本发明涉及一种基于遗传算法的变风量空调系统及设计方法，属于空调系统技术领域。
背景技术：
变风量空调系统组件众多，系统复杂，涉及物理参数多，组件间存在耦合性，因此现在一般都只是对单个组件进行性能分析，无法了解系统的整体变化。传统变风量空调系统一般采用pid控制，但是常规pid控制参数大多是通过经验或者一些常用的pid工程整定方法获得，很难确保有好的控制效果。同时，pid控制参数一旦确定，在整个控制过程中都是固定不变的，而空调系统由于扰动等问题，其实际参数会发生变化，也使得pid控制缺乏灵活性。
技术实现要素：
为了克服现有技术的缺陷，本发明提供一种基于遗传算法的变风量空调系统及设计方法，根据质量能量守恒定律建立各组件的数学模型，忽略组件间输入输出间的损失，利用解耦的方法实现整体模型的搭建，然后建立遗传算法模块，改善控制过程，使控制过程的稳定性和快速性得到了提高，同时也使控制过程具有灵活性。
一种基于遗传算法的变风量空调系统，包括区域模块、混合箱、风机、加热盘管、第一管道、加湿器、第二管道、温度传感器、湿度传感器和遗传算法控制模块，所述区域模块、混合箱、风机、加热盘管、第一管道、加湿器和第二管道按顺序连接形成循环，所述区域模块分别通过温度传感器和湿度传感器将温度和湿度数据反馈至遗传算法控制模块，并由遗传算法控制模块分别控制加热盘管和加湿器。
一种基于遗传算法的变风量空调系统的设计方法，具体步骤如下
1)、建立变风量空调系统各组件的数学模型；
2)、连接系统各组件，并对系统各组件的输入输出参数做近似处理；
3)、建立遗传算法控制模块，并加入到控制回路中。
优选地，在步骤1)中，基于质量能量守恒原理建立变风量空调系统各组件的数学模型，包括区域模块模型、混合箱模型、风机模型、加热盘管模型、第一管道模型、加湿器模型、第二管道模型、温度传感器模型和湿度传感器模型；其中，
区域模块模型函数表达式为：
混合箱模型函数表达式为：
mrcpatr+mocpato＝mmcpatm；
mrwr+mowo＝mmwm；
mr+mo＝mm；
风机模型函数函数表达式为：
tf＝tm+1；
wf＝wm；
加热盘管模型函数表达式为：
管道1和管道2模型函数表达式均为：
加湿器模型函数表达式为：
温度传感器和湿度传感器模型表达式为：
且上述模型中各符号含义如下：
ar为屋顶面积，m2；aws为南墙面积，m2；
awn为北墙面积，m2；awe为东墙面积，m2；
aww为西墙面积，m2；af为地面面积，m2；
cz为区域的热容量，kj/℃；cpa为空气的比热容，kj/kg℃；
hws为南墙传热系数，w/m2℃；hwn为北墙传热系数，w/m2℃；
hwe为东墙传热系数，w/m2℃；hww为西墙传热系数，w/m2℃；
hr为屋顶传热系数，w/m2℃；hf为地面传热系数，w/m2℃；
q为房间里人和灯的热量，w；fsa为送风的体积流量，m3/s；
tz为区域温度，℃；tsa为送风温度，℃；
tws为南墙温度，℃；twn为北墙温度，℃；
twe为东墙温度，℃；tww为西墙温度，℃；
tr为屋顶温度，℃；tf为地面温度，℃；
to为室外温度，℃；cws为南墙的热容，kj/℃；
cwn为北墙的热容，kj/℃；cwe为东墙的热容，kj/℃；
cww为西墙的热容，kj/℃；cr为屋顶的热容，kj/℃；
cf为地面的热容，kj/℃；ws为送风的含湿量，kg/kg；
vz为区域体积，m3；wz为区域的含湿量，kg/kg；
mo为室外新风的质量流速，kg/s；mm为混合气体的质量流速，kg/s
mr为回风的质量流速，kg/s；tr为回风温度，℃；
tm为混合箱出口空气温度，℃；wr为回风的含湿量，kg/kg；
wo为新风的含湿量，kg/kg；wm为混合箱出口空气含湿量，kg/kg；
tf为风机出口空气温度，℃；wf为风机出口空气含湿量，kg/kg；
cah为空气处理机组热容，kj/℃；tco为加热盘管出口空气温度，℃；
twi为给水温度，℃；two为回水温度，℃；
ρa为空气密度，kg/m3；ρw为水密度,kg/m3；
(ua)a为空气处理单元的整体透光面积系数；fsw为供水的体积流量，m3/s；
cpw为水的比热容；vah为空气处理单元的体积，m3，
wco为盘管出口空气含湿量，kg/kg；tin为管道入口温度，℃；
tout为管道出口温度，℃；ma为空气的质量流速，kg/s；
cc为管道的比热容，kj/kg℃；mc为管道模型的质量kg/m；
hi为管道传热系数；ho为环境传热系数；
ch为加湿器的热容量，kj/℃；th为加湿器出口空气温度，℃；
tsi为加湿器入口空气温度，℃；αh为加湿器总的透光面积系数；
vh为加湿器的体积，m3；wh为加湿器的含湿量；
wsi为加湿器入口空气含湿量；h(t)为加湿器中湿空气的产生速度，kg/s；
tme为测量温度，℃；tse为传感器输出温度，℃；τse为传感器的时间常数，s；
wme为测量含湿量kg/kg；wse为传感器输出含湿量kg/kg；
优选地，对步骤2)各组件模块输入和输出参数之间存在的温度和湿度的差异做近似处理，并将建立了数学模型的各组件模块依次相连，组成变风量空调的系统模型。
优选地，所述步骤3)中建立遗传算法控制模块的具体步骤如下：
步骤3a)初始化：随机产生一个规模为p的初始种群，一组控制参数即一个个体，且每个个体为二进制位串的形式；
步骤3b)计算适应度：计算步骤3a)中初始种群中的每个个体的适应度；
步骤3c)选择：选择是指从群体中选择优良的个体并淘汰劣质个体的操作，以适应函数评估为基础，选择适应度大的个体，并将选择出来的个体放入配对库中；
步骤3d)：交叉：从步骤3c)的配对库的个体中以交叉概率选取字串，形成新的种群，其中字串随机匹配，进行基因交换，交换位置的选取是随机的；
步骤3e)：变异：从步骤3e)交叉后的种群中随机选择一个个体，按一定的变异概率进行基因变异，生成新一代的种群；
步骤3f)：观察步骤3e)中生成的新一代种群是否满足约束条件，若发现最优解或者到达迭代次数，则算法停止，否则，转步骤3b)。
优选地，在步骤3a)中，先按经验选取一组kp,ki,kd,然后在参数周围利用遗传算法寻优，减少计算量，其中kp为比例控制参数；ki为积分控制参数；kd为微分控制参数。
优选地，所述p的取值范围为20-100。
优选地，所述交叉概率为0.4-0.9，所述变异概率为0.001-0.1。
有益效果：本发明公开了一种基于遗传算法的变风量空调系统及设计方法，采用了机理分析法，通过建立质量能量守恒关系式，建立系统模型，具有准确性、完整性的特点；本发明根据热湿性指标，通过遗传算法优化pid控制参数，改善控制过程，使控制过程的稳定性和快速性得到了提高。
附图说明
图1为本发明的系统整体结构图。
图中：区域模块1、混合箱2、风机3、加热盘管4、第一管道5、加湿器6、遗传算法控制模块7、第二管道8、温度传感器9、湿度传感器10。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
一种基于遗传算法的变风量空调系统，包括区域模块1、混合箱2、风机3、加热盘管4、第一管道5、加湿器6、第二管道8、温度传感器9、湿度传感器10和遗传算法控制模块7，所述区域模块1、混合箱2、风机3、加热盘管4、第一管道5、加湿器6和第二管道8按顺序连接形成循环，所述区域模块1分别通过温度传感器9和湿度传感器10将温度和湿度数据反馈至遗传算法控制模块7，并由遗传算法控制模块7分别控制加热盘管4和加湿器6。根据图1，本发明中遗传算法控制模块分别与温度、湿度设定装置连接。
一种基于遗传算法的变风量空调系统的设计方法，具体步骤如下
1)、建立变风量空调系统各组件的数学模型；
2)、连接系统各组件，并对系统各组件的输入输出参数做近似处理；
3)、建立遗传算法控制模块，并加入到控制回路中。
优选地，在步骤1)中，基于质量能量守恒原理建立变风量空调系统各组件的数学模型，包括区域模块模型、混合箱模型、风机模型、加热盘管模型、第一管道模型、加湿器模型、第二管道模型、温度传感器模型和湿度传感器模型；其中，
区域模块模型函数表达式为：
混合箱模型函数表达式为：
mrcpatr+mocpato＝mmcpatm；
mrwr+mowo＝mmwm；
mr+mo＝mm；
风机模型函数函数表达式为：
tf＝tm+1；
wf＝wm；
加热盘管模型函数表达式为：
管道1和管道2模型函数表达式均为：
加湿器模型函数表达式为：
温度传感器和湿度传感器模型表达式为：
且上述模型中各符号含义如下：
ar为屋顶面积，m2；aws为南墙面积，m2；
awn为北墙面积，m2；awe为东墙面积，m2；
aww为西墙面积，m2；af为地面面积，m2；
cz为区域的热容量，kj/℃；cpa为空气的比热容，kj/kg℃；
hws为南墙传热系数，w/m2℃；hwn为北墙传热系数，w/m2℃；
hwe为东墙传热系数，w/m2℃；hww为西墙传热系数，w/m2℃；
hr为屋顶传热系数，w/m2℃；hf为地面传热系数，w/m2℃；
q为房间里人和灯的热量，w；fsa为送风的体积流量，m3/s；
tz为区域温度，℃；tsa为送风温度，℃；
tws为南墙温度，℃；twn为北墙温度，℃；
twe为东墙温度，℃；tww为西墙温度，℃；
tr为屋顶温度，℃；tf为地面温度，℃；
to为室外温度，℃；cws为南墙的热容，kj/℃；
cwn为北墙的热容，kj/℃；cwe为东墙的热容，kj/℃；
cww为西墙的热容，kj/℃；cr为屋顶的热容，kj/℃；
cf为地面的热容，kj/℃；ws为送风的含湿量，kg/kg；
vz为区域体积，m3；wz为区域的含湿量，kg/kg；
mo为室外新风的质量流速，kg/s；mm为混合气体的质量流速，kg/s
mr为回风的质量流速，kg/s；tr为回风温度，℃；
tm为混合箱出口空气温度，℃；wr为回风的含湿量，kg/kg；
wo为新风的含湿量，kg/kg；wm为混合箱出口空气含湿量，kg/kg；
tf为风机出口空气温度，℃；wf为风机出口空气含湿量，kg/kg；
cah为空气处理机组热容，kj/℃；tco为加热盘管出口空气温度，℃；
twi为给水温度，℃；two为回水温度，℃；
ρa为空气密度，kg/m3；ρw为水密度,kg/m3；
(ua)a为空气处理单元的整体透光面积系数；fsw为供水的体积流量，m3/s；
cpw为水的比热容；vah为空气处理单元的体积，m3，
wco为盘管出口空气含湿量，kg/kg；tin为管道入口温度，℃；
tout为管道出口温度，℃；ma为空气的质量流速，kg/s；
cc为管道的比热容，kj/kg℃；mc为管道模型的质量kg/m；
hi为管道传热系数；ho为环境传热系数；
ch为加湿器的热容量，kj/℃；th为加湿器出口空气温度，℃；
tsi为加湿器入口空气温度，℃；αh为加湿器总的透光面积系数；
vh为加湿器的体积，m3；wh为加湿器的含湿量；
wsi为加湿器入口空气含湿量；h(t)为加湿器中湿空气的产生速度，kg/s；
tme为测量温度，℃；tse为传感器输出温度，℃；τse为传感器的时间常数，s；
wme为测量含湿量kg/kg；wse为传感器输出含湿量kg/kg；
优选地，对步骤2)各组件模块输入和输出参数之间存在的温度和湿度的差异做近似处理，并将建立了数学模型的各组件模块依次相连，组成变风量空调的系统模型。在实际情况中，各组件模块输入和输出参数之间的温度和湿度存在微小变化，而本发明忽略组件间输入输出间的损失，对各组件模块的输入和输出参数做了近似处理，如区域模块的区域温度和混合箱的入口温度近似相等。
优选地，所述步骤3)中建立遗传算法控制模块的具体步骤如下：
步骤3a)初始化：随机产生一个规模为p的初始种群，一组控制参数即一个个体，且每个个体为二进制位串的形式，即染色体；
步骤3b)计算适应度：计算步骤3a)中初始种群中的每个个体的适应度；其中，pid控制参数的系统误差越小，上升时间越短，性能指标越好，适应度越高；适应度的计算公式可由本领域技术人员通过实际情况进行选择，为常规技术手段。
步骤3c)选择：选择是指从群体中选择优良的个体并淘汰劣质个体的操作，以适应函数评估为基础，选择适应度大的个体，并将选择出来的个体放入配对库中，适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多，其中，适应函数指通过适应度值的大小求得每个字串相应的复制概率。复制概率与每代字串的个数乘积为该串在下一代中应复制的个数。复制概率大的下一代中有较多子孙，相反则被淘汰，为本领域技术人员掌握的常规技术手段，故而未加详述；
步骤3d)：交叉：从步骤3c)的配对库的个体中以交叉概率选取字串，形成新的种群，其中字串随机匹配，进行基因交换，交换位置的选取是随机的；
步骤3e)：变异：从步骤3e)交叉后的种群中随机选择一个个体，按一定的变异概率进行基因变异，生成新一代的种群；
步骤3f)：观察步骤3e)中生成的新一代种群是否满足约束条件，若发现最优解或者到达迭代次数，则算法停止，否则，转步骤3b)。
优选地，在步骤3a)中，先按经验选取一组kp,ki,kd,然后在参数周围利用遗传算法寻优，减少计算量，其中kp为比例控制参数；ki为积分控制参数；kd为微分控制参数。
优选地，所述p的取值范围为20-100。
优选地，所述交叉概率为0.4-0.9，频率越高，函数收敛越快，但太高可能导致过早收敛，结果不准确；所述变异概率为0.001-0.1，群大小及染色体长度越大，变异率选取越小。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。