张子苏

摘要：针对变风量空调控制系统存在非线性、时变、强耦合等特性，提出一种粒子群优化神经网络PID控制器的控制方法。通过对粒子群算法进行加权改进后优化BP神经网络的初始权值以提高神经网络的收敛性;用优化后的BP神经网络实时在线调整PID控制器参数。仿真结果表明;引入改进粒子群的BP神经网络PID控制能够提高控制精度，缩短稳定时间，减小超调量。

关键词：变风量空调;粒子群;神经网络;PID控制

中图分类号：TP273 文献标识码：A 文章编号：1007-9416（2020）07-0042-03

0 引言

变风量空调系统可以根据空调负荷的变化调节送风量，达到节能的效果，所以在现代建筑中的应用日益普及[1]。当今社会对智能空调系统着重进行了研究尤其是节能、舒适等性能。

在工业控制领域，传统PID控制具有节构简单、易于实现等特点，但对于具有非线性、不确定性和时变性的变风量空调系统控制效果不好[2]。因此，一种新的方法应运而生PSO-BP-PID控制，改进粒子群的惯性权值对BP神经网络进行优化加快网络收敛性和速度，改进算法就是对3个参数比例、积分、微分进行调整，使控制系统有更好效能。

1 变风量空调系统的工作原理

变风量空调系统是由自动控制系统、送风系统、空气处理机组、末端装置等软件组成[3]。自动控制系统是空调系统的中枢核心通过安装的传感器对温湿度度等进行全方位监控，自动控制系统根据误差自动调节新风经空气处理机组进行优化处理达到洁净指标，然后通过送风系统的传送设备送到各个房间，末端装置根据每个房间的需求调节送风量的大小。

2 神经网络PID控制器的设计

根据房间温度变化，BP神经网络可以通过自学习和调整加权系数等方法自动调节比例、积分、微分3个控制器参数[4]。BP神经网络采用三层网络结构对比例、积分、微分调节，如图1所示。

3 粒子群算法优化神经网络PID控制器设计

3.1 改进粒子群算法

在1995年Kennedy和Eberhart提出粒子群算法是在随机解中通过不断迭代寻找最优解，通过适应度来评价品质[5]。具体来说是从一个D维空间n个粒子种群搜索粒子，每个粒子具有速度。在空间中每个粒子都对应一个解不断相互学习寻找最好的解。通过对适应度函数选取对每个粒子位置进行适应值计算。第i个粒子速度为，其个体极值是，种群的寻优极值是。开始随机初始化一组粒子然后进行不断迭代更新位置、速度更新公式是：

粒子位置，粒子速度，粒子增速常数是和，总结搜索最优值并且向最优值粒子学习向群体最优值靠近，和是随机常数取值0到1之间，加大粒子随机性比较随机值最后确定最终值，现在个体最佳值是，现在种群最佳值是。

可变惯性权值对粒子群进行了动态改进权重在一定范围内取值，以免发生搜索不是最优值问题。取值大小对粒子群算法都有问题，取值小时，粒子群就会进入某一区域最优值的问题;取值大时，容易找不到整个区域的最优值问题。我们只有找到一个最适合W值才能避免这些问题其公示为：

w是一个非负数，当它是0时就是基本粒子群算法，w是约束粒子群惯性权重，当w較小时变成局部搜索法有很好收敛速度，当w取值很大时我们必须一个接一个去搜索解变得更加复杂从而找不到要找的优值。所以w是一个变化的值我们需要用公式计算使用适当值。

3.2 改进粒子群算法优化神经网络PID控制设计

BP神经网络PID控制器具有收敛速度慢和容易陷入局部极值等问题[6]。改进的粒子群算法具有全局最优和收敛速度快等优点;所以正好通过此办法改善控制器的性能[7]。

新型改进控制算法步骤：（1）确定BP神经网络结构;BP神经网络输入层由温度、设定误差等决定隐含层节点数选择适中太少收敛度低，太多训练时间过长。（2）粒子适应度;通过对适应度函数的选取计算粒子所在位置。（3）个体和全局最优值的选取;粒子相互之间之间进行适应值比较不断迭代最终选取最佳值。（4）选取粒子最新的位置和速度。（5）运算神经网络输入量、输出量。（6）得出输出U（K）。（7）令K=K+1返回（2）算出最优解。

4 仿真

因为空调房间是一个复杂热力学系统受内外因素影响不能确切的用数学模型来描述，所以把空调房间看成一个单容对象[2]。传递函数是：

采用新型改进算法设计PID控制器，实时采集比例、积分、微分3个参数最佳值，相较与传统PID控制器有更好的实时性、稳定性确保控制系统对房间环境的准确调控。验证仿真模型K0、T0、T1分别取18、1.5、1.9，τ取10[8]。

从图2中可以看出普通PID1.2 s之后达到稳定，振荡幅度更大;BP-PID0.36 s之后达到稳定，超调量也变小了;PSO-BP-PID在0.26 s之后稳定，响应速度也快，超调量最小。

5 结语

传统PID控制和BP神经网络PID控制对非线性系统控制都不理想。改进粒子群算法优化BP神经网络与PID控制相结合能很好的控制房间温度调节送风量。仿真结果表明：采用新型改进控制算法有更快响应速度、稳定的时间也缩短了。

参考文献

[1] 邢丽娟，杨世忠.变风量空调系统房间舒适度温度优化设置[J].计算机仿真，2015，32（4）：455-459.

[2] 瞿睿，李界家.基于RBF神经网络的PID控制在变风量空调系统中的应用[J].现代建筑电气，2012，3（2）：10-13.

[3] 闫婷.基于蚁群与神经网络算法的变风量空调末端控制研究[D].西安：西安建筑科技大学，2015.

[4] 陈书谦，张丽虹.BP神经网络在PID控制器参数整定中的应用[J].计算机仿真，2010，27（10）：171-174.

[5] 刘开丽.粒子群优化算法的研究与应用[D].合肥：安徽大学，2013.

[6] 张丹，韩胜菊，李建，等.基于改进粒子群算法的BP算法的研究[J].计算机仿真，2011，28（2）：147-150.

[7] 蒋鼎国.基于改进型BP神经网络PID控制器的温室温度控制技术[J].实验室研究与探索，2015，34（1）：9-13.

[8] 欧青立，吴兴中，欧达贤.钢包炉配料PSO-BP-PID控制研究[J].控制工程，2013，20（5）：825-828+832.