基于神經網絡PID控制器的組合式空調機組溫度控制方法

摘 要：組合式空調機組運行過程中，具有大遲延和大慣性的特性，這意味著單一控制系統對控制信號的響應存在明顯的延遲和滯后。因此，提出了基于神經網絡PID控制器的組合式空調機組溫度控制方法。分析組合式空調機組溫度階躍響應變化，以分析結果為基礎，借助動態矩陣分析歷史溫度數據，預測未來時刻空調機組輸出溫度，為溫度控制提供依據。結合BP神經網絡和PID調節器，搭建具有參數自適應整定性能的神經網絡PID控制器。通過神經網絡的自學習不斷調整控制參數，最終實現高質量的空調機組溫度控制。實驗結果表明：該方法溫度控制結果表現出的超調量總是不大于0.6%，極大提高了溫度控制過程的穩定性。

關鍵詞：BP神經網絡；PID控制器；組合式空調機組；溫度控制；參數整定

中圖分類號：TP183文獻標識碼：A

A Temperature Control Method for Combined Air Conditioning

Units Based on Neural Network PID Controller

ZHANG Yinzhou

（Beijing Yongxinjiacheng Engineering Technology Co.， Ltd.，Beijing 100043，China）

Abstract：During the operation of a modular air conditioning unit， it has the characteristics of large delay and inertia， which means that there is a significant delay and lag in the response of a single control system to control signals. Therefore， a combined air conditioning unit temperature control method based on neural network PID controller is proposed. Analyze the temperature step response changes of the combined air conditioning unit. Based on the analysis results， using dynamic matrix to analyze historical temperature data， predict the output temperature of the air conditioning unit at future times， and provide a basis for temperature control. Build a neural network PID controller with parameter adaptive tuning performance by combining BP neural network and PID controller. By continuously adjusting control parameters through self learning of neural networks， high quality temperature control of air conditioning units is ultimately achieved. The experimental results show that the overshoot exhibited by this method in temperature control is always not greaterthan 0.6%， greatly improving the stability of the temperature control process.

Key words：BP neural network; PID controller; combination air conditioning unit; temperature control; parameter tuning

組合式空調機組近年來在大型商業建筑、辦公樓、醫院及數據中心等場所得到廣泛應用，實現了對室內環境舒適度與空氣質量的維持。但組合式空調機組溫度控制是一個復雜的系統工程，涉及多變量、強耦合、非線性和時變等特性，其在高效運行過程中，需要具備精準的溫度控制能力，以確保輸出溫度符合預期要求。尤其在人們對室內環境要求不斷提高的背景下，組合式空調機組的溫度控制方法成為一項重要研究課題。鄒宇航等提出基于模型預測控制的溫度控制方法[1]，依托于等效電路法預測機組未來溫度變化，并將其看作目標函數輸入基于遺傳算法的溫度控制模型，通過粒子群優化算法求解最佳控制參數，完成空調溫度優化調整。但是，在參數變化或外部干擾的情況下，最終表現出的控制效果不穩定，說明該方法魯棒性較差。楊世忠等提出基于改進入侵雜草算法的控制方法[2]，面向空調機組的運行原理進行建模，在此基礎上給出基于模糊控制器的溫度控制模型，并結合螢火蟲群算法和雜草優化算法，求解得到最優溫度控制參數。通過測試研究可知，入侵雜草算法能夠迅速搶占生存空間并完成生物入侵，但在小范圍搜索上可能不夠精細，導致其無法滿足高精度溫度控制要求。譚心等提出基于ANFIS（自適應神經模糊推理系統）的溫度控制方法[3]，充分考慮空調機組的溫度響應特性，建立復雜的系統運行數學模型，以此為基礎構建自適應模糊控制模型，通過該模型生成并執行有效模糊規則，實現對機組輸出溫度控制。但是，ANFIS模型的性能高度依賴于歷史訓練數據，其泛化能力可能受到限制，當供暖系統的運行環境發生較大變化時，模型可能無法控制溫度變化滿足期望要求。Yao等提出基于Q學習的溫度控制方法[4]，運用變域模糊PID算法，設計一種用于調整溫度的智能控制算法，并引入Q學習方法整定控制參數，改變控制指令得到最終溫度控制效果。但是，變域模糊PID控制方法中的模糊控制規則是根據專家經驗或試錯法確定的，這可能導致規則的不完整或不合理，從而導致溫度控制結果出現較大的超調量。

為了克服現有控制方法的缺點，探討基于神經網絡PID控制器的組合式空調機組溫度控制新方法，將具有強大自學習能力的BP神經網絡添加到控制器拓撲結構中，實現對控制參數的動態優化，從而提高系統的控制精度和魯棒性。

1 組合式空調機組溫度控制方法設計

1.1 建立組合式空調機組溫度響應變化分析

組合式空調機組運行過程中，控制冷水閥開度發生階躍變化 ，機組輸出溫度也會發生不同的響應變化[5]。為了更好地了解機組溫度響應特點，設置冷水閥開度從50%不斷增加至70%，該過程中時刻記錄機組輸出溫度數據，繪制出圖1所示的溫度階躍響應曲線。

圖1中，a表示冷水閥開度階躍調整時刻，b表示慣性時間常數。

根據組合式空調機組在目標時刻的溫度階躍響應數據，可以反向推理出機組內冷水閥開度參數，以及送風溫度變化參數[6]。根據這一原理，可以將溫度階躍響應過程增益表示為：

K=ΔcΔs（1）

式中，K表示過程增益，Δc表示組合式空調機組輸出送風溫度變化值，Δs表示冷水閥開度變化值。

找到階躍響應曲線的拐點，并從該點引出切線，切線與曲線之間相交的時間就是純滯后時間[7]。將這一概念引入到組合式空調機組溫度響應變化分析過程中，可以構造出式（2）所示的傳遞函數。

G（s）=Ke－adab+1 （2）

式中，G表示溫度傳遞函數，s表示復參數，d表示積分算子，e表示底數函數。

1.2 搭建神經網絡PID溫度控制器

在機組溫度控制過程中，運用PID控制技術設計智能調節器，通過比例控制參數、積分控制參數和微分控制參數，動態調整組合式空調機組溫度[8]。為了提升最終溫度控制效果，將BP神經網絡引入其中，設計圖2所示的神經網絡PID溫度控制器結構。

如圖2所示，神經網絡PID控制器包含兩個核心組成模塊，通過神經網絡優越的自學習能力在線調整控制參數[9]，可以確保調節器輸出誤差最小，取得最優閉環控制效果。

應用神經網絡PID控制器針對組合式空調機組溫度展開增量式智能控制時，具體的控制算法可以表示為：

u（η）=u（η－1）+K1［E（η）－E（η－1）］+K2E（η）+K3［E（η）－2E（η－1）+E（η－2）］ （3）

式中，u表示調節器輸出變量，η表示控制時間，E表示誤差變化值，K1表示比例控制系數，K2、K3分別表示積分和微分控制系數。

1.3 獲取最優空調機組溫度控制結果

依托神經網絡PID控制器實現空調機組溫度控制時，想要獲得最優控制結果，需要不斷運用圖3所示的BP神經網絡整定控制參數。

如圖3所示，BP神經網絡的輸入信息包括控制器輸入量、控制器輸出量、誤差變量值三類數據，這些信息進入輸入層神經元后，統一完成歸一化處理，再轉移到隱含層內，借助Sigmoid激活函數完成學習[10]，最終輸出優化調整后的控制參數取值。該神經網絡的輸入和輸出結果分別可以表示為：

x=φ（η），u（η），E（η） （4）

Oo=exp （wo×λo）exp （wo×λo）+exp （－wo×λo）（5）

式中，x表示神經網絡輸入信號[11]，φ表示當前輸入值，O表示神經網絡輸出信號，o表示輸出層神經元，w表示權重，λ表示隱層神經元輸出，exp 表示自然指數函數。

依靠控制器中的BP神經網絡不斷學習和運算，獲取不同時刻最優PID控制參數，用其替換原有控制參數，使得控制器發揮最優組合式空調機組溫度控制效果。

2 實驗分析

2.1 實驗準備

通過探索分析得到基于神經網絡PID控制器的溫度控制新方法后，為了驗證該方法在現實工作場景內的應用效果，準備一個包含過濾段、機械制冷+蒸發冷凝段等結構的組合式空調機組，完成一系列機組溫度控制實驗。其中，組合式空調機組正常運行狀態下設計風量達到了20000 m3/h。

設定機組送風溫度為17℃、14℃和16℃，分別應用所提方法、模型預測控制方法、改進入侵雜草算法完成的機組溫度控制，使其輸出溫度滿足目標要求。其中，模型預測控制方法是首先根據機組的物理特性和工作原理，建立其數學模型，該模型應準確描述機組溫度與輸入控制量之間的關系。其次，利用建立的數學模型，根據當前的控制輸入和機組狀態，預測未來一段時間內的溫度變化趨勢。隨后，根據預測結果，通過優化算法求解最優的控制輸入，使機組溫度在未來某個時間點達到目標值。最后，將實際溫度與預測溫度進行比較，根據誤差調整模型參數和控制策略，實現閉環控制。改進入侵雜草算法是首先在控制參數的搜索空間內隨機生成一組初始解。其次，根據適應度函數評估每個雜草的優劣，并允許適應度較高的雜草“生長”，即生成新的解。隨后，在生長過程中，引入競爭機制，使適應度較低的雜草被淘汰，從而保留更優秀的解。重復上述生長和競爭過程，直到達到預定的迭代次數或滿足收斂條件。最終，輸出適應度最高的解作為最優控制策略。

2.2 控制參數變化曲線

依靠神經網絡PID控制器，對組合式空調機組輸出溫度進行控制時，需要不斷優化控制參數。在網絡訓練階段，深入觀察BP神經網絡PID控制誤差變化，得到圖4所示的迭代曲線。

從圖4可以看出，在BP神經網絡完成20次迭代學習后，控制器輸出誤差開始無限逼近0，且呈現出穩定狀態，證明此時BP神經網絡PID控制器工作性能處于最佳狀態。

在溫度控制實驗周期內，通過訓練好的網絡模型展開自學習，在線調整PID控制參數，最終得到圖5所示的參數變化曲線。

將圖5所示的參數變化結果輸入到PID調節器中，生成合理的空調機組溫度控制指令。

2.3 空調機組溫度控制結果

依托于動態優化調整后的控制參數，實現對組合式空調機組輸出溫度的有效控制，最終在所提方法實施后。為了更全面地評估不同溫度控制方法的性能，還引入了調節時間作為另一個重要指標。調節時間是指從系統開始調節到達到預定溫度范圍所需的時間。同時，為了便于實驗對比分析，觀察另外兩種現有溫度控制方法的應用結果，空調機組輸出溫度變化曲線如圖6所示。

根據圖6顯示的溫度控制結果可知，三種控制方法的應用均實現了對組合式空調機組溫度的有效控制，使得機組輸出溫度不斷貼近設定溫度，證明了這些溫度控制方法的可行性。通過對比分析，雖然三種方法都實現了對機組溫度的有效控制，但調節時間存在差異。所提方法的調節時間最短，表明其響應速度最快，能迅速達到預定溫度。模型預測控制方法和改進入侵雜草算法的調節時間則相對較長，但也在可接受范圍內。

2.4 控制方法性能對比

除此之外，為了更好地體現各方法溫度控制性能，針對圖7顯示的溫度控制結果進一步分析，獲取各方法控制結果的超調量，并繪制出圖7。

從圖7可以看出，所提方法表現出的超調量為0.5%、0.4%和0.6%，相比另外兩種控制方法的實施效果，超調量表現出大幅度降低。這說明以神經網絡PID控制器為基礎的新方法，可以實現對空調機組輸出溫度的穩定、精準控制。

3 結 論

通過探索分析，開發出基于神經網絡PID控制器的組合式空調機組溫度控制方法。通過神經網絡的非線性映射能力和PID控制器的穩定性優勢相結合，該方法克服了傳統控制策略在復雜環境中的局限性，將其應用到組合式空調機組溫度控制領域，可以為用戶提供更加舒適、節能的室內環境。

參考文獻

［１］ 鄒宇航，王明飛，張馨，等.基于模型預測控制的工廠化菇房空調調控方法[J].中國農機化學報，2024，45（6）：98-105.

［2］ 楊世忠，逄鑠.基于改進入侵雜草算法的空調送風溫度控制[J].遼寧工程技術大學學報（自然科學版），2023，42（2）：250-256.

［3］ 譚心，吳林鋒，虞啟輝，等.基于ANFIS的太陽能-空氣源熱泵供暖系統溫度控制研究[J].太陽能學報，2024，45（2）：16-22.

［4］ YAO Y， MA N， WANG C， et al. Research and implementation of variable domain fuzzy PID intelligent control method based on Q learning for self driving in complex scenarios[J]. Mathematical Biosciences and Engineering， 2023， 20（3）： 6016-6029.

［5］ 苗凌童，盧翼.基于PID的大面積建筑室內恒溫性自整定控制[J].計算機仿真，2023，40（12）：369-373.

［6］ 吳敏，翟力欣，李啟躍，等.灰色預測與模糊PID的恒溫水浴協同溫度控制[J].中國農機化學報，2023，44（11）：123-129+137.

［7］ 劉華，錢明楊，吳奕，等.基于多聯機大數據的住宅空調設定溫度操作模式分析[J].建筑科學，2023，39（8）：134-142.

［8］ 祖一康，徐妙婧.基于單片機和PID算法的溫度智能控制系統設計[J].現代電子技術，2024，47（8）：83-89.

［9］ 王祝惠子. 基于多目標數學建模的皮革機伺服系統控制優化問題研究[J]. 中國皮革，2023，52（12）：38-43，48.

［10］劉一銘，張運楚，周燕菲，等. 基于改進YOLOv5s的焦爐煙火識別算法[J]. 計算機測量與控制，2024，32（5）：186-192+200.

［11］王威，李少甫，吳昊，等.基于反向傳播神經網絡PID的高功率微波爐溫度控制[J].強激光與粒子束，2024，36（1）：59-65.