基于CQPSO算法的VAV空调系统温度控制方法与流程
本发明涉及一种基于cqpso算法的vav空调系统温度控制方法。
背景技术：
建筑能耗在我国能源消耗中的比重日益增大，而在建筑能耗中，空调能耗占有了一部分比例，建筑的空调节能已经迫在眉睫。建筑的空调负荷的准确调节控制是进行建筑空调节能优化设计的重要依据之一。
变风量空调系统(variableairvolumeairconditionsystem，vav空调系统)是通过固定送风温度，改变送风量来实现对室内温度和湿度调节的全空气空调系统。由于变风量空调系统的灵活，舒适，节能等特性，近年来在国内外得到了广泛应用。目前，vav空调系统的温度控制普遍采用传统pid控制。由于vav空调控制系统具有非线性、大滞后和时变性等特点，传统pid控制方法存在的控制精度低，抗干扰能力差的问题。
技术实现要素：
有鉴于此，本发明的目的在于提供一种基于云自适应量子粒子群优化算法(cqpso算法)的vav空调系统温度控制方法，
为实现上述目的，本发明采用如下技术方案：
一种基于cqpso算法的vav空调系统温度控制方法，包括以下步骤：
步骤s1：初始化粒子群，设定种群数为m，粒子维数n，最大迭代次数t，设定比例系数kp、积分系数ki和微分系数kd的初始值ki(0)＝[kp(0)，ki(0)，kd(0)]，并设个体最好位置pi(0)＝f(xi(0))；
步骤s2：计算种群的平均最优位置；
步骤s3：对群体中的每一个粒子i(1≤i≤m)，执行处理操作：
步骤s4：判断是否满足预定迭代次数，或者误差精度，若满足则执行步骤s5，否则，置t＝t+1返回步骤s2；
步骤s5：得到并输出最优解ki(t)
步骤s6：将求得的ki(t)代入pid方程，得到基于cqpso的pid参数优化控制模型，并建立压力无关型变风量末端装置串级控制器。
进一步的，所述cqpso算法具体为：
假设在一个n维的目标搜索空间内，有m个粒子构成的群体，其中第i个粒子的吸引子为pi＝(pi，1，pi，2，…，pi，n)，其坐标如式(1)所示；在每一维上以pi坐标pi，j为中心建立一个一维detla势阱，则第j维的坐标基本进化方程如式(2)所示。
pi，j(t)＝φi，j(t)·pi，j(t)+[1-φi，j(t)]·gj(t)(1)
对于li，j(t)的评价，引入平均最好位置c(t)，即所有粒子个体最好位置的平均，其定义如式(3)：
li，j(t)通过式(4)来评价：
li，j(t)＝2α·|cj(t)-xi，j(t)|(4)
根据式(2)和(4)可得到cqpso算法的进化过程如式(5)：
xi，j(t+1)＝pi，j(t)±α·|cj(t)-xi，j(t)|·ln[1/ui，j(t)](5)
式中，ui，j(t)～u(0，1)；t为迭代次数；α为收缩-扩张系数；当ui，j(t)＜0.5时，前符号取“-”，当ui，j(t)≥0.5时，α前符号取“+”；根据式(3)计算得到种群的平均最优位置。
进一步的，所述收缩-扩张系数α求解如下
将量子粒子群分成三个子群，分别采用不同惯性权重生成策略；设粒子群的大小为m，第t次迭代中粒子xi的适应度值为fi；粒子群的平均适应度值为
fi＞favg″
适应度值大于favg″的粒子为群体中较差的粒子，α＝1.0
fi＜favg′
适应度值小于favg′的粒子为群体中较优秀的粒子，α＝0.5
favg′≤fi≤favg″
按照x条件云发生器根据粒子适应度值非线性动态调整粒子xi的收缩-扩张系数α。
进一步的，所述步骤s3具体为：
步骤s31：计算粒子i的当前位置xi(t)，并将xi(t)的适应度值与前一次迭代pi(t-1)的适应度值比较，若xi(t)的适应度值优于pi(t-1)的适应度值，，则pi(t)＝xi(t)，否则pi(t)＝pi(t-1)；
步骤s32：计算群体当前的全局最优位置，即将pi(t)的适应度值与前一次迭代的全局最优位置g(t-1)作比较，若f[xi(t)]＜f[g(t-1)]，则g(t)＝pi(t-1)；
步骤s33：对粒子i的每一维，根据式(1)计算得到一个随机点的位置；
步骤s34：根据不同的粒子适应度值采取不同的收缩-扩张系数α，其中普通的粒子群用云自适应调整收缩-扩张系数α，根据式(5)更新粒子的新位置。
本发明与现有技术相比具有以下有益效果：
本发明基于cqpso优化pid控制器，改善系统的性能，增加其控制精度和适应性都有良好的效果，并能较好的抑制外界因素对变风量空调系统干扰，加快重新恢复稳态的速度，因此应用于非线性和不确定性的vav空调系统时可以取得更加理想的控制效果。
附图说明
图1是本发明算法流程图；
图2是本发明一实施例中正态云模型；
图3是本发明一实施例中基于cqpso的pid参数优化；
图4是本发明一实施例中压力无关型变风量末端装置串级控制图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于cqpso算法的vav空调系统温度控制方法，包括以下步骤：
步骤s1：初始化粒子群，设定种群数为m，粒子维数n，最大迭代次数t，设定比例系数kp、积分系数ki和微分系数kd的初始值ki(0)＝[kp(0)，ki(0)，kd(0)]，并设个体最好位置pi(0)＝f(xi(0))；
步骤s2：计算种群的平均最优位置；
步骤s3：对群体中的每一个粒子i(1≤i≤m)，执行处理操作：
步骤s4：判断是否满足预定迭代次数，或者误差精度；若满足则执行步骤s5，否则，置t＝t+1返回步骤s2；
步骤s5：得到并输出最优解ki(t)
步骤s6：将求得的ki(t)代入pid方程，得到基于cqpso的pid参数优化控制模型，并建立压力无关型变风量末端装置串级控制器。
在本实施例中，所述cqpso算法具体为：
假设在一个n维的目标搜索空间内，有m个粒子构成的群体，其中第i个粒子的吸引子为pi＝(pi，1，pi，2，…，pi，n)，其坐标如式(1)所示；在每一维上以pi坐标pi，j为中心建立一个一维detla势阱，则第j维的坐标基本进化方程如式(2)所示。
pi，j(t)＝φi，j(t)·pi，j(t)+[1-φi，j(t)]·gj(t)(1)
对于li，j(t)的评价，引入平均最好位置c(t)，即所有粒子个体最好位置的平均，其定义如式(3)：
li，j(t)通过式(4)来评价：
li，j(t)＝2α·|cj(t)-xi，j(t)|(4)
根据式(2)和(4)可得到cqpso算法的进化过程如式(5)：
xi，j(t+1)＝pi，j(t)±α·|cj(t)-xi，j(t)|·ln[1/ui，j(t)](5)
式中，ui，j(t)～u(0，1)；t为迭代次数；α为收缩-扩张系数；当ui，j(t)＜0.5时，前符号取“-”，当ui，j(t)≥0.5时，α前符号取“+”；根据式(3)计算得到种群的平均最优位置。
在本实施例中，所述收缩-扩张系数α求解如下
将量子粒子群分成三个子群，分别采用不同惯性权重生成策略；设粒子群的大小为m，第t次迭代中粒子xi的适应度值为fi；粒子群的平均适应度值为
fi＞favg″
适应度值大于favg″的粒子为群体中较差的粒子，α＝1.0
fi＜favg′
适应度值小于favg′的粒子为群体中较优秀的粒子，α＝0.5
favg′≤fi≤favg″
按照x条件云发生器根据粒子适应度值非线性动态调整粒子xi的收缩-扩张系数α。改进的云自适应量子粒子群的收缩-扩张系数α生成算法如下：
由高数极限定理知，
设t为论域u上的语言值，u到[0，1]的映射ct(u)：u→[0，1]；
参数选取：
en影响正态云的分布。根据“3en”规则，对于论域u上的语言值，有贡献的定量值的99.74％落在c1上。en越大，则云覆盖的水平宽度越大。结合算法的速度和精度，算法中取c1＝2.8。
he决定云滴的离散程度。he过小，会在一定程度上丧失“随机性”；he过大，又会丧失“稳定倾向性”，算法中c2＝8。
在本实施例中，所述步骤s3具体为：
步骤s31：计算粒子i的当前位置xi(t)，并将xi(t)的适应度值与前一次迭代pi(t-1)的适应度值比较，若xi(t)的适应度值优于pi(t-1)的适应度值，，则pi(t)＝xi(t)，否则pi(t)＝pi(t-1)；
步骤s32：计算群体当前的全局最优位置，即将pi(t)的适应度值与前一次迭代的全局最优位置g(t-1)作比较，若f[xi(t)]＜f[g(t-1)]，则g(t)＝pi(t-1)；
步骤s33：对粒子i的每一维，根据式(1)计算得到一个随机点的位置；
步骤s34：根据不同的粒子适应度值采取不同的收缩-扩张系数α，其中普通的粒子群用云自适应调整收缩-扩张系数α，根据式(5)更新粒子的新位置。
本实施例中基于cqpso的pid参数优化结构如图3所示，根据压力无关变风量末端控制原理，采用pid串级控制对变风量空调系统的温度进行控制，其原理如图4所示：主回路是温度控制回路，由温度传感器采集区域温度与设定温度进行比较后输入温度控制器，计算出设定风量值，并作为副回路的设定值；副回路是风量控制回路，其作用是控制风阀执行器，由风量传感器采集到的末端实际风量与设定风量的误差输入风量控制器，再将阀门开度送入风阀执行器，从而调节末端实际风量保持在设定值。在压力无关型末端串级控制系统中，主控制对象为室内温度，具有较大容量滞后，因此控制温度的主回路控制器采用pid控制，而控制风量的副回路控制器采用pi控制。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
- 还没有人留言评论。精彩留言会获得点赞！