人工神经网络技术在大区域空调温湿度监控系统中的应用

1 、引言

随着科学技术的发展、人类社会不断进步，人们的生活质量不断提高，人们对生活环境的要求也日渐增长，因此智能建筑应运而生。建筑设备自动化系统是智能建筑的一个重要组成部分，它负责对大厦内的各种机电设施进行全面的计算机监控管理，包括中央空调、给排水、变配电、照明、电梯、消防、安全防范等系统的监控。而中央空调的能耗占整个建筑能耗的50%－60%，是系统节能的重点。但是，由于中央空调系统庞大，反应速度较慢，滞后现象严重，给机组运行的稳定性增加了困难。目前为止，中央空调的控制系统几乎仍然采用传统的控制技术，如比例积分微分（PID）调节，由于PID的控制参数往往通过工程师的经验预先设定或通过试验来确定，对于工况变化的适应性差，控制惯性较大，节能效果不理想，特别是大区域中央空调系统的协调控制问题，用传统控制技术是难以解决问题的。以下结合某企业的技术改造工程对大区域空调系统温、湿度控制问题从技术层面作简要探讨。

2 、大区域空调温湿度监控系统

2.1大区域空调温湿度控制的难点

目前大区域空调温湿度控制系统的控制方案，主要是采用将大区域划分成若干子区域，即“大面积分区”，每个子区域安装一定的温、湿度传感器，分别由一个空调子系统控制该子区域的空气温、湿度。控制方式一般采用PID控制，即采用测温元件（温感器）、PID温度调节器和电动二通调节阀的PID调节方式。在炎热的夏季实质上是调节位于该子区域的表冷器冷水管上的电动调节阀；在寒冷的冬季是调节位于该子区域的加热器热水管上的电动调节阀，通过控制调节阀开度的大小实现冷（热）水量的调节，以达到控制温度的目的。由于控制面积大、检测点传感器的误差以及空调系统工况的复杂性，经常会出现相邻的两个空调子区域，为了达到相同的温度平衡点，一个空调子区域温度高于设定温度进行表冷处理，在降低温度；而另一个空调子区域温度低于设定温度进行加热处理，在升高温度。这样，不仅造成控制系统振荡比较大，很难平稳地过渡到温度设定点，而且还造成了极大的能源浪费，这就是大区域空调温湿度控制的难点所在。

2.2 大区域空调温湿度系统的特点

（1） 大区域空调系统的分解与协调

大区域空调系统是复杂大系统，由于控制区域大，只用一台大容量的空调进行控制，不但很难达到恒温、恒湿的控制要求，而且会造成能源的极大浪费。所以，必须对大区域进行分区处理，每个区域由独立的空调子系统进行控制。当将若干个分区参数相同（或相近），而湿热比各不相同的相邻区域整合为一个大型的空调控制系统时，就会遇到如何分区处理和如何确定送风量的难题，也就是如何进行协调控制的问题。

（2） 空调系统中检测点的选择

大区域空调的控制策略应充分考虑工业中空调大风量、小焓差的特点，同时满足环境工业要求、舒适卫生和节约能源要求，突出测控全面、调节精确、方便适用的特色。基于以上原则，每台空调控制区域分别设置4组温度和湿度检测点，以4组温、湿度检测值的加权平均值作为控制用的检测值。另外，在新风口设置一组温、湿度传感器检测新风焓值作为新风利用控制的依据，送风口设置防凝水检测装置，其检测值作为防凝水控制的依据。空调机内部设置温度传感器，检测送风情况，对空调机进行温度保护，这样虽然增加了检测点，但是由于空气的热惯性，仍然很难精确计算出空气中各部分的实际温度，因此大区域空调温、湿度系统的控制属于不确定性复杂大系统控制问题，检测点的选择显得特别重要。

3、 控制策略的选取

由于被控对象的复杂性和不确定性，按传统的方法，根据被控对象的数学模型，在满足性能指标及约束条件下，综合设计控制器的方法是不能用的。因为对不确定性复杂对象不可能建立严格的数学模型，综合设计系统的前提条件不存在。对不确定性复杂系统的控制，一般采用以知识表示的非数学的广义控制模型。可供选择的策略有神经网络控制、模糊控制、实时专家系统控制、仿人智能控制等，它们都无需对象的数学模型。其中，人工神经网络（ANN Artificial Neural Networks）理论、实现方式及算法是人工智能（AI Artificial Intelligence）研究的重要课题之一。它作为一种软件产品，广泛应用于信息技术和模式识别等智能化领域，近年来人工神经网络［2］［3］［4］［5］在自动控制领域得到了广泛的应用，为自学习、自适应控制等提供了一种新的有效途径。通过人工神经网络的离线训练和在线学习，使控制器具有自调整和自适应的性能，从而进一步改进实时控制效果，这里选取人工神经网络与控制技术相结合的控制策略，因为它更贴近实际。

4 、人工神经网络在中央空调自动控制系统中的实现

针对大区域中央空调监控系统的传统PID控制方案存在的问题，将人工神经网络技术引入到该监控系统中。

4.1 网络结构的确定

对于BP神经网络，其结构的确定包括了输入层、输出层节点个数的确定和隐藏层层数、隐藏节点个数的确定，以及神经元的激活函数。其中输入层、输出层节点的个数与求解的问题密切相关。

（1） 神经网络层数

理论上已证明具有偏差和至少一个S型隐层加上一个线形输出层的网络，能够逼近任何有理函数。但这只说明了含有一个隐层能够逼近任何有理函数，并不一定是最好的。文献［6］指出：逼近相同输入维数的函数，两个隐层的网络可能比单个隐层所需隐单元数少得多。增加层数还可以更进一步的降低误差，提高精度，但同时也使网络复杂化。而精度的提高实际上也可以通过增加隐层的神经元数目来获得。

（2） 输入参数及输出节点的选取

为了全面反映空调系统中室内温、湿度的变化，又考虑到神经元网络便于处理多输入信息的特点，选取4对车间温湿度、室外温湿度、冷水温度、送风机电流、加热阀阀位、加湿阀阀位、制冷阀阀位、新风阀阀位和车间设定温湿度共18个参数作为输入参数，并将其输入参数标准归一化。输出节点为冷水阀控制、加热阀控制、加湿阀控制、新风阀控制和送风机控制等5个参数。取其中192个样本组成训练集。

（3） 隐含层神经元个数

隐层节点数的选择是十分复杂的，隐含节点数与问题的要求、输入输出节点的多少有关。网络训练精度的提高可以通过增加隐层神经元个数的方法来实现。如果隐层节点太少，网络可能难以训练或容错性差，但隐层节点过多又使学习时间太长，误差也不一定最小。但究竟选取多少个隐层节点，在理论上并没有一个明确的规定。很多学者提出了不同的观点，有三种计算公式：

由此可见，对于神经网络这样一个复杂的非线性动态系统而言，很难找到有关其特性、容量等的简洁解析表达式。文中采用第二种方法确定隐层节点数，并通过学习对隐层节点数进行调整，直到满足精度要求为止。

（4） 激活函数

a） 在S型函数中加入可调系数

b） 在基本的S型函数中加入可调参数，激活函数的形式变为

改变S形函数输出动态范围

基本BP算法中神经元的激活函数，通常采用S形函数，即

一般对数S型激活函数的输出动态范围为（0，1），从网络训练的要求来看，这不是最佳的。因为从权值凋整公式可知，权值的变化也正比于前一层的输出，而因其中一半是趋向0的一边，这必然引起权值调整量的减少或不能调整，从而延长了训练时问，为了解决这个问题，采用双极性S型函数，即

（5） 学习速率的选取

在网络权值的调整过程中，通常希望在学习的初始阶段，步长可选择大一些；以使学习速度加快；当接近最优点时，步长又必须相当小，否则连接权值将产生振荡而难以收敛；当处在误差曲面的平坦区时，步长太小将使迭代次数增多；当处在误差曲面的剧烈变化区域，步长又不宜太大，否则将跳过较好的极小值或全局极小值［8］，通常是针对特定的问题，凭经验和依据实验结果调整这些参数值。

由于本方案中使用了具有可调参数的激活函数，为了使系统学习效果更加理想，既要使输出达到期望值，又要尽可能的加快学习速度，因此，在学习速率的选取上采用学习速率自适应调整方案。学习速率自适应调整的一般规则是：在连续迭代几步的过程中，新误差都比旧误差值大，学习速率将减小；若新误差小于旧误差时，则增大学习速率。此方法可以保证网络总是以最大的可接受的学习速率进行训练，当一个较大的学习速率仍能使网络稳定学习，使其误差继续下降，则增加学习速率。一旦学习速率调得过大，而不能保证误差继续减少，则减小学习速率直到使其学习过程稳定为止。选取学习速率的初始值 ＝0.2。

（6） 动量系数的选取

为了保证过程的稳定性，在每个加权调节量上加一项正比于前次加权变化量的值，即动量系数，其作用是使系统更加稳定。在训练网络时，变更不同 值，对网络进行训练及预测，当 ＞0.5时，网络不再稳定，使网络限于局部最小。因此分别选取动量系数 为0.15、0.20、0.40、0.50，网络比较稳定。综合考虑网络的训练结果，动量系数 ＝0.2。

4.2 人工神经网络控制中程序设计与实现

（1） 学习样本

网络模型选取的样本为企业生产车间某日从8:00到23:00每五分钟采集的数据。车间面积为1200m2，由于车间面积较大以及厂方要求，每个空调区域共设置了四对温湿度检测点。输入参数分别为：车间温度1、车间湿度1、车间温度2、车间湿度2、车间温度3、车间湿度3、车间温度4、车间湿度4、室外温度、室外湿度、冷水温度、送风机电流、加热阀阀位、加湿阀阀位、制冷阀阀位、新风阀阀位、车间设定温度、车间设定湿度共18个参数，作为数据学习样本，输出节点为冷水阀控制、加热阀控制、加湿阀控制、新风阀控制和送风机控制共5个参数。

（2） 控制系统结构图

综合上述的分析，选隐层数为2，再根据隐层节点的第二种计算方法，并通过学习，取 a=4，得出隐层节点数是n1=8 ，又知输入参数n=18 ，输出参数 m=5，可得该中央空调人工神经网络控制系统结构图如图2所示。

（3） 网络学习过程程序流程图

网络学习过程程序流程，如图3所示。学习终止条件设为：两次响应误差之间的差的绝对值小于 ，或误差小于 ，或学习次数大于5万次而未收敛。如果出现第三种情况，就认为学习不成功，用户可以追加样本个数或者调整输入、输出关系，对网络进行新的训练。当然也可以继续训练，但是如果训练次数过多，网络不可避免的会出现“过学习”的情况，造成网络对样本集的依赖性增加，泛化能力减弱。

5、 工程实验与结果

5.1主要程序模块

可用C语言编写网络学习过程程序，其中主要程序模块有：样本信号正向传播过程模块，误差信号（导师）反传过程模块，网络学习过程模块，网络工作过程模块。

5.2 实验结果与分析

中央空调系统由空气加热、冷却、加湿、去湿，空气净化，风量调节设备以及空调用冷热源等设备组成。被监控参数主要有空气的温度、湿度、压力（压差）以及空气清新度、气流方向等，在冷热源方面主要是冷热水温度、蒸汽压力。有时还需要测量、控制供回水干管的压力差，测量供回水温度以及回水流量等。在对这些参数进行控制的同时，还要对主要参数进行指示、记录、打印，并能监测各机电设备的运行状态及事故状态和报警。系统经改造后，将人工神经网络应用在大区域中央空调控制系统后，系统的稳定性和控制精度有了明显提高，从而节约了能源，改善了生产车间的环境，对提高产品的质量有很大帮助。为了说明控制效果，现将生产车间在技术改造前利用传统PID进行温、湿度控制的数据和改造后人工神经网络温、湿度控制数据结果进行比较分析，部分数据结果详见表1，对照ANN控制和PID控制实际测量的温、湿度数据可看出，ANN控制采用控制效果是相当理想的。

6、 结束语

以上围绕大区域中央空调系统温湿度控制问题对相关各参数进行了分析，结合某企业大区域中央空调监控系统改造，将人工神经网络技术应用在大区域中央空调控制系统中。文中对经典BP网络进行了改进，研究内容包括：网络结构的确定，输入参数及输出节点的选取，隐含层神经元节点的个数，激活函数的选取，学习速率 和动量系数的选取等，还给出了程序设计流程图。工程实验表明：ANN在大区域中央空调温、湿度监控系统中的应用前景是令人乐观的。