基于负荷预测的冷冻站系统非线性预测控制

我国建筑能耗约占社会总能耗的30%,其中集中式暖通空调系统能耗约占一半以上.为提高节能效率,本文提出基于负荷预测的空调冷冻站系统神经网络预测控制策略.本文采用神经网络作为优化反馈控制器,将满足负荷需求和系统能效比需求作为优化目标,将变分法和随机梯度下降法相结合,对神经网络权值进行滚动优化,既能解决传统变分法由开环控制引发的对随机干扰和不确定性敏感的问题,又可避免基于动态规划的非线性优化算法的"维数灾"问题.本文以北京某国企科研楼的空调系统为研究对象,实验结果表明,本文所提出的神经网络预测控制策略与PID控制算法相比,系统总能耗节省约8.57%,并且在控制过程中能够克服各种变化和不确定性因素的影响,具有更好的动态和稳态性能,且该算法占用存储空间适中、计算量小,易于工程实现.     

制冷站双目标权重自适应非线性预测控制

针对传统制冷站控制系统易产生振荡, 且无法实现系统性能整体优化的问题, 本文提出一种制冷站非线性 预测控制策略, 优化目标函数设计为满足建筑冷量需求的同时, 尽可能提高系统整体能效. 为解决上述两个优化目 标之间的矛盾关系, 本文采用模糊逻辑设计了优化目标权重自适应模块, 实时求取权重因子最优解; 针对非线性系 统在线优化求解困难问题, 本文提出了基于神经网络的非线性滚动优化算法, 采用神经网络作为反馈优化控制器, 并将系统优化目标函数作为在线寻优性能指标, 结合Euler-Lagrange方法和随机梯度下降法对控制器权值和阈值进 行在线寻优, 算法计算量小, 占用存储空间适中, 便于采用低成本的现场控制器实现制冷站预测控制. 仿真实验结果 表明, 本文所提出的预测控制策略与PID控制相比, 在未加入优化目标函数权重自适应模块情况下, 系统平均能效 比提高约32.5%; 进行优化目标函数权重自适应寻优后, 系统平均能效提高约39.43%.     

BP神经网络PID控制在空调系统中的应用

针对空调房间这样一个多干扰、大惯性、高度非线性系统控制性能优化较困难,传统的控制策略不但在控制精度、灵敏度以及系统稳定性上存在缺馅,而且能耗大.为了提高空调制冷和供暖效果,提出一种新的基于BP神经网络的PID控制方案,通过BP算法修正BP网络自身权系数,实现了PID控制器参数的在线调整.仿真结果显示BP神经网络PID控制系统比单纯的BP神经网络或PID控制系统建模时间短,系统更稳定,超调量更小,更适合应用于复杂的空调系统控制中.     

数据中心制冷系统非线性模型预测控制

数据中心制冷系统具有非线性、强耦合和大滞后特性,目前常用的PID方法无法实现系统整体能效提升,而现有非线性优化算法计算量大,不易工程实现.鉴于此,提出一种数据中心制冷系统模型预测控制策略,上层优化层设计预测控制器,其目标为在满足制冷要求的前提下降低系统能耗,优化层采用神经网络作为反馈控制器,将系统整体优化目标函数作为神经网络控制器优化性能指标,结合变分法与随机梯度下降法,通过滚动优化求取下层各回路被控变量最优设定值,算法占用存储区适中、计算量小;下层现场控制层通过实时控制使各回路被控变量跟踪最优设定值,可以在不破坏原有现场控制系统的情况下实现性能优化.构建Trnsys-Matlab联合仿真平台,针对系统夏季、过渡季和冬季的控制策略进行仿真实验.结果表明,所提出控制策略能够在满足数据中心安全运行的前提下,实现系统整体能效提升,且具有良好的鲁棒性.     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化 PID 神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的 PID 神经网络控制器具有逼近控制目标更快,响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于强化学习的地铁站空调系统节能控制

地铁站空调系统能源消耗较大,传统控制方法无法兼顾舒适性和节能问题,控制效果不佳,且目前地铁站空调控制系统均是对风系统和水系统单独控制,无法保证整个系统的节能效果.鉴于此,提出基于强化学习的空调系统节能控制策略.首先,采用神经网络建立空调系统模型,作为离线训练智能体的模拟环境,以解决无模型强化学习方法在线训练收敛时间长的问题;然后,为了提升算法效率,同时针对地铁站空调系统多维连续动作空间的特点,提出基于多步预测的深度确定性策略梯度算法,设计智能体框架,将其用于与环境模型进行交互训练;此外,为了确定最佳的训练次数,设置了智能体训练终止条件,进一步提升了算法效率;最后,基于武汉某地铁站的实测运行数据进行仿真实验,结果表明,所提出控制策略具有较好的温度跟踪性能,能够保证站台舒适性,且与目前实际系统相比能源节省约17.908%.     

强制循环蒸发系统的非线性自适应解耦PID控制

本文结合现场的实际过程数据,首先应用能量平衡建立了强制循环蒸发过程的动态模型.针对该过程的多变量、非线性以及强耦合特性,在常规增量式PID控制器的基础上提出基于神经网络与多模型切换的非线性自适应解耦PID控制策略.该控制器是由线性自适应解耦PID控制器和基于神经网络的非线性自适应解耦PID控制器以及切换机构组成.其中线性自适应解耦PID控制器可以保证系统的稳定,而基于神经网络的非线性自适应解耦PID控制器则可以有效地提高系统的性能.上述过程的PID参数是通过广义预测的方法得到,最后通过仿真表明,上述控制方法不仅消除了回路间的耦合,在稳定生产的同时提高了蒸发的效率.     

大射电望远镜精调Stewart平台非线性PID控制

为了实现大射电望远镜馈源指向跟踪系统精调Stewart平台的高精度轨迹跟踪,针对Stewart平台的系统特点,基于机器人关节控制策略,设计了一种非线性PID的Stewart关节调节器。该非线性PID算法构造了增益参数关于误差信号的非线性拟合函数,算法能够同时保证响应速度快、超调量小以及自适应能力强的系统特性。通过建立平台的数学模型,进行了典型信号输出响应数值仿真。仿真结果验证了关节空间控制策略以及非线性PID控制方法的可行性和有效性。     

Thermal comfort control using a non-linear MPC strategy: A real case of study in a bioclimatic building

The aim to maintain thermal comfort conditions in confined environments may require complex regulation procedures and the proper management of an HVAC (heating, ventilation and air conditioning) system. This problem is being widely analyzed, since it has a direct effect on users’ productivity, and an indirect effect on energy saving. This paper presents a hierarchical thermal comfort control system with two layers. The upper layer includes a non-linear model predictive controller that allows to obtain a high thermal comfort level by optimizing the use of an HVAC system in order to reduce, as much as possible, the energy consumption. On the other hand, the lower layer is formed by a PID (proportional, integrative and derivative) controller with anti-windup function which is in charge of reach the setpoints calculated by the non-linear model predictive controller. In order to probe the effectiveness of the proposed control system, suitable real results obtained in a bioclimatic building are included and commented.     

抄纸过程水分定量的改进型模糊免疫PID控制

针对抄纸过程中的水分定量控制对象是一个具有强耦合、非线性、大时滞的难控制对象,提出一种改进型模糊免疫PID控制方法,这种方法用三输出的模糊控制和免疫PID控制相结合的方法,避免了常规模糊免疫控制器只相当于一个非线性P控制器的缺点,能充分发挥PID三个参数的自适应性能;最后将这种方法对抄纸过程的水分定量控制进行了仿真研究,结果表明,该方法比传统模糊免疫PID有更好的自适应性,具有超调小、响应快等优点,对多变量耦合系统具有较强的自适应性、解耦和鲁棒性。     

基于自适应模糊PID控制器的非线性系统仿真

对于缺乏精确模型的过程或参数时变的滞后过程,传统PID控制难以达到良好的控制效果.普通模糊控制能够对一些非线性系统进行控制,并不需被控对象精确的数学模型,但是模糊控制难以消除系统的静态误差.针对复杂的非线性系统,设计了自适应模糊PID控制器.该控制器将模糊控制的动态性能好的优点和PID控制的稳态精度高的优点结合起来,采用模糊控制与PID控制分段控制策略,当偏差大于某一阈值时,采用模糊推理的方法调整系统的控制量,当偏差小于某一阈值时,切换到PID控制以消除系统的静态误差,较好地克服了传统PID控制和普通模糊控制所存在的主要问题.通过仿真实验分析,证明了该控制方法的有效性.     

基于模糊预测PID算法的地下空间湿度控制

根据防护工程地下空间空调系统的时滞以及非线性特性,结合预测控制和模糊控制两种方法,设计了基于模糊预测PID算法的控制器.建立了系统的数学模型,并基于所提出的控制方法对其进行仿真研究,结果显示该控制器抗干扰能力较好,相较于传统PID控制,该控制器调节时间更快,控制效果更佳.     

客舱数字压力控制系统的仿真分析

客舱压力的控制是商用飞机主制造商必须攻克的关键核心技术之一;基于参数固定的经典PID压力控制器难以适应复杂多变的客舱内外环境,严重影响了乘客乘坐的舒适性,也对飞行安全构成了严重威胁;推导并简化客舱和排气阀门的数学模型,设计数字模糊自适应PID控制器;仿真结果表明,当飞行参数、供气参数等发生变化时,客舱压力采用模糊自适应PID控制要比采用经典的PID控制稳定得多;这不仅增加乘客乘坐舒适性,提升乘坐体验,而且避免压力交替对飞机结构造成疲劳损伤,提高飞行安全,增强飞机的市场竞争力。