智能建筑VAV空调系统的智能控制
创建时间：2010-08-20 16:33
摘要： 在国外的智能建筑里的空调系统大多数是采用VAV空调系统，本文仅仅是对模糊控制和神经网络在VAV空调系统中的研究应用作一些探讨，VAV空调系统一般是进行空气调节过程的节能多工况分区，然后运用多个回路的PID控制。
一、概述
1984年，美国康涅狄格（Connecticut）州哈特福特市（Hargford），将一座旧金融大厦进行改造，定名为“城市宫”（City Palace Building），这就是世界公认的第一座智能大厦。国内于九十年代初开始兴建了一些智能型的大厦，如北京的中国国际贸易中心和京广中心、上海的新锦江饭店和上海市面市政大厦等。智能大厦就是一个建筑物，它创造了一个环境使建筑物占有者的工作效率达到最大，同时以最小的人时消耗保证有效的资源管理。智能大厦是智力劳动场所，所以其环境设计的原则就是“以人为本”，一切围绕着为用户创造舒适环境、提高用户的工作效率进行。其中，暖通空调行业扮演了一个举足轻重的角色。
智能大厦房间多、内区负荷变化大；同时，由于空调耗能一般占整个大厦的40%以上，节能问题日益突出。在各种空调方式中，VAV空调系统有其自身的优点：
1.由于空调系统大部分时间在部分负荷下运行，所以风量的减少带来了风机能耗的降低和末端设备里的再加热器能耗的降低；
2.能实现局部区域的灵活控制；
3.利用系统多样性，可使中央系统的初始成本低；
4.同样，由于可利用系统的多样性，今后扩展的成本大降低；
5.系统是自平衡的（Self--balancing），等等。因此，国外智能大厦的空调系统多采用VAV空调系统，或与CAV空调系统、FCU空调系统相结合的方式。
虽然VAV空调系统具有上述优点，但是它的控制却最复杂。目前，VAV空调系统的控制方式基本上采用多个回路的PID控制。在系统模型参数变化不大的情况下，PID控制效果良好。但是，VAV空调系统是一个干扰大的、高度非线性的、不确定性系统，这是由于：
1.外界气候和空调区域里的人员活动的变化很大，对系统形成得过且过大的干扰；
2.空气调节过程是高度非线性的；各执行器的运行特性也是非线性的；
3.各个控制回路之间耦合强烈，完全解耦是不可能的；
4.随着时间的推移，设备会老化和更换，从而造成系统参数的变化；
5.在许多系统里，系统的数字模型很难建立。
所以，PID控制的效果很糟糕。在HVAC控制领域，许多新的控制方法不断出现，如MacArthur和Grald采用自适应控制方法，Dexter和Haves运用自调节预测控制器。但是，在将现代化控制理论和大系统理论，运用到VAV空调系统中时，由于它们的分析、综合和设计都是建立在严格和精确的数字模型之上的，所以同样遇到这样的问题。而智能控制理论正是针对被控对象及其环境和任务的不确定性提出来的，在VAV空调系统的控制领域应当具有广阔的前景。目前，智能控制理论主要有三大方向，即，神经网络控制，模糊控制和专家系统。它们在VAV空调系统中主要用于诊断异常、预测能耗。对于VAV空调系统控制，神经网络控制和模糊控制的研究都已开始，而专家系统由于其知识库庞大，设计十分困难，目前尚难以应用过来，下面，针对模糊控制、神经网络控制在VAV空调系统中的应用作一点探讨。
二、模糊控制
模糊控制是基于规则的智能控制，以模糊数学为基础。系统的基本结构如图1所示。控制器四个基本部件组成，既模糊化接口、知识库、决策逻辑单元、去模糊接口。
在过去几年里，有一些应用于暖通空调系统的模糊逻辑控制，S.Huang和R.M.Nelson将PFC（PID和模糊控制相结合）介绍进HVAC控制领域并针对单元的二阶传函进行了仿真。这两位作者又介绍了一种模糊控制规则的调整方法，应用于HVAC系统的控制，用来控制一个热交换器的气动阀，将回风温度作为输入，实验结果显示该控制方案大大优于PID控制。这些控制思想同样可用于VAV空调系统的控制。Robert N.Lea和Edgar Dohmann应用模糊控制器控制压缩机、风机，输入是温度相对湿度和设定点，对6个区域进行调节。So et al.推出一了一种基于模糊逻辑的控制的控制器，四个单元状态参数（供风风门后的压力，室内温度，室内相对湿度和供风温度）靠调节五个执行命令（供风风机速度，供风风门角度，制冷水流速，再加热器的功率和加湿器的温度比）来控制。
模糊控制器的控制思路是将VAV空调系统的的状态参数作为输入，输出是VAV空调系统的执行命令。一个简单的VAV空调系统的FLCD的方框图如图2所示状态参数需要根据不同的控制方案来选取。
常规的模糊控制器，有许多不足之处，比如系统的上升特性不理想，超调大，调节时间长，甚至产行振荡，抗干扰能力差，稳态误差大，产生这些缺点的主要原因是常规的模糊控制器在结构上过于简单，在设计过程中也有许多主观因素，而且一旦模糊规则确定就不再变化等，我们希望模糊控制器能够动态地调整自身，具有自学习能力，以达到预定的控制品质，现在模糊控制的一个重要研究方向是自适应模糊控制，主要有两种，模型参考自适应模糊控制（图3a）和自校正模糊控制（图3b）。模糊控制器可调整部分主要有：控制规则、隶属函数和规范化因子。
各种智能控制方法之间的结全可取长补短，如模糊神经网络控制，就是利用神经网络的自学习能力，还有与专家系统的结合，或者与经典控制方法，现代控制方法的相互结合，这些都是控制领域研究的前沿课题，需要控制人员深入研究，并尽快应用到VAV空调系统中来。
三、神经网络控制
神经网络在HVAC控制领域里的研究和应用更多。Curtiss et al.首先将其应用于热水盘管的热水阀的预测控制，该工作为以后的进一步研究提供了一个很好的基础。它是以阀位、制冷负载、空气温度、空气流速、热水温度、热水流速以及它们的历史数据作为输入来预测制冷负载。这几位作者又推出了用神经网络对HVC中央单元AHU进行能源管理，完成对各局部环的优化运行控制，这些神经网络控制的应用同样为VAV空调系统的控制提供了许多思路。
神经网络控制一般是先辩识系统，辩识的过程就坚神经网络的训练过程对神经元之间的连接权值的修改过程，然后可用于优于控制。由于神经网络的训练需要大量的时间，实时辩识很难做到，所以一般是在线辩识，实时控制。一个VAV空调系统中央单元的VAV控制系统的简单方框图如图5所示：
ANN辩识器由三层神经元组成输入层、隐藏层和输出层，训练样本的输入应为系统在时刻t-1的执行动作（再加热顺功率输出，加湿器的输出，供风风机速度，制冷水水阀控制，供风风门角度等）和表征系统特性的状态参数（室内温度，室内相对湿度，供风风门后的压力，供风温度，供风风速，回风风速，供风含湿量等），输出应为系统时刻t的状态参数。由于VAV空调系统惯性很大，同ANN训练速度相比，单元特征变化很慢，所以不会出现真正的控制问题，一旦辩识结束，控制过程就开始。控制器调节进刻t的执行命令，从而在下一刻到达一个希望的控制。控制的目的是用最小的时延和能耗来获得期望的室内温度和湿度等，使系统的静、动特性能够满足性能要求。所以，控制器的目标函数应包括两个部分，一部分是有关设定点（如室内温度，室内相对湿度，供风机后压力，或者PMV指标等），一部分是系统总能耗（如风机功耗，加温器功耗等），具体参数的选取要根据所设计的空调系统和控制方案确定，并且从可以调节它们之间的比例因子从而将侧重点放在任何一项上。
目前，神经网络的训练主要采用BP算法，但是BP算法有两个突出的缺点：收敛速度慢，容易陷入局部最优。而模拟退火算法、单纯形法和遗传算法（GA）可用来解决这些问题，尤其是遗传算法近年来的研究与应用日益受到重视。但是GA往往只能在短时间内寻找到接近全局最优解的近优解，原因在于GA的寻优过程是随机的，带有一定程度的盲目性和概率性，即使已到达最优解的附近，也很可能“视而不见”，与其“擦肩而过”，将BP算法和遗传算法相结合就能克服这些问题。
四、结论
在国外的智能建筑里的空调系统大多数是采用VAV空调系统，本文仅仅是对模糊控制和神经网络在VAV空调系统中的研究应用作一些探讨，VAV空调系统一般是进行空气调节过程的节能多工况分区，然后运用多个回路的PID控制。则于VAV空调系统是一个干扰大的、高度非线性的、不确定性系统，而且各个单回路之间的耦合强烈，运用PID控制在静、动特性上常满足不了性能要求。国内外的学者尝试运用智能控制，如模糊控制、神经网络以及各种混合控制方法，来代替PID控制，但都是在单回路上的应用，在单回路上达到最优性能，在全局上却达不到最优性能，同时由于各个回路之是的调节温湿度有抵消作用，造成能耗的增加。有些学者运用一些优化方法进行全局上的优化控制或者用大系统理论进行全局协调控制，来确定各个单回路的给定值，但它们也是基于系统的模型比较确定的基础上，在系统很难建模的情况下，运用这些控制方法有很大的难度，而且达不到全局性能的最优。运用智能控制方法在全局对系统进行控制，不需要对系统建模，可解决以往控制回路由于耦合带来的许多控制性能问题。
智能控制理论的发展为VAV空调系统的控制提供了更先进的方法，但也对研究人员提出了很大的挑战。需要更多的控制人员投入到VAV控制的领域中来，与空调专业人员共同交流，设计出更好的VAV控制系统。
一、概述
1984年，美国康涅狄格（Connecticut）州哈特福特市（Hargford），将一座旧金融大厦进行改造，定名为“城市宫”（City Palace Building），这就是世界公认的第一座智能大厦。国内于九十年代初开始兴建了一些智能型的大厦，如北京的中国国际贸易中心和京广中心、上海的新锦江饭店和上海市面市政大厦等。智能大厦就是一个建筑物，它创造了一个环境使建筑物占有者的工作效率达到最大，同时以最小的人时消耗保证有效的资源管理。智能大厦是智力劳动场所，所以其环境设计的原则就是“以人为本”，一切围绕着为用户创造舒适环境、提高用户的工作效率进行。其中，暖通空调行业扮演了一个举足轻重的角色。
智能大厦房间多、内区负荷变化大；同时，由于空调耗能一般占整个大厦的40%以上，节能问题日益突出。在各种空调方式中，VAV空调系统有其自身的优点：
1.由于空调系统大部分时间在部分负荷下运行，所以风量的减少带来了风机能耗的降低和末端设备里的再加热器能耗的降低；
2.能实现局部区域的灵活控制；
3.利用系统多样性，可使中央系统的初始成本低；
4.同样，由于可利用系统的多样性，今后扩展的成本大降低；
5.系统是自平衡的（Self--balancing），等等。因此，国外智能大厦的空调系统多采用VAV空调系统，或与CAV空调系统、FCU空调系统相结合的方式。
虽然VAV空调系统具有上述优点，但是它的控制却最复杂。目前，VAV空调系统的控制方式基本上采用多个回路的PID控制。在系统模型参数变化不大的情况下，PID控制效果良好。但是，VAV空调系统是一个干扰大的、高度非线性的、不确定性系统，这是由于：
1.外界气候和空调区域里的人员活动的变化很大，对系统形成得过且过大的干扰；
2.空气调节过程是高度非线性的；各执行器的运行特性也是非线性的；
3.各个控制回路之间耦合强烈，完全解耦是不可能的；
4.随着时间的推移，设备会老化和更换，从而造成系统参数的变化；
5.在许多系统里，系统的数字模型很难建立。
所以，PID控制的效果很糟糕。在HVAC控制领域，许多新的控制方法不断出现，如MacArthur和Grald采用自适应控制方法，Dexter和Haves运用自调节预测控制器。但是，在将现代化控制理论和大系统理论，运用到VAV空调系统中时，由于它们的分析、综合和设计都是建立在严格和精确的数字模型之上的，所以同样遇到这样的问题。而智能控制理论正是针对被控对象及其环境和任务的不确定性提出来的，在VAV空调系统的控制领域应当具有广阔的前景。目前，智能控制理论主要有三大方向，即，神经网络控制，模糊控制和专家系统。它们在VAV空调系统中主要用于诊断异常、预测能耗。对于VAV空调系统控制，神经网络控制和模糊控制的研究都已开始，而专家系统由于其知识库庞大，设计十分困难，目前尚难以应用过来，下面，针对模糊控制、神经网络控制在VAV空调系统中的应用作一点探讨。
二、模糊控制
模糊控制是基于规则的智能控制，以模糊数学为基础。系统的基本结构如图1所示。控制器四个基本部件组成，既模糊化接口、知识库、决策逻辑单元、去模糊接口。
在过去几年里，有一些应用于暖通空调系统的模糊逻辑控制，S.Huang和R.M.Nelson将PFC（PID和模糊控制相结合）介绍进HVAC控制领域并针对单元的二阶传函进行了仿真。这两位作者又介绍了一种模糊控制规则的调整方法，应用于HVAC系统的控制，用来控制一个热交换器的气动阀，将回风温度作为输入，实验结果显示该控制方案大大优于PID控制。这些控制思想同样可用于VAV空调系统的控制。Robert N.Lea和Edgar Dohmann应用模糊控制器控制压缩机、风机，输入是温度相对湿度和设定点，对6个区域进行调节。So et al.推出一了一种基于模糊逻辑的控制的控制器，四个单元状态参数（供风风门后的压力，室内温度，室内相对湿度和供风温度）靠调节五个执行命令（供风风机速度，供风风门角度，制冷水流速，再加热器的功率和加湿器的温度比）来控制。
模糊控制器的控制思路是将VAV空调系统的的状态参数作为输入，输出是VAV空调系统的执行命令。一个简单的VAV空调系统的FLCD的方框图如图2所示状态参数需要根据不同的控制方案来选取。
常规的模糊控制器，有许多不足之处，比如系统的上升特性不理想，超调大，调节时间长，甚至产行振荡，抗干扰能力差，稳态误差大，产生这些缺点的主要原因是常规的模糊控制器在结构上过于简单，在设计过程中也有许多主观因素，而且一旦模糊规则确定就不再变化等，我们希望模糊控制器能够动态地调整自身，具有自学习能力，以达到预定的控制品质，现在模糊控制的一个重要研究方向是自适应模糊控制，主要有两种，模型参考自适应模糊控制（图3a）和自校正模糊控制（图3b）。模糊控制器可调整部分主要有：控制规则、隶属函数和规范化因子。
各种智能控制方法之间的结全可取长补短，如模糊神经网络控制，就是利用神经网络的自学习能力，还有与专家系统的结合，或者与经典控制方法，现代控制方法的相互结合，这些都是控制领域研究的前沿课题，需要控制人员深入研究，并尽快应用到VAV空调系统中来。
三、神经网络控制
神经网络在HVAC控制领域里的研究和应用更多。Curtiss et al.首先将其应用于热水盘管的热水阀的预测控制，该工作为以后的进一步研究提供了一个很好的基础。它是以阀位、制冷负载、空气温度、空气流速、热水温度、热水流速以及它们的历史数据作为输入来预测制冷负载。这几位作者又推出了用神经网络对HVC中央单元AHU进行能源管理，完成对各局部环的优化运行控制，这些神经网络控制的应用同样为VAV空调系统的控制提供了许多思路。
神经网络控制一般是先辩识系统，辩识的过程就坚神经网络的训练过程对神经元之间的连接权值的修改过程，然后可用于优于控制。由于神经网络的训练需要大量的时间，实时辩识很难做到，所以一般是在线辩识，实时控制。一个VAV空调系统中央单元的VAV控制系统的简单方框图如图5所示：
ANN辩识器由三层神经元组成输入层、隐藏层和输出层，训练样本的输入应为系统在时刻t-1的执行动作（再加热顺功率输出，加湿器的输出，供风风机速度，制冷水水阀控制，供风风门角度等）和表征系统特性的状态参数（室内温度，室内相对湿度，供风风门后的压力，供风温度，供风风速，回风风速，供风含湿量等），输出应为系统时刻t的状态参数。由于VAV空调系统惯性很大，同ANN训练速度相比，单元特征变化很慢，所以不会出现真正的控制问题，一旦辩识结束，控制过程就开始。控制器调节进刻t的执行命令，从而在下一刻到达一个希望的控制。控制的目的是用最小的时延和能耗来获得期望的室内温度和湿度等，使系统的静、动特性能够满足性能要求。所以，控制器的目标函数应包括两个部分，一部分是有关设定点（如室内温度，室内相对湿度，供风机后压力，或者PMV指标等），一部分是系统总能耗（如风机功耗，加温器功耗等），具体参数的选取要根据所设计的空调系统和控制方案确定，并且从可以调节它们之间的比例因子从而将侧重点放在任何一项上。
目前，神经网络的训练主要采用BP算法，但是BP算法有两个突出的缺点：收敛速度慢，容易陷入局部最优。而模拟退火算法、单纯形法和遗传算法（GA）可用来解决这些问题，尤其是遗传算法近年来的研究与应用日益受到重视。但是GA往往只能在短时间内寻找到接近全局最优解的近优解，原因在于GA的寻优过程是随机的，带有一定程度的盲目性和概率性，即使已到达最优解的附近，也很可能“视而不见”，与其“擦肩而过”，将BP算法和遗传算法相结合就能克服这些问题。
四、结论
在国外的智能建筑里的空调系统大多数是采用VAV空调系统，本文仅仅是对模糊控制和神经网络在VAV空调系统中的研究应用作一些探讨，VAV空调系统一般是进行空气调节过程的节能多工况分区，然后运用多个回路的PID控制。则于VAV空调系统是一个干扰大的、高度非线性的、不确定性系统，而且各个单回路之间的耦合强烈，运用PID控制在静、动特性上常满足不了性能要求。国内外的学者尝试运用智能控制，如模糊控制、神经网络以及各种混合控制方法，来代替PID控制，但都是在单回路上的应用，在单回路上达到最优性能，在全局上却达不到最优性能，同时由于各个回路之是的调节温湿度有抵消作用，造成能耗的增加。有些学者运用一些优化方法进行全局上的优化控制或者用大系统理论进行全局协调控制，来确定各个单回路的给定值，但它们也是基于系统的模型比较确定的基础上，在系统很难建模的情况下，运用这些控制方法有很大的难度，而且达不到全局性能的最优。运用智能控制方法在全局对系统进行控制，不需要对系统建模，可解决以往控制回路由于耦合带来的许多控制性能问题。
智能控制理论的发展为VAV空调系统的控制提供了更先进的方法，但也对研究人员提出了很大的挑战。需要更多的控制人员投入到VAV控制的领域中来，与空调专业人员共同交流，设计出更好的VAV控制系统。
