基于Elman的空调预冷时间的预测系统-中国电气传动网欢.docx

基于Elman的空调预冷时间的预测系统

计建惠 王可崇
哈尔滨工业大学

摘要：介绍了一种基于智能家庭控制系统的空调预冷时间的预测系统。该系统在不增加硬件设施的条件下，通过对空调房间系统模型的动态辨识，利用Elman神经网络预测空调系统的最佳预冷时间，并保存为神经网络的学习样本。
关键词：智能家庭控制系统 Elman神经网络 动态辨识 预冷时间

Time Forecast for Air-condition to Precool Based on the Elman-NN

Ji Jianhui Wang Kechong

Abstract: In this paper, a system which is used to forecast the time for air-condition to precool is introduced, based on the control system of intelligent building. By Elman-NN, without extra hardware, the system can forecast the best time for air-condition to precool and memorize it.
Keywords: intelligent building system elman-NN dynamic discrimination precool

1 引言
随着建筑业的兴起，建筑物的能耗越来越大，欧美国家的建筑物能耗都已占全国总能耗的30%左右。而在建筑物能耗中空调的能耗约占到65%左右[1]，节能问题更加突出，对于能耗大户的建筑空调设备运行的节能更为人们所关注。
从当今世界空调节能技术的发展状况来看，主要是通过以下几种途径来达到空调建筑节能的目的：1）选择合适的冷热源；2）蓄冷空调的使用与电力调峰；3）从空调系统的运行入手，采用节能运行，以达到节能的目的[2]。而对于目前大部分建筑的空调系统来说，最简便的途径是合理安排空调的运行管理，比如说在提前进行预冷和楼宇结束使用前提前关闭空调系统。
本文介绍的空调预冷时间的预测系统是智能家庭控制系统的一部分，智能家庭控制系统的示意图如图1所示。该系统是以电力线为信号传输介质的智能住宅控制系统，同时也可通过电话进行远程控制，核心部分是位于上层的主控制器，由电话通信接口、电力线通信接口、人机接口等几个部分组成；底层的功能模块包括电力线通信接口和智能控制模块，主要负责控制特定的电器的运行。该系统主要完成对自控、监护系统、保安防盗、报警等子系统的远程控制，还可以根据用户的使用习惯执行对空调或热水器等其他需要提前运行的家用电器的预测控制，使得管理更加协调方便。以空调为例，该系统可以实现空调系统的最佳起停控制，即在房间快要结束使用时提前关闭空调，或在房间使用前提前打开空调，下面以提前打开空调为例，描述该系统的工作过程。
2 空调房间模型的建立
在实际生活中，由于空调室的温度受室外温度、太阳辐射、室内设备、照明、人员的散热以及换气次数等的影响，使得整个房间成为一个非常复杂的热力系统，很难用精确的数学模型来描述这一系统，因此，为了能用数学语言来描述，对空调房间作少量的简化：
1）把整个房间看成是个单容的对象，房间
内部处处温度分布均匀；

图1 智能家庭控制器原理框图
2）房间内部的各种电器都处于关闭状态，即忽略电器设备的蓄热；
3）不考虑太阳辐射对室内温度的影响（窗户有窗帘）。
可以得到空调房间的数学模型为

式中为空调的额定制冷量，为室外温度，为相邻房间的温度。显然，问题的关键在于参数、和的确定。
通过在线采集和的值（空调开机时取1，否则取0），根据这些量按确定性等价原理，应用递推最小二乘法可以算出空调对象的参数估计，根据这些参数估计按改进的Ziegler-Nichols方法可以计算出和的值[3]。
实际上该过程就是用一个结构已知而参数未知的系统模型来描述空调系统的动态特性，并通过现场采集的数据来求得参数值，以求最大程度表现出空调系统的动态特性。
3 基于Elman神经网络的预测算法
目前，对于空调的预冷时间，传统的做法是根据经验，设定一个较长的固定值，如1 h或30 min，以能量的耗费求得满意的制冷效果，但这种方法在一定程度上造成了巨大的电能浪费。
虽然目前也有一些关于空调预冷时间的预测的研究，如静态最优法、简化数学模型法、一元回归分析法等，这些方法虽各有特点，但由于空调系统的复杂性和高时滞性的限制，使预测结果都存在有一定的误差。本文所研究的空调系统的预冷时间的影响因素有以下几个：房间的体积、围护结构、空调类型、设定温度、室外温度和室内温度。显然，对某一特定的房间对象，体积、围护结构、空调类型都是固定的，其预冷时间主要取决于室内温度x1和室外温度x2，用函数关系式表示就是Top=f (x1，x2)，因此，问题就归结于f的求解。由于空调系统的多变量、强耦合、严重非线性等特点，决定了f难以用普通函数关系式来表示。而人工神经网络特有的非线性、适应性信息处理能力，正好克服了这一缺陷。在目前流行的数种神经网络模型中，BP算法具有较强的适应性和学习功能，只要有合适的隐层节点，就可以逼近任意的非线性函数关系。但BP网络也有不足之处，如所需的训练时间较长，收敛速度慢，只能实现非线性静态映射，不具有动态信息处理能力，不适合动态系统的实时辨识，不能有效利用历史学习样本等。而ELman网络在BP网络的基础上，加入内部反馈信号，利用内部反馈状态来描述系统的非线性动力学行为[4]。为此，本系统采用Elman网络来减小预测的误差。
Elman网络是在前向网络的基础上将隐层的输出反馈到联系层而得到的，其结构如图2所示。

图2 Elman网络结构
设网络的外部输入为u(k-1)，输出为y(k)，其隐层的输出为x(k)，则Elman网络的非线性状态空间可以用下面的式子来表示：

式中，W 1、W 2、W 3分别表示隐层到输出层,输入层到隐层，联系层到隐层的连接权值。g(·)是输出层神经元的传递函数，f (·)是隐层神经元的传递函数，x(k)、xc(k)、y(k)分别为隐层、反馈层和输出层的输出。0≤<1为自连接反馈增益因子，当为0时，为标准的Elman网络，当不为0时，为改进的Elman网络。由其中第二个式子可见，依赖于过去不同时刻的和，或者说的计算是一个动态递推的过程，这就说明了反馈网络的时间特性。
Elman的误差函数定义为：

为第步系统的实际输出，将E对连接权分别求偏导，由梯度下降法可得Elman网络的算法为

式中：的学习步长。

4 空调预冷时间的预测
在本系统中，空调的控制主要通过智能控制模块，该模块的核心是一片FPGA，神经网络控制算法用VHDL语言编写，和历史样本数据一起保存在FPGA外的ROM中；室内外的温度由传感器记录并通过电力线传送到FPGA中，通过软件编程产生指令信号，经放大电路放大后实现继电器导通和关断，从而实现空调的开机和关机，如图3所示。同时，该系统也可以人为设定空调提前开机的时间，或者通过控制器自主学习，合理预测空调的提前开机时间。

图3 空调系统的智能控制模块
该智能模块的学习过程为：设置每天下午4点半为预测开始时间（系统进行运算的时间极短，可以忽略不计），空调房间的模型可以通过4点半
之前采集的和的值来确定。假设在当前时刻t1空调开机，通过在线采集当前和的值，输入到空调模型，得到室内温度Tn的值；直到室内温度Tn到达26℃（人体的舒适温度区间为25±1℃，空调的设定温度为26℃），设为时刻t2，则得到空调开机到室内温度下降到26℃的这一段时间，作为神经网络的样本输出；以室内外温度x1、x2以及它们的导数、作为神经网络的输入，按照给定的误差要求训练Elman神经网络，每训练一次重新初始化权值和阀值，直到神经网络的输出与样本的误差在给定的范围内（以上过程均在FPGA中完成）。神经网络训练完成以后，就可以按照给定的策略来预测空调的开机时间，由此得到其中某一天的温度记录如图4所示，图4为早上8点到下午5点室内外温度曲线。图5为下午4点到5点的室内外温度曲线，从图5可以看出，当在16：40左右空调开机时，经过预冷以后，在17：00时室内温度刚好达到26℃，正好达到预期的效果，之后空调进入正常工作状态。

图4 早上8点到下午5点室内外温度

图5 下午4点到5点室内外温度
Elman网络学习样本的选择原则为：以室内
外温度、以及它们的导数、作为输入，
按照先进先出的原则，取最近10天的数据记录，每隔一天重新初始化权值和阀值，采取如图6所示的学习策略。以安装该智能控制器的一个房间(哈尔滨地区)为例，在夏季天气情况相近的条件下，前15天采用固定预冷时间（20 min）的方法，后15天采用文中介绍的预测控制策略，记录的预冷时间的实际值与预测值如表1所示。从表1中可以看出，后15天的预冷时间明显少于20 min。由此可见，如果能大力推广，特别是南方夏季气候炎热地区，空调运行时间要明显长于北方，对于缓解夏季居高不下的电力紧张，具有特别重要的意义。

图6 预测过程示意图
由表1可以看出，预测值与实际值的误差基本在±10%内。由于空调系统的高时滞性，一般空调室的预冷时间不超过20 min，温度的变化比较缓慢，对空调的控制不需要有非常高的精确度，10%的误差完全在可以接受的范围内。同时，从人的舒适度出发，为了使室内温度在经过预冷后达到要求，可以在ELman神经网络预测的基础上增加一定的裕量，这样既可以满足舒适度要求，又最大限度避免了电能的浪费。
表1 采用智能控制器后的预冷时间 min
序号
实际值
节省时间
预测值
误差
1
13.7
5.8
14.1
0.4
2
12.8
7.2
12.7
0.1
3
15.0
6.0
13.9
-1.1
4
10.6
8.9
11.0
0.4
5
8.2
11.4
8.5
0.3
6
6.7
12.9
7.0
0.3
7
6.6
14.5
5.4
-1.2
8
13.7
5.2
14.7
1
9
17.0
4.4
15.6
-1.4
10
14.2
6.5
13.4
-0.8
11
10.6
9.8
10.2
-0.4
12
14.1
6.3
13.7
-0.4
13
12.6
8.4
11.5
-1.1
14
14.2
5.6
14.4
0.2
15
12.1
7.5
12.4
0.3
5 结论
本文在家庭智能控制器的基础上，介绍了一种基于Elman神经网络的空调最佳起停控制的预测系统。以空调的提前运行为例，该系统在不增加硬件设施的情况下，可以有效地减少空调的预冷时间，从而节约了空调的运行费用，对于降低建筑物能耗具有不可低估的重要意义。
参考文献
1 李林.智能大厦系统工程[M].北京:电子工业出版社，1998
2 尉迟斌,卢士浚,周祖毅.实用制冷与空调工程手册［Z］.北京:机械工业出版社,2001
3 闰秀英，任庆昌，孟庆龙.一种自校正PID控制器设计与仿真研究[J]. 系统仿真学报，2006，18（增刊2）：753–756
4 吴启迪，汪镭.反馈式神经网络智能控制［M］.上海：上海科技教育出版社，2005