過網絡的訓練過程得到權重 ω（i），可以根據具體的算法和數據進行計算和調整。這些權重可以對輸入變量與輸出變量之間的關系進行建模和表示。通過調整權重，模糊神經網絡可以學習并預測未來的冷水調節電壓。

計算設定控制目標函數j如公式（10）所示。

j=∑（i=ltoN）（ω1×|y（k+i）-λ（k+i）|ω2×yr（k+i）） " （10）

式中：N為預測時間步數；ω1和ω2是權重系數；|y（k+i）-λ（k+i）|為測試房間的期望溫度與實際溫度之間的差值；yr（k+i）為房間最高溫度和最低溫度的差值。

控制目標函數的主要作用是優化控制策略，使測試房間的期望溫度與實際溫度之間的差值最小，并且將房間的溫度控制在最高溫度和最低溫度的差值范圍內。通過調整權重系數，可以根據實際需求來平衡不同的目標。

采用優化方法對性能進行優化，可以使用RBF（徑向基函數）模糊神經網絡來獲取未來控制時長內暖通空調系統中冷凍水泵的調節電壓，如公式（11）所示。

ρj，N（k+1）=∑（i=1tom）（ω（i）×Φ（||[aj，N（k+1），cj，N（k+1）]-[μi，σi]||）） （11）

式中：ρj，N（k+1）為經過調整和修正后的控制參數；aj，N（k+1）、cj，N（k+1）為經過調整和修正后的控制參數；ω（i）為每個節點的權重；Φ（）為徑向基函數；[μi，σi]為徑向基函數的中心和標準差。RBF模糊神經網絡的訓練過程通常包括確定徑向基函數的中心和標準差以及節點的權重。通過訓練過程，模糊神經網絡可以學習并預測未來控制時長內的冷凍水泵調節電壓，以優化性能。

2 仿真研究

建筑暖通空調冷水溫度優化控制效果分析如圖2所示，采集300組測試數據，通過對比試驗結果發現，本文提出的方法的優化控制結果更優秀。對比結果見表1。

與文獻[2]和文獻[3]相比，本文所提出的方法可以更快完成冷水溫度調節。

3 結語

本文基于RBF神經網絡設計了一種建筑暖通水溫節能控制方法，并進行了試驗驗證。試驗結果表明，所提出的方法能夠對建筑暖通水溫進行有效地節能控制，具有較高的控制精度和可靠性。未來的研究方向可以在該方法的基礎上進一步探索建筑節能控制的優化方法，以實現更加高效、可持續的建筑節能控制。

參考文獻

[1]吳青，顏加明，徐蒯東，等.水庫水在水電站地下廠房空調系統中應用的能效評價[J].暖通空調，2020，50（12）：89-96.

[2]葉立，張夢伢，葉歡，等.基于PSO的模糊PID汽車空調控制策略優化[J].電機與控制應用，2020，47（12）：32-37.

[3]張帆，李壯舉.改進蟻群算法的中央空調冷凍水系統優化控制[J].計算機工程與設計，2019，40（5）：1311-1315.

[4]余俊祥，高克文，寧太剛.空調系統變水溫運行能耗特性研究[J].建筑技術開發，2016，43（10）：34-37.

[5]林志勇，李光華.水利水電工程暖通空調設計發展歷程[J].暖通空調，2015，45（2）：10-14.