欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2013102365439
申请人: 浙江工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 供热;炉灶;通风
更新日期:2023-12-11
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种中央空调的冷却水供水温度预测控制方法,其特征在于:所述预测控制方法包括如下步骤:(1)记录当前冷却水供水温度和冷却塔风机的频率,设定冷却水供水温度的目标温度为32℃;

(2)建立预测模型,采用两层的BP神经网络模型,设温度预测值有如下表达式:ym(k)=f[u(k-1),u(k-2),...,u(k-m),y(k-1),y(k-2),..,y(k-n)]ym(k+1)=f[u(k),u(k-1),...,u(k+1-m),ym(k),y(k-1),..,y(k+1-n)]ym(k+p)=f[u(k+p-1),u(k+p-2),...u,(k+p-m),ym(k+p-1),...y,m(k),y(k-1),..,y(k+p-n)]其中,ym(k)为第k次模型温度输出值,u(k-1)为第k-1次冷却塔风机频率值,y(k-1)为第k-1次实际温度值,m、n分别为输入和输出的维度,p为预测步长;

设在以后的j步中,u(k+j)=u(k+j-1)=...=u(k+1)=u(k)则有:x(k+j)=[u(k),u(k),...,u(k-1),...,u(k+j-m),ym(k+j-1),...,ym(k),y(k-1),..,Ty(k+j-n)]

T

w=[w1,w2,...,wm+n]

则:ym(k+j)=g[w*x(k+j)]j=1,2,...,p其中,x(k+j)为第k+j次模型的输入变量,p为预测步长;

g(x)取单极性sigmoid函数,

(3)神经网络预测模型的学习,过程如下:

采集各个控制对象的阶跃响应dp(k),k=1,2,…,n,p表示样本个数m中的每一个,然后根据预测模型的对应阶跃响应输出yp(k),k=1,2,…,n;采用梯度下降法来修正参数w;

j(k)对w求导得:

若按下式选择Δwj(k),

其中j=1,2,...,m+n;η>0(4-1)则Δj(k)≤0,所以只要保证Δwj(k)按式(4-1)来调整,则j(k)就会随着这一调整一直减小;当其误差达到设定范围内后便可停止学习,保存好学习好的w参数;

(4)反馈校正:设预测模型输出与实际输出之间的误差为:e(k)=y(k)-ym(k),修正后的反馈为:yc(k+p)=ym(k+p)+he(k),其中,h为修正因子;

(5)参考曲线选取:参考曲线选为:yr(k+i)=αiy(k)+(1-αi)yr,i=1,2,…,p,其中T为采样周期,t为时间常数,y(k)为现时刻实际输出,yr为设定值;

(6)优化计算:采用非线性RBF神经网络来实现滚动优化,设T

x(k)=[yr(k+p);yc(k+p),...,yc(k+p-n+1);u(k),...,u(k-m)]其中yr为参考轨迹;x为N维输入向量;cj为RBF的中心向量;σj为隐节点的宽度;m为隐层节点个数;控制指标为:通过使控制指标E达到最小,按照梯度下降法调节,来调节连接权值系数、函数的中心向量和隐节点的宽度;根据学习好的非线性RBF神经网络得到下一步预测输入值u(k+1),以此作为冷却塔风机的下一步频率。