一种基于仿真模型的神经网络多末端风阀控制系统及方法与流程

1.本发明涉及空气调节和通风节能控制技术领域，尤其是涉及一种基于仿真模型的神经网络多末端风阀控制系统及方法。


背景技术：

2.变风量空调系统由于控制的灵活性在建筑空调领域中得到了广泛应用，在变风量空调系统中风阀开度是影响各末端送风量的直接因素。变风量空调系统风量控制常采用两种控制方法：(1)各末端均通过固定挡位控制，将风阀开度设置为固定的全开/全闭两档，或者根据开度选择固定档数(如：关闭、30％开度、50％开度、70％开度、全开五档)，风阀开度按照挡位确定，开度变化种数减少，简化了风机控制。(2)pid控制风机频率，使空调系统总进风量满足需求，各末端的风量通过风阀开度调节，风阀开度根据房间设定的实时温度进行pid调控开度。(3)通过大数据模型控制风阀开度，基于现场历史数据确定不同工况下的风阀开度。
3.目前，采用固定挡位控制变风量的方法在实际情况中应用较多，优点是操作简单、易于实施，缺点是控制粗糙、精度较低。pid控制风机频率的方法注重局部优化，每个变风量空调系统末端的风阀仅针对单个末端进行pid调控，但局部最优在多末端情况下不一定全局最优，而且风阀间的耦合作用可能导致部分末端即使开度全开也不能满足送风需求的情况出现。通过大数据模型控制风阀有助于解决风阀间的耦合问题，但是对训练数据的量提出了巨大要求。多数情况下缺乏充足的现场数据，导致数据模型冷启动，难以运行；而实地采集大量数据又耗时耗力，限制了大数据模型的实施与应用。
4.鉴于此，我们提出了一种基于仿真模型的神经网络多末端风阀控制系统及方法。


技术实现要素：

5.针对上述问题，本发明提供了一种基于仿真模型的神经网络多末端风阀控制系统及方法，基于风管系统仿真模型为神经网络数据模型提供数据集，解决网络数据模型训练数据不足的问题，然后基于训练后的网络数据模型实现多末端变风量空调系统的集成控制。
6.为实现上述目的，本发明提供了一种基于仿真模型的神经网络多末端风阀控制系统，包括：控制主机、变频风机和多个变风量风阀；
7.所述控制主机通过风机频率控制器连接所述变频风机，所述变频风机连接多个所述变风量风阀；所述控制主机通过多个电动风阀执行器分别连接多个所述变风量风阀；多个所述变风量风阀为多个空调房间输送风力、调节温度；
8.多个所述空调房间内均安装有室内温度传感器、室内温度控制面板和临时风量传感器，并连接到控制主机上；
9.所述控制主机内存储有风管系统仿真模型及优化控制程序，所述优化控制程序包括风管模型学习模块和风阀开度控制模块，所述风管系统仿真模型为所述风管模型学习模
块提供训练数据，所述风管模型学习模块训练得到神经网络数据模型；
10.所述控制主机获取所述室内温度传感器、室内温度控制面板、临时风量传感器、电动风阀执行器及风机频率控制器的数据；
11.所述神经网络数据模型根据获取到的数据计算各所述变风量风阀的开度，并通过所述风阀开度控制模块传输到多个所述电动风阀执行器，实现多个所述变风量风阀的开度控制。
12.作为本发明的进一步改进，所述控制主机包括模拟信号输入接口和rs485通讯接口；
13.多个所述空调房间内安装的所述室内温度传感器、室内温度控制面板和临时风量传感器均连接模拟信号输入接口；
14.多个所述电动风阀执行器及风机频率控制器均连接rs485通讯接口。
15.作为本发明的进一步改进，所述模拟信号输入接口支持4～20ma和0～10v/0～5v物理信号，rs485通信接口支持modbusrtu，modbusascii，ppi串口协议。
16.作为本发明的进一步改进，所述优化控制程序还包括pid控制模块，所述pid控制模块通过风机频率控制器控制所述变频风机的频率。
17.作为本发明的进一步改进，所述神经网络数据模型训练过程包括：
18.所述风管模型学习模块将神经网络数据模型参数初始化；
19.所述风管系统仿真模型生成数据集提供到风管模型学习模块，用于神经网络数据模型的训练和验证，数据集中包括各所述空调房间温度、各所述变风量风阀开度、各所述空调房间风量和所述变频风机频率；
20.当所述神经网络数据模型输出的各所述空调房间风量与对应工况下数据集中的各所述空调房间风量之差小于10％时，模型训练完成。
21.本发明还提供了一种基于仿真模型的神经网络多末端风阀控制系统的方法，包括步骤：
22.步骤1、初始化系统参数，系统参数包括pid控制模块参数、风机频率控制周期，并将计时器时间设为0；
23.步骤2、控制主机获取各空调房间室内温度和室内温度设定值；
24.步骤3、pid控制模块根据各空调房间室内温度和室内温度设定值计算并调节变频风机的频率，判断计时器时间是否大于所述变风量风阀控制周期；
25.步骤4、若判断结果为是，重新设定计时器时间为0，同时，获取当前变频风机的频率及各所述空调房间的变风量风阀开度、室内温度和室内温度设定值输入至神经网络数据模型，计算各变风量风阀开度的可行解集合；
26.步骤5、通过风管系统仿真模型验证所述可行解集合中的每一个解，选择最优解传输至各电动风阀执行器，各所述电动风阀执行器根据所述最优解调节各所述变风量风阀的开度，并返回步骤2循环执行。
27.作为本发明的进一步改进，
28.所述系统参数还包括变风量风阀控制周期；
29.判断计时器时间是否大于所述变风量风阀控制周期时，若判断结果为否，则将计时器时间增加一个风机频率控制周期，并重新获取各空调房间室内温度和室内温度设定
值，计算并调节变频风机频率。
30.作为本发明的进一步改进，所述通过风管系统仿真模型验证所述可行解集合中的每一个解，选择最优解传输至各电动风阀执行器；包括：
31.统计所述可行解集合中每一个解在风管系统仿真模型中的各末端风量和各末端需求风量；
32.得到满足所述各末端风量之和是否大于各末端需求风量之和，且小于各末端需求风量之和的1.5倍的解；
33.在所有满足条件的解中，取所有末端风量之和最小的解作为最优解传输至各电动风阀执行器。
34.作为本发明的进一步改进，若所述可行解集合中所有解均不满足条件，则取所有解中各末端风量与各需求风量的平方差之和最小的解作为最优解。
35.作为本发明的进一步改进，所述系统参数还包括变风量风阀开度上限和变风量风阀开度下限；
36.若所述最优解中变风量风阀开度大于所述变风量风阀开度上限，则该变风量风阀开度取变风量风阀开度上限；
37.若所述最优解中变风量风阀开度小于所述变风量风阀开度下限，则该变风量风阀开度取变风量风阀开度下限。
38.与现有技术相比，本发明的有益效果为：
39.本发明通过风管系统仿真模型为风管模型学习模块提供训练数据，解决了神经网络数据模型训练数据不足及仅采用现场数据导致部分工况缺少数据的问题，使训练得到的神经网络数据模型结果更加精准，进而使多末端变风量风阀开度更加精确；克服了背景技术中多末端变风量风阀开度控制粗糙、精度低或仅针对单个末端进行pid调控，不能做到全局最优，以及大数据模型中对数据量要求巨大的问题。
40.本发明通过pid算法根据各末端当前温度及温度设定值计算并调节变频风机频率，将神经网络数据模型得到的可行解集合再次通过仿真模型进行一一验证，选择最优解，从而使变频风机频率满足所有空调房间风量的同时，各末端风量供应能够达到需求，且减少风量浪费，实现节能效果。
附图说明
41.图1为本发明一种实施例公开的基于仿真模型的神经网络多末端风阀控制系统示意图；
42.图2为本发明一种实施例公开的基于仿真模型的神经网络多末端风阀控制方法详细流程图。
43.附图标记说明：
44.1、控制主机；2、cpu运算器；3、存储器；4、模拟信号输入接口；5、rs485通讯接口；6、电动风阀执行器；7、变风量风阀；8、风机频率控制器；9、变频风机；10、室内温度传感器；11、室内温度控制面板；12、临时风量传感器；13、空调房间。
具体实施方式
45.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
46.实施例：
47.下面结合附图对本发明做进一步的详细描述：
48.如图1所示，本发明提供的一种基于仿真模型的神经网络多末端风阀控制系统，包括：控制主机1、风机频率控制器8、变频风机9、多个电动风阀执行器6、多个变风量风阀7以及多个空调房间13；控制主机1包括cpu运算器2、存储器3、模拟信号输入接口4和rs485通讯接口5；多个所述空调房间13内均安装有室内温度传感器10、室内温度控制面板11和临时风量传感器12，并通过模拟信号输入接口4连接到控制主机1上；多个电动风阀执行器6分别连接多个变风量风阀7，并连接rs485通讯接口5；风机频率控制器8的输入端和输出端分别与rs485通讯接口5及变频风机9相连，实现对变频风机9的转速控制；变频风机9连接多个变风量风阀7，多个变风量风阀7分别控制多个空调房间13的风量，调节室内温度；
49.控制主机1内存储有风管系统仿真模型及优化控制程序，所述优化控制程序包括风管模型学习模块、风阀开度控制模块和pid控制模块，所述风管系统仿真模型为所述风管模型学习模块提供训练数据，所述风管模型学习模块训练得到神经网络数据模型；
50.所述控制主机1获取所述室内温度传感器10、室内温度控制面板11、临时风量传感器12、电动风阀执行器6及风机频率控制器8的数据；所述pid控制模块根据室内温度传感器10和室内温度控制面板11数据计算并调节变频风机9频率；所述神经网络数据模型根据获取到的数据计算各所述变风量风阀7的开度，并通过所述风阀开度控制模块传输到多个所述电动风阀执行器6，实现多个所述变风量风阀7的开度控制。
51.本发明中模拟信号输入接口4支持4～20ma和0～10v/0～5v物理信号，rs485通信接口支持modbusrtu，modbusascii，ppi串口协议。
52.本发明中神经网络数据模型训练过程包括：
53.(1)提前建立风机系统仿真模型，并根据各空调房间13的临时风量传感器12对仿真模型进行校正；
54.(2)风管模型学习模块将神经网络数据模型参数初始化，主要包括神经网络模型输入层层数、隐藏层层数、输出层层数和激活函数；
55.(3)基于校正后的风机系统仿真模型生成数据集，提供到风管模型学习模块；数据集包括各空调房间13温度和各空调房间13设定温度、各变风量风阀7开度、各空调房间13风量和变频风机9频率；
56.(4)风管模型学习模块将数据集中85％的数据用作训练集，15％的数据用于验证；
57.(5)验证神经网络数据模型：
58.将数据集中用于验证的15％的数据输入神经网络数据模型，输入数据包括：各空调房间13的温度和各空调房间13的设定温度和变频风机9的频率，神经网络数据模型输出对应的变风量风阀7的开度，将变风量风阀7的开度输入仿真模型计算各空调房间的风量，将计算得到的各空调房间13风量与数据集中该组数据对应的各空调房间13风量进行比较，
得出误差；
59.若神经网络数据模型输出的各空调房间13风量与对应工况下数据集中的各所述空调房间13风量之差小于10％时，认为模型训练完成。否则修改模型，对模型参数进行重新整定，直至由临时风量传感器12采集到的风量信号数据与由存储器3中的风管系统仿真模型输出的风量数据之差小于10％。
60.如图2所示，本发明还提供了一种基于仿真模型的神经网络多末端风阀控制系统的方法，包括步骤：
61.s1、初始化系统参数，系统参数包括pid控制模块参数，具体为p值、i值、d值，以及变频风机9的频率控制周期
△
t，变风量风阀7的控制周期
△
t，变风量风阀7的开度上限kmax和变风量风阀7的开度下限kmin，并将计时器时间t设定为0，即t＝0；
62.s2、控制主机1通过各空调房间13的室内温度传感器10和室内温度控制面板11分别获取室内温度、室内温度设定值，经模拟信号输入接口4传入存储器3中的优化控制程序；
63.s3、pid控制模块根据各空调房间13室内温度和室内温度设定值利用pid算法计算并调节变频风机9的频率；
64.s4、系统判断计时器时间t是否大于
△
t；
65.若判断结果为是，刷新计时器时间至t＝0，同时，进入s5；
66.若判断结果为否，则将计时器时间增加一个变风量风阀7的控制周期
△
t，即t＝t+
△
t，并返回s3循环执行，直至t大于
△
t；
67.s5、通过rs485协议获取当前变频风机9的频率及各所述空调房间13的室内温度和室内温度设定值输入至神经网络数据模型，具体包括：
68.(1)由电动风阀执行器6获得的变风量风阀7的开度信号，通过rs485通讯接口5传入存储器3中的优化控制程序中的神经网络数据模型；
69.(2)由风机频率控制器8获得变频风机9实时频率信号，通过rs485通讯接口5传入存储器3中的优化控制程序中的神经网络数据模型，
70.(3)各个室内温度传感器10和室内温度控制面板11的室内温度设定值的温度信号数据通过模拟信号输入接口4传入优化控制程序中的神经网络数据模型。
71.s6、cpu运算器2运行神经网络数据模型，输出各变风量风阀7的开度可行解集合r(n)；
72.其中，可行解集合r(n)中包括多组解，是由神经网络模型运行一定次数得到的一定数量的可行解，每组解都能满足各末端风量需求下。
73.s7、通过风管系统仿真模型验证所述可行解集合r(n)中的每一个解r，统计各可行解r在风管系统仿真模型中得到的各空调房间13的风量qsupply(i)和各空调房间13的需求风量qneed(i)；
74.s8、判断可行解集合r(n)中是否存在qsupply(i)>qneed(i)，且σqsupply(i)<[1.5
×
qneed(i)]，若存在，则以σqsupply(i)值最小的解为各变风量风阀7开度值，进入s9；
[0075]
若不存在，则取所有解中各空调房间13风量qsupply(i)与各需求风量qneed(i)的平方差之和最小的解作为最优解，即[σ(qsupply(i)
‑
qneed(i))2]最小的解，作为各变风量风阀7开度值，进入s9；
[0076]
s9、判断最优解中对应的各变风量风阀7开度值是否大于所述变风量风阀7开度上限kmax，若大于开度上限，则该变风量风阀7开度值取变风量风阀7开度上限kmax；否则，进一步判断最优解中对应的变风量风阀7开度值是否小于所述变风量风阀7开度下限kmin，则该变风量风阀7开度取变风量风阀7开度下限kmin；
[0077]
s10、将新的各变风量风阀7开度值经rs485通讯接口5送入至各电动风阀执行器6中，实现对各变风量风阀7的开度控制，同时，返回s2继续循环执行。
[0078]
本发明的优点：
[0079]
(1)通过风管系统仿真模型为风管模型学习模块提供训练数据，解决了神经网络数据模型训练数据不足及仅采用现场数据导致部分工况缺少数据的问题，使训练得到的神经网络数据模型结果更加精准，进而使多末端变风量风阀开度更加精确；克服了背景技术中多末端变风量风阀开度控制粗糙、精度低或仅针对单个末端进行pid调控，不能做到全局最优，以及大数据模型中对数据量要求巨大的问题。
[0080]
(2)通过pid算法根据各末端当前温度及温度设定值计算并调节变频风机频率，将神经网络数据模型得到的可行解集合再次通过仿真模型进行一一验证，选择最优解，从而使变频风机频率满足所有空调房间风量的同时，各末端风量供应能够达到需求，且减少风量浪费，实现节能效果。
[0081]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。