发布时间：2021-12-09所属分类：工程师职称论文浏览：1次
摘 要： 摘要: 介绍分析了自动控制技术在暖通空调工程中的应用与发展趋势重点介绍和总结了 PID 控制、模糊控制、神经网络控制、遗传算法等现代控制算法在空调领域的应用情况比较了这些自动控制技术的优缺点提出空调自动化控制对于节能的研究方向 关键词: 自动控制 暖通空调 应
摘要: 介绍分析了自动控制技术在暖通空调工程中的应用与发展趋势ꎬ重点介绍和总结了 PID 控制、模糊控制、神经网络控制、遗传算法等现代控制算法在空调领域的应用情况ꎬ比较了这些自动控制技术的优缺点ꎬ提出空调自动化控制对于节能的研究方向ꎮ
关键词: 自动控制ꎻ 暖通空调ꎻ 应用与发展ꎻ 展望
0 引言
暖通空调系统在为居民提供良好舒适的环境的同时ꎬ也耗费了巨大的能源ꎮ 以中央空调为例ꎬ一般认为其能耗占到了建筑总能耗的 40% ~60% [1] ꎬ而整个建筑的能耗则占到了全社会总能耗的 27 5%ꎮ 中国的能源利用率较低ꎬ加强节能工作和可持续发展已成为我国经济结构转型的主要目标之一ꎬ在暖通空调行业开展节能降耗已成为我国节能减排的重要组成部分ꎮ
优化设计和自动控制是提高暖通空调节能的重要手段ꎮ 例如ꎬ国内早期大部分通过优化空调主机的运行工况来达到节约能源的目的ꎬ 其节能限度在10%~30%ꎮ 由文献[2] 可知水泵转速在电机转差率大致不变的情况下与电机的运行频率成正比ꎬ通过改变变频器的输出频率可以改变水泵的转速ꎬ这样可以较大限度地减少能源的浪费ꎬ从而通过优化自控系统达到节能的目的ꎮ 本文总结了智能控制理论在暖通空调领域的应用与发展ꎬ提出了暖通空调自控系统在节能方面的研究方向ꎮ
1 自动控制理论在暖通空调的发展及特征
随着自动化控制理论的发展ꎬ空调自动化控制也得到了革命性的发展ꎮ 该发展进程可分为 3 个阶段:
(1)20 世纪 80 年代ꎬ中央空调设备几乎都是简单的 ON / OFF 控制模式ꎬ换句话说就是用压力继电器或热继电器等元件监测并控制室温ꎮ
(2)工业过程控制中最普遍使用的 PID 控制器与其改进型控制器ꎬ 其中使用纯 PID 调节器达到了84%ꎬ把改进型也包括的话则超过 90% [3] ꎮ PID 控制器在日本的使用竟然曾经达到了近 84 5% [4] ꎮ 过去结构简单、鲁棒性强的 PID 控制器取得了良好的控制效果ꎮ
(3)目前新发展的智能控制理论开始应用于暖通空调领域ꎮ 包括模糊控制、神经网络控制、遗传算法ꎮ目前开发出来的应用于 HVAC 系统的自动控制优缺点如表 1 所示ꎮ
2 自动控制理论在 HVAC 的应用
2 1 基于模糊控制的暖通空调自控系统的应用
(1)文献[5] ~[9]通过对空调房的温度变化规律进行了仿真对比ꎬ设计出了基于模糊逻辑的控制系统ꎬ研究表明该控制器效果显著ꎬ而且鲁棒性、系统的动态稳态性都相比传统 PID 控制好ꎮ
(2)文献[10]以汉口火车站中央空调系统为例ꎬ计算了 3 种在不同控制模式下的暖通空调系统的全年能耗ꎬ通过在 5 个站口模糊控制运行 15 年的净收益比传统 PID 控制 15 年净收益多出 6% ~50%ꎮ 得出模糊控制比传统 PID 节能效果好ꎮ
(3)文献[11] 二次回风空调系统也应用了模糊控制技术ꎮ 新风阀、冷水阀和二次回风阀等都使用模糊控制器ꎮ 无论在室温、空气质量还是人体舒适性等方面都取得了不错的效果ꎮ
模糊控制应用于暖通空调无论是节能性还是舒适性能均优于传统 PID 控制ꎮ 但是ꎬ常规模糊变频空调由于事先已经确定了控制规则ꎬ当环境温度变化幅度较大时ꎬ就会出现控制突变的情况(忽上忽下)ꎬ不仅浪费了能量ꎬ还会使人感到不舒适ꎮ
2 2 基于神经网络控制的暖通空调自控系统的应用
神经网络控制已应用于 HVAC 领域[12 - 13] ꎮ
(1)风机盘管热水系统的电热锅炉分为 4 个功率级别ꎬ并具有超滞后、大惯性的特点ꎮ 文献[14]把神经网络预测控制器应用到该系统时发现神经网络预测控制器能够把热水温度精确地控制在 ± 0 056 ℃ꎬ但经典PID 控制器只可控制在 ± 1 1 ℃ꎮ 由此表明神经网络预测控制器能降低对象系统的超调量ꎬ减少能量波动ꎬ达到空调的节能ꎮ
(2)文献[15] 进行神经网络自适应控制器性能测试时发现其性能比常规的 PID 控制器强ꎮ
(3)文献[16]、[17]采用自适应神经网络预测控制技术ꎬ把环境和系统扰动量的变化反馈给神经网络控制器ꎬ实时改变控制器的控制策略ꎬ控制器再通过预测温度变化调整风机转速ꎬ使空调输出的能量即为系统需要的能量ꎬ所供即所需ꎬ节能效果显著ꎮ
综上所述ꎬ神经网络在控制精度上优于传统的PID 控制ꎬ能够跟模糊控制一样明显降低系统的超调量ꎬ达到节能与舒适的目的ꎮ 但是人工神经网络控制在暖通领域应用于实际工程的例子很少ꎬ还有待于进一步的研究ꎮ2
3 基于遗传算法的暖空调自控系统的应用
遗传算法(GAs)出现于 20 世纪 60 年代ꎬ由美国密歇根大学的 Holland 教授提出ꎮ Holland 教授深受达尔文进化论的影响ꎬ他一直致力于探索一种不依赖问题的数学模型并且具有强大的空间动态搜索能力的随机化搜索方法ꎮ
文献[18] 在 对 变 风 量 空 调 系 统 进 行 设 计 和MATLAB 仿真的 PID 控制系统中引进了遗传算法ꎮ结果发现遗传算法的 PID 控制效果非常好ꎬ它比常规的 PID 控制的输出反应更快ꎬ过渡时间更短更平稳且无超调量ꎮ
文献[19]、[20]空调系统在遗传算法与模糊控制相结合的情况下可以进行自动寻优控制从而实现变频空调自适应智能控制ꎮ 文献[21] ~ [23] 在空调模糊控制系统中引用遗传算法进行优化ꎬ自动寻优设计隶属函数和控制规则ꎬ并与普通的模糊控制进行仿真对比ꎮ 结果表面ꎬ当遗传算法应用于模糊控制系统中时ꎬ整个系统相比于单纯的模糊控制系统反应速度要快ꎬ超调量要低ꎮ
相关知识推荐：暖通专业职称评审论文好发表吗
文献[24]在 BP 神经网络的框架下ꎬ首先用灰色神经网络模型对训练数据进行弱化ꎬ然后通过遗传算法的强大全局搜索能力对灰色神经网络的参数进行优化ꎬ这样遗传算法的预测效果明显要优于未优化的灰色神经网络ꎮ 新型、实用、精度高的 GA - GNN 算法适于空调订单预测ꎮ
遗传算法作用于智能控制算法当中ꎬ能够明显提高控制速度与效率ꎮ 这块应当作为重点研究方向ꎮ
2 4 常见控制方法在暖通空调自控系统的结合应用
由于暖通空调系统的高度非线性与控制参数多耦合关系ꎬ于是对控制方法提出了更高的要求[25] ꎮ人们通过对现有的几种控制方法进行结合ꎬ取长补短ꎬ形成了以下几种控制方法ꎮ
(1 ) 模 糊 控 制 与 普 通 PID 控 制 相 结 合ꎮ 文献[26] ~[28]在模糊控制与普通 PID 控制相结合的暖通空调控制系统中ꎬ其控制的精确性、超调量、鲁棒性都明显优于常规的 PID 控制ꎬ满足了人们对空调舒适性的要求ꎬ同时还能提高使用效率达到节能的效果ꎮ 文献[29] 药厂净化空调监控系统中应用模糊PID 控制时发现控制效果非常好ꎬ该系统相对于普通PID 控 制 超 调 量 降 低 了 9 1%ꎬ 调 节 时 间 减 少 了13 2%ꎮ 文献[30] 大型购物娱乐中心的中央空调系统使用改进了的模糊 PID 控制ꎬ跟普通的 PID 控制相比ꎬ其能耗降低了 10%以上ꎮ
(2)普通 PID 控制与神经网络控制相结合ꎮ 文献[31]电视台大型演播室温度控制与电子计算机仿真相结合ꎬ 实验发现神经网络 PID 控制在大型空间的恒温空调系统中比一般的神经网络控制不仅反应快而且超调量低ꎮ 文献[32] 在 BP 神经网络的 PID控制器的基础上ꎬ提出了常规 PID 控制和神经网络相结合的设计方法ꎬ该设计方法在应用到地源热泵空调系统时发现ꎬ系统的动态性有了显著增强并且控制的精确度得到明显提高ꎬ与此同时 PID 控制参数能在线动态调整ꎬ这些都足以证明神经网络 PID 控制效果显著ꎮ 文献[33]神经网络 PID 控制器应用到中央空调系统中控制温度ꎬ发现神经网络 PID 控制器一旦经过优化升级后其鲁棒性就更强ꎮ
(3)模糊控制与神经网络控制相结合ꎮ 文献[34] 在对PID 控制、模糊控制以及神经网络理论进行研究时ꎬ发现模糊控制与神经网络理论相结合可以创建变频空调智能控制系统ꎬ设计出了模糊神经网络控制的变频空调智能系统ꎮ 大量的实验表明了该智能变频空调控制系统可以在线动态调整压缩机的转动速度使室温平稳舒适ꎮ
以上可以看出ꎬ将控制方法相互结合ꎬ取长补短ꎬ能达到暖通空调自动控制的理想效果ꎬ是目前其发展的趋势所在ꎮ
3 结语与展望
本文重点介绍了传统 PID 控制、模糊控制、神经网络控制与遗传算法等自动控制技术在暖通空调领域的应用及特点ꎬ从而我们可以得出以下结论ꎮ
(1)由于现在暖通空调控制系统越来越复杂ꎬ模型的建立越来越困难ꎬ常规基于模型建立的 PID 控制技术很难完成控制目标ꎬ而不基于具体控制模型的模糊控制与神经网络具有很大的优势ꎮ
(2)中央空调系统是多变量、超滞后性、时变的系统ꎬ模糊控制与神经网络在控制超调量方面明显优于传统的 PID 控制技术ꎮ
(3)但是模糊控制规则其技术参数的确定通常是根据专家经验事先设定好的ꎮ 由于其参数值是按标准环境设定的ꎬ不能很好地考虑空调所在室内环境的差异、季节的变化以及个体舒适度等因素ꎮ 但是对于神经网络控制ꎬ上面因素并不能影响这系列控制器的控制效果ꎮ 它也具有一些固有的缺陷ꎬ比如收敛速度慢容易陷入局部极小点ꎮ
常规模糊变频空调、神经网络控制与传统的空调相比ꎬ技术上有了很大的进步ꎮ 智能控制与传统 PID控制方法之间相互结合的优势是有目共睹的ꎬ应该成为现代控制理论发展的总趋势ꎬ 不同的控制策略之间相互取长补短ꎬ 以便更好地服务于暖通空调节能控制的要求ꎮ——论文作者：刘秋琼ꎬ 李志生
参考文献:
[1]薛志峰ꎬ江亿. 北京市大型公共建筑用能现状与节能潜力分析[ J]. 暖通空调ꎬ2004ꎬ(9):8 - 10.
[2]徐杰. 地铁车站中央空调系统节能控制[D]. 合肥:合肥工业大学ꎬ2013.
[3]Johansson K HꎬJames J BꎬBryant G Fꎬet al. Multivariable controllertuning[ C] / / The 17th American Control Conferenceꎬ Philadelphiaꎬ PAꎬ1997.
[4]倪忠远ꎬ赵耿. PID - ATC 的现状[ J]. 工业仪表与自动化装置ꎬ1996ꎬ(6):13 - 19.
[5]李峰ꎬ李萍ꎬ赵虎ꎬ等. 变风量空调系统的模糊控制[ J]. 仪器仪表学报ꎬ2004ꎬ(S2):261 - 263.
[6]王成立ꎬ卢建刚. 变风量空调系统末端变论域模糊控制[ J]. 计算机应用ꎬ2011ꎬ(2):470 - 472.
SCISSCIAHCI
