一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法

摘要

本发明公开了一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法，包括：1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；2)采集控制过程中被控建筑能耗系统的输出斜率yk(t)、实际输出y(t)、设定值yr(t)及预测输出值然后将其作为模糊目标参数；3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数；4)对隶属度函数参数进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，该方法能够有效的提高建筑耗能系统的控制性能。

说明书

技术领域

本发明涉及一种建筑能耗系统预测控制参数整定方法，涉及一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。

背景技术

在经济全球化的时代背景下，现代人类生活水平正在不断提高，随之而来的是全球的能源消耗量逐年上升，能源缺乏、能量资源分布不均、能源供需不同步等问题正被世界各国迫切关注。建筑能耗约占我国总能耗的三分之一，而其中四分之一的能耗可以在建筑用能系统的运行中得到有效控制，因此，必须要从整个能耗系统方面进行调控，提高能耗利用率，从而达到节能的目的。本发明以针对空调等现代建筑的主要能耗系统，使用先进控制算法对其进行节能控制。

模型预测控制(Model Predictive Control，MPC)，是一种以优化理论为基础的多变量控制策略，其主要特点是能处理多变量系统的耦合问题、能显式地考虑系统输入输出量的物理约束。然而，当此算法被应用到一些复杂的工业生产中时存在一定的局限性，因为所有种类的最小方差控制器必须要求目标的时间延迟是确定的，否则整个系统的控制精确度会变得很差。在这样的背景下，学者们在在线辨识、输出预测和最小方差控制的基础上，吸收了动态矩阵控制和模型算法控制中滚动优化的策略，提出了广义预测控制算法(Generalized Predictive Control,GPC)。此控制算法是目前最具前景的先进控制策略之一，在建筑能耗系统中有着广泛的应用。

然而，大多数的建筑能耗系统都具有多变量、强滞后性和强非线性的特点，这导致GPC代价函数设计参数的数量繁多，往往由于参数设置不合适造成系统控制品质不佳，严重的影响了建筑耗能系统的控制性能。

综上，亟需一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于模糊逻辑的建筑能耗系统预测控制参数整定方法，该方法能够有效的提高建筑耗能系统的控制性能。

为达到上述目的，本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤：

1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；

2)采集控制过程中被控建筑能耗系统的输出斜率y

3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数并确定隶属度函数；

4)对所得模糊目标参数的隶属度进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，完成基于模糊逻辑的建筑能耗系统预测控制参数整定。

将整定后的被调参数λ代入到下一循环周期的目标函数中，以改善一下循环周期的被控建筑能耗系统的性能。

步骤1)中，被控建筑能耗系统为变风量空调系统，被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型，即：

其中，y为送风管道静压；u为风机输入频率；K为过程增益；T为时间常数；τ为延时时间。

步骤1)中，广义预测控制器的被调参数λ被初始化为

其中，tend为预测控制过程的循环次数，N为预测时域，d为被控系统模型中的纯延迟。

步骤2)中，

基于所采集的被控建筑能耗系统输出斜率y

对y

基于采集的实际输出y(t)与设定值y

e(t)＝y(t)-y

获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)，将ts(t)作为第三个模糊目标参数：

其中，ts

基于所采集的预测输出值

其中，i＝1,2,…,N。

步骤3)中，各模糊目标参数的隶属度函数参数为v

步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算。

所述目标函数为：

其中，N

本发明具有以下有益效果：

本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法在具体操作时，以建筑能耗系统为控制对象，采用模糊逻辑对于广义预测控制的参数进行整定优化，并且使用粒子群算法自动寻找最优的模糊隶属度参数，确定隶属度函数，最后根据所得隶属度采用模糊推理运算的方式对被调参数λ进行整定，使系统获得较好的动态性能和较强的鲁棒性，克服建筑能耗系统中预测控制参数整定困难的缺陷，继而提高建筑耗能系统的控制性能。

附图说明

图1为本发发明的流程图；

图2为粒子群算法的流程图；

图3为本发明中模糊隶属参数表的示意图；

图4为本发明中模糊隶属度函数的示意图；

图5为本发明中系统仿真输出曲线的对比图；

图6为本发明中被调参数的变化曲线图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

参考图1及图2，本发明所述的基于模糊逻辑的建筑能耗系统预测控制参数整定方法包括以下步骤：

1)构建被控建筑能耗系统，再对建筑能耗系统进行广义预测控制，并初始化广义预测控制器的被调参数λ；

步骤1)中，被控建筑能耗系统为变风量空调系统，被控建筑能耗系统的动态模型过程传递函数为一阶时滞模型，即：

其中，y为送风管道静压；u为风机输入频率；K为过程增益；T为时间常数；τ为延时时间。

步骤1)中，广义预测控制器的被调参数λ被初始化为

其中，tend为预测控制过程的循环次数，N为预测时域，d为被控系统模型中的纯延迟。

2)采集控制过程中被控建筑能耗系统的输出斜率y

步骤2)中，

基于所采集的被控建筑能耗系统输出斜率y

对y

基于采集的实际输出y(t)与设定值y

e(t)＝y(t)-y

获取绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)，将ts(t)作为第三个模糊目标参数：

其中，ts

基于所采集的预测输出值

其中，i＝1,2,…,N。

3)对步骤2)中的模糊目标参数构建隶属度函数，然后使用粒子群算法对模糊隶属度函数的参数进行最优选定，得各模糊目标参数的隶属度函数参数，确定出隶属度函数；

步骤3)中，各模糊目标参数的隶属度函数参数为v

参考图3，步骤3)的具体过程为：

31)设置粒子群中粒子数量，初始化所有粒子的速度和位置，并设置最大速度区间，每个粒子的位置信息都包括所寻的16个隶属度函数参数，即：

32)计算每个粒子的适应度函数，找到各粒子的当前个体极值，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。

33)更新每个粒子的速度和位置信息，其更新公式为：

V

X

其中，ω为惯性因子，ω为非负，V

34)检测更新后的粒子是否满足终止循环条件，若否，则继续循环，若是，则输出最优解作为模糊隶属度函数的参数，并建立隶属度函数得到所需隶属度，本发明所建立的隶属度函数分别为:

其中，i＝1,2,…,N。

4)对隶属度进行模糊推理运算，并利用模糊推理运算结果对被调参数λ进行整定，完成基于模糊逻辑的建筑能耗系统预测控制参数整定。

步骤4)中采用Mamdani模糊推理法对隶属度进行模糊推理运算，具体为：

41)采取最常用的Mamdani模糊推理法，将所得隶属度进行笛卡尔积运算，即：

其中，指标y

42)根据步骤31)中得到的μ

λ＝λ

其中，λ

5)将整定后的被调参数λ代入到下一循环周期的目标函数中，以改善一下循环周期的被控建筑能耗系统的性能，其中，所述目标函数为：

其中，N

实施例一

变风量空调系统中将集中空调送风静压控制回路中的风管静压为被控对象，以静压预测模型的输出能够快速、准确地跟随静压设定值为目标，由系统辨识得到的风机频率—静压模型，如下式所示：

本发明具体包括以下步骤：

1)对建筑能耗系统建模并进行广义预测控制，并初始化被调参数λ；

广义预测控制器的被调参数λ被初始化为

其中，tend取200；N为预测时域，取5；d为被控系统模型中的纯延迟，为4。

2)采集控制过程中系统有：输出的斜率y

其中，t为采样次序数，共200次；T为采样时间间隔，取1s；y(t)为预测控制过程中采样时刻的实际输出；y(t-1)为预测控制过程中上一时刻的实际输出。

基于所采集的实际输出y(t)与设定值y

e(t)＝y(t)-y

基于绝对偏差e(t)的变化率的输出达到设定值的时间ts(t)；

其中，0.15≤ts(t)≤0.75，

基于所采集的预测输出值

其中，i＝1,2,…,N。

3)对采集的4个模糊目标参数进行构建隶属度函数，本发明使用粒子群算法对模糊隶属度函数的参数进行最优选定，使每个模糊目标参数都得到4个隶属度函数参数，即：v

其中，v

步骤3)的具体操作过程为：

31)设置粒子群中粒子数量为50个，初始化所有粒子的速度和位置，并设置最大速度区间，每个粒子的位置信息都包括所寻的16个隶属度函数参数，即：

32)计算每个粒子的适应度函数，找到各粒子的当前个体极值，并从这些个体历史最优解中找到一个全局最优解，并与历史最优解比较，选出最佳的作为当前的历史最优解。

33)更新每个粒子的速度和位置信息，其更新公式为：

V

(14)

X

其中，ω为惯性因子，ω的值为0.85，V

34)检测更新后的粒子是否满足终止循环条件，若否，则继续循环，若是，则输出最优解作为模糊隶属度函数的参数，得到如图3所示参数，并建立如图4所示隶属度函数得到所需隶属度，本发明所建立的隶属度函数分别为:

其中，i＝1,2,…,N。

4)对模糊目标参数的隶属度进行模糊推理运算，并根据模糊推理运算结果对被调参数λ进行整定。

步骤4)的具体过程为：

41)采取Mamdani模糊推理法，将所得隶属度进行笛卡尔积运算，即：

其中，y

42)根据μ

λ＝λ

其中，λ

5)将整定好的加权系数λ再次代入到下次循环的目标函数中，其目标函数为：

其中，N

基于本发明对变风量空调系统进行预测控制并进行了仿真，结果如图5所示，可以看出，变风量空调系统的快速性和稳定性得到了明显的提升，此结果说明了本发明的有效性。

此外，如附图6所示，与图5对照可以看出，随λ值从大到小变化，对应系统的响应速度加快，控制作用增强，使系统更快达到所设定的稳定状态，反向印证了控制器加权系数λ对于控制过程具有直接的影响作用。

本发明相对于现有技术具有以下优势：

将广义预测控制过程中没有得到充分利用的输出斜率、预测输出等包含这许多系统特性的信息应用到模糊逻辑算法中对控制系统参数进行整定，提高了控制系统的利用率；

通过构建模糊隶属度函数，将对系统中上升时间和超调量等性能指标的约束转化成了对四个模糊控制目标的约束，大大降低了参数整定过程中的计算量；

仅将控制量的加权系数λ作为可调参数，其余控制参数如柔化系数、控制时域等均为固定量，使控制系统在快速性和稳定性相矛盾的问题上，得到最有效地解决；

通过将每一时刻的系统输出斜率和基于当前绝对误差变化率的输出达到设定值的时间应用到参数整定中，可以有效缩短了系统的调节时间；

将实际输出与设定输出的绝对偏差和预测输出应用到模糊逻辑算法中对系统参数进行整定，使系统的超调量更小，鲁棒性更强；

通过使用粒子群算法，更加准确地找到模糊隶属度函数的参数，使本发明的普适性更强。