鲁棒模型预测控制在变风量空调系统中的应用

在变风量空调系统中二次泵压差控制可以有效地减少空调能耗,为克服二次泵模型的不确定性,提高二次泵变频调速控制的响应速度和精度,采用基于线性矩阵不等式的鲁棒预测控制策略。算法分为离线和在线两个部分,离线时首先用传统算法得出目标函数上界,以此为已知量重新优化得到一系列较大的渐近稳定的不变椭圆集。在线时,每个采样周期用三个相邻的椭圆集优化来对状态变量进行精确定位,并给出控制量。给出在线优化的理论证明。通过和传统算法的仿真比较,表明该算法的有效性。二次泵压差控制的实验表明该算法可得到较大的可行域,系统响应快,控制效果好。     

变风量空调系统恒温解耦控制优化

在室内恒温控制问题的研究中,变风量空调系统的房间送风量、冷冻水流量和风机转速三个输入变量与房间温度、送风温度和静压三个输出变量之间存在着不同程度的耦合关系,每个房间的温度控制会受到不同程度的干扰,严重时会影响到整个系统的稳定性.为解决上述问题,根据变风量空调系统的房间、表冷器、风机等各个子系统模型,通过寻找一个合适的开环传递函数矩阵,实现对系统的解耦控制,通过使解耦矩阵的对角元素为1,得到简化的解耦矩阵.比通常利用对角化方法和状态反馈矩阵方法直接求得的解耦矩阵要简单.运行空调实验结果表明控制回路之间干扰不明显,解耦控制效果良好.     

变风量空调系统的分布式预测控制

基于预测控制策略的多输入多输出（MIMO）控制器可以解决单通道变风量系统的控制问题,但在输入输出变量较多时,计算就变得非常复杂。在分析系统工作机理和系统动力学行为的基础上,建立了内部模型,在此基础上采用分布式预测控制技术将系统分解成四个子系统,通过设定参考轨迹、输入输出约束及加权矩阵,解决了系统凸二次型的全局优化和纳什问题。通过仿真研究验证了系统控制的效果。     

基于协调的变风量空调系统分布式预测控制

在实验和系统动力学行为分析的基础上,建立了变风量空调实验系统的内部模型,并分解为7个子系统。各个子系统分别采用模型预测控制（MPC）进行局部优化控制。在保证各个子系统之间网络连通和信息共享的基础上,将各个MPC的局部目标组合成系统级目标,从而把大规模的变风量空调控制系统在线优化问题转化为各子系统小规模的分布式优化问题。通过仿真和实验研究,验证了系统控制的效果。     

在变风量空调控制中应用神经元解耦控制技术

采用机理分析和系统辨识相结合的方法,建立变风量空调系统的模型。应用自适应神经元解耦控制技术,对耦合强烈的变风量空调系统的4维传递函数矩阵系统进行解耦控制。仿真研究和实际运行表明,解耦效果良好。     

变风量空调系统优化控制策略研究

VAV(variable air volume)空调系统在温度控制过程中会受到不确定性和随机干扰的影响,同时VAV空调系统具有非线性、复杂性、时变性等特性,传统的控制算法很难保证系统在低能耗的前提下对温度实现精确控制。为了改善传统算法中存在的缺陷,提出将基于受限DNN(deep neural network)的Homothetic Tube MPC(model predictive control)算法应用于VAV空调系统的房间温度控制中：通过对VAV系统进行分析,建立最小能耗目标函数;将实际系统的最优控制问题转化为在线学习问题,利用受限DNN优化算法有效且快速地求解最优控制动作;算法在优化过程中采用大小可变的Tube集来对抗系统运行中存在的不确定性和随机干扰。仿真实验结果表明,对比Tube MPC(TMPC)算法和Homothetic Tube MPC(HTMPC)算法,该控制算法对室内温度的控制精度更高,优化所需的时间成本更低,对不确定因素的适应性更强。实施算法时产生的总能耗比应用TMPC时少15.67%,比采用HTMPC时节约6.46%。

     

解析解耦设计在变风量空调系统中的应用

研究空调优化控制问题,变风量空调(VAV)具有多变量、强耦合和非线性系统.变量之间的耦合会直接影响空调系统的性能指标和稳定性.针对变风量空调系统进行建模,模型为三输入三输出的传递函数矩阵.在内模控制系统结构基础上,运用解耦控制的解析设计方法来设计解耦控制器.解耦设计方法可以达到标称系统变量间完全解耦,并且参数可以在线调整,使输出能够紧密跟随系统的动态变化.仿真结果表明,解耦控制器的设计提高了性能,应用效果较好.     

神经元PID控制在变风量空调室温控制中的应用研究

针对变风量空调系统的延迟,非线性和模型不确定性,本文提出将神经元P I D控制器应用于变风量空调系统中。该控制器综合了神经网络和P I D调节各自的有点,具有神经网络的学习和适应能力,同时具备P I D控制的广泛的适应性。仿真实验表明该控制器控制结果优于传统的P I D控制器。     

智能控制在变风量空调中的应用研究

智能控制在变风量空调系统中的应用有利于其中控制技术方面问题的解决。本文介绍了以模糊控制和神经网络控制为代表的智能控制研究概况,并指出了今后的发展趋势。     

LON Works总线在变风量空调系统的应用

介绍了变风量空调系统和现场总线技术中的LON works总线，利用LON works总线建立了变风量空调系统控制系统，并对该变风量空调控制系统做了较为细致的描述。该系统具有现场总线技术的优点，实现了系统控制的彻底分散化，提高了系统的可靠性。试验表明。采用LON works总线可对变风量空调系统进行控制。并具有良好的控制效果。     

Lonworks技术在变风量中央空调解耦控制系统中的应用

该文采用现场总线技术中的Lonworks技术建立变风量空调解耦控制系统,并对该变风量空调解耦控制系统作了较为细致的描述,提出了用LonManagerDDEServer和VisualBasic建立变风量空调解耦控制系统的LONWORKS网络监控系统的方法。认为用Lonworks技术中的网络变量来处理各个控制回路之间的解耦补偿系数是很合适的。该系统具有现场总线技术的优点,包括实现了系统控制的彻底分散化,提高了系统的可靠性。用Lonworks技术对变风量空调系统进行控制,可以极大地改善变风量空调控制系统的品质并提高控制系统的先进性。     

遗传算法在VAV中央空调优化控制中的应用

以VAV中央空调能耗仿真模型为基础,根据VAV中央空调节能优化问题的特点,分析了利用遗传算法解决该问题的可行性。详细介绍了利用遗传算法寻找VAV中央空调系统运行过程中各个可控变量的最佳设定值的优化过程,并对遗传算法的运行效果进行了分析。建立了基于遗传算法的VAV中央空调控制仿真系统,对该方法在实际系统中的应用进行了仿真验证。     

VAV空调系统的变静压控制和研究方法

在阐述了变风量空调系统变静压控制的基本原理的基础上,介绍了目前国外对变风量系统风机和送风静压控制方法的研究状况,对几种常用的变静压算法进行了综述,并提出了变静压控制策略的研究方法。     

模拟退火算法改进的BP神经网络PID控制器在变风量空调系统中的应用研究

以变风量空调系统的温度控制作为研究对象,在现有研究的基础上,提出了模拟退火算法改进的神经网络PID控制方法。应用神经网络进行PID参数在线整定,模拟退火算法提高神经网络的学习速率和收敛性,结合三者各自的优势以提高变风量空调系统的控制性能。     

变风量空调末端广义预测自校正控制

变风量空调具有非线性、大延时、时变等特点,被控对象的精确数学模型难以建立,对于此类系统常规PID控制难以取得理想控制效果。为了提高变风量空调控制的稳定性、保证室内舒适,将广义预测自校正控制应用于变风量空调末端控制。考虑到系统具有时变性,采用变遗忘因子最小二乘法在线辨识系统参数,实现在线自校正功能;采用隐式求解方法,减小了广义预测算法的计算量;结合串级控制结构,以变风量空调末端风阀开度为中间被调量,设计了串级广义预测自校正控制。建立变风量空调房间和末端装置的数学模型,在此基础上进行仿真研究。仿真结果表明,广义预测自校正控制具有较强的跟踪性能、抗干扰能力及鲁棒性,能够满足变风量空调末端的控制要求。     

智能预测控制在工业滞后系统中的应用

为了克服工业滞后系统难以建立准确模型、控制误差大的问题,文章采用基于神经网络的预测控制方法,实现了滞后补偿,提高了抗干扰能力,从而降低了控制误差。仿真结果表明该方法在不引起震荡的同时大大提高了系统的稳定性能。     

VAV末端装置控制方式与仿真技术发展

VAVBOX作为变风量中央空调的重要节能装置,其控制方式直接决定着节能的效果。论文在对VAVBOX结构与控制方式进行研究的基础上,重点对其控制系统仿真方法与相应控制算法进行了比较。结合变风量中央空调发展需求以及智能家居的物联网技术发展,指出物联网化是变风量中央空调系统控制技术的重要发展趋势。     

蚁群算法在变风量空调控制系统中的应用研究及仿真

变风量空调系统是一个具有大惯性、大滞后的复杂系统。通常对于变风量空调系统采用常规的PID控制,但是常规PID控制具有系统超调量大、动态响应速度慢等问题。将基于蚁群算法的PID控制应用到变风量空调控制系统中。通过MATLAB仿真,得到基于蚁群算法的PID控制具有响应速度快,超调量小的结论。