白國政

(陜西工業(yè)職業(yè)技術學院信息工程學院,陜西 咸陽 712000)

變頻空調的終端是控制室內溫度的關鍵設備,其主要功能是追蹤房間內的冷、熱負荷,保持房間內恒溫,使用戶感受舒適。室內環(huán)境由于受到人為因素影響,具有不確定性特點,難以建立準確的數(shù)學模型,因此用常規(guī)PID控制難以實現(xiàn)室內溫度控制。

隨著控制原理的發(fā)展和改進,變頻空調技術發(fā)展迅速。文獻[1]提出了串級自抗擾控制方法,將自適應控制器與串級控制相配合,在串級溫度環(huán)中應用自抗擾技術,實現(xiàn)了自抗擾控制器的設計。設置空調機房及終端設備的模擬模式,以達到變頻空調室溫控制。該方法的缺點是誤差非線性反饋控制容易受到非線性不平滑函數(shù)影響,導致控制效果不佳。文獻[2]提出了模糊迭代學習控制方法,通過構建模糊迭代數(shù)學模型,對比不同干擾信號條件下的跟蹤響應發(fā)現(xiàn),模糊迭代學習預測控制不僅對周期性干擾具有較好的魯棒性,而且在隨機干擾條件下,依舊能夠保持較好的跟蹤性能,從而實現(xiàn)了智能化的溫度調控。該方法的缺點是變頻溫度智能控制受到輸入參數(shù)影響,導致控制誤差較大。

針對上述缺點,本文提出了基于蟻群算法的變頻空調室溫智能控制方法。在蟻群算法支持下,結合能量守恒定律,分析變頻風閥開度送風量,通過引入變論域伸縮因子智能控制室內溫度。

1 變頻風閥開度送風量模型建立

室內溫度容易受到外界溫度、氣象條件、設備運行狀況影響,存在控制對象非線性、時滯大的特點,因此構建模型時,必須對變頻風閥開度送風量模型進行約束和精簡[3]。在不計時延的情況下,將變頻空調房間看作一個單元模型,空調房間的氣溫均勻分布,不會受到空氣流動、室外溫度和大氣壓力影響。根據能量守恒方程建立數(shù)學模型:

(1)

式中:c1、c2分別為室內流動氣體、空氣比熱容,q0為室內流動氣體負荷,ρ為室內空氣密度,Q為室內變頻,T1、T0分別為進風、送風溫度,d為揮發(fā)系數(shù)。利用LabVIEW程序,通過對控制對象的輸入和輸出來判斷控制目標[4-6]。確定風閥開度送風量的線性變化區(qū)間。對風閥開度送風量進行階躍響應測試,確定系統(tǒng)的滯后和調整時間[7]。在此過程中,輸出振幅保持不變,將正弦波輸入到風閥開啟的控制端處,通過觀察進氣流量的變化,得出風閥關閉的頻率。基于此,構建變頻風閥開度送風量模型:

(2)

式中:s為房間面積,ζ為時滯算子。對采樣時間、采樣周期、階次等各參量進行采樣,并將其輸入MATLAB/Ident工具箱中,獲取變頻空調室溫采樣參數(shù)序列。

2 基于蟻群算法的變頻空調室溫智能控制

通過構建變頻風閥開度送風量模型,獲取變頻空調室溫采樣參數(shù)序列。對自適應螞蟻模型進行智能溫度控制學習和訓練,以確保蟻群算法的真實輸出與期望的偏差最小[8-10]。

2.1 基于蟻群算法的智能控制流程設計

蟻群算法是一種仿生學算法,是由自然界中螞蟻覓食的行為而啟發(fā)的。自然界中,螞蟻在覓食過程中,蟻群總能夠尋找到一條從蟻巢和食物源的最優(yōu)路徑[11]。在搜尋過程中,不同路徑、蟻群的信息素存在差別,蟻群會聚集在一條路徑上獲取食物,此路線即為最優(yōu)路徑[12]?；谠撛?對溫度智能控制過程進行訓練,構建蟻群自適應函數(shù)。在智能溫度控制系統(tǒng)中,輸入端僅含有一個信息素,負責對算法的整體輸出,由此得到的自適應函數(shù)為:

(3)

(4)

由式(4)所得到的結果與控制結果整體輸出相當,通過對網絡進行智能控制,使真實輸入與期望輸入之間的差異最大,則穩(wěn)定狀態(tài)的最小差值e為:

(5)

由式(5),可使輸出值和理想值之間誤差達到最小。

由大量螞蟻組成的蟻群的集體行為表現(xiàn)出一種信息正反饋現(xiàn)象:某一路徑上走過的螞蟻越多,則后來者選擇該路徑的概率就越大。螞蟻個體之間就是通過這種信息的交流達到搜索食物的目的。在搜尋時,各蟻群的位置選取是彼此無關的,依據位置上的信息素及位置轉換概率來選取位置。螞蟻根據食物所在位置進行尋找,并最終調整各個路徑的信息素。蟻群算法的整體流程如下:

1)參數(shù)初始化。

2)在n個節(jié)點中放m個蟻群,將n個節(jié)點添加到蟻群的禁忌表中。

3)通過對禁忌表的判定,利用狀態(tài)轉換法選取下一個節(jié)點。螞蟻通過路徑上的信息素密度和路線的長短來確定下一次目標,其狀態(tài)轉移概率公式為:

(6)

式中:Pij(t)為狀態(tài)轉移概率,sij(t)為i、j兩個節(jié)點在時間t內的信息素量,fij(t)為狀態(tài)轉換啟發(fā)函數(shù),ε、γ分別為狀態(tài)轉換因子和期望因子,allowedt為下一個可訪問的節(jié)點。

4)在確定了蟻群之后,按照本地信息素的變化規(guī)律,對整個螞蟻群體搜索路徑進行了最優(yōu)規(guī)劃,直到它們全部被搜尋。每個螞蟻在執(zhí)行一個循環(huán)后,按照式(7)處理其余的信息素:

sij(t)(t+t′)=(1-ρ)·sij(t)+Δsij(t)

(7)

式中:t′為螞蟻執(zhí)行時間,Δsij(t)為增加的信息素量。

5)記錄全部螞蟻搜索食物時的路徑,獲取最優(yōu)路徑,并建立相應免疫群體,求出基于全局信息素迭代修正最優(yōu)解:

(8)

式中:φ為全局信息素修正系數(shù)。

6)重復1)～5)直到滿足終止條件為止,設計負責控制溫度的壓力無關型變頻箱控制回路,如圖1所示。

圖1 壓力無關型變頻箱控制回路

變頻中央空調是以調整區(qū)域的溫度為控制信號,利用變頻箱來調整送風量,使房間溫度保持在一個恒溫狀態(tài)。該控制回路采用雙閉環(huán)串級控制方式,根據主副環(huán)輸出功率,調整風閥的開啟程度,實現(xiàn)房間溫度調節(jié)。

2.2 基于變論域自適應模糊規(guī)則的控制精度調節(jié)

基于壓力無關型變頻箱控制回路,結合蟻群算法設計智能控制流程,調整風閥的開啟程度雖然能夠有效控制溫度,但是當模糊規(guī)則確定之后,變論域是不確定的。在輸入端沒有改變的情況下,由于輸入端錯誤程度較低,導致模糊分割變得相對粗糙,從而降低了輸出調整效率。為了提高控制器的準確率,必須減小模糊集的峰值間距,因此提出通過變論域擴展系數(shù)實現(xiàn)對溫度的智能調整。變論域自適應模糊規(guī)則的控制誤差校正如下所示:設輸入變量、輸出變量為兩個模糊劃分結果上的模糊集峰點,使用內插函數(shù)來表達模糊控制器。

(9)

式中:f(x)為內插函數(shù),x、y分別為輸入、輸出變量,ai為模糊劃分結果,k為插入次數(shù)。引入變論域伸縮因子,分析輸入變量、輸出變量所對應的模糊推理論域,用如下函數(shù)表示:

f(x(t+1))=

(10)

式中:λ1、λ2分別為輸入、輸出論域伸縮因子。引入變論域思想后,可以將變論場的量化因子與輸出變量相結合,從而更好地了解和運用變論域思想。確定定量因素和標定因素之間關系,隨著誤差不斷縮小,控制規(guī)則的數(shù)目越來越少,調整的效果也越來越好,所以要增加定量因素,使得變論域范圍比輸出的模糊量小。

在輸入變量大的情況下,輸入變論域伸縮因子大,伸縮因子的變化率小;在輸入變量中等的情況下,輸入變論域伸縮因子中等,而伸縮因子的變化率也應是中等;在輸入變量小的情況下,輸入變論域伸縮因子小,而伸縮因子的變化率大。基于以上理論,采用遞進法,得到了一種擴展系數(shù)。輸入變量越大,變論域伸縮因子越小,實現(xiàn)室溫的靈活調整。

3 溫度控制實驗

為了驗證基于蟻群算法的變頻空調室溫智能控制方法的溫度控制效果,于2022年11月在某地某辦公樓兩室內搭建與所提方法相同參數(shù)的溫控系統(tǒng)實驗平臺。

3.1 溫度控制實驗觀測平臺搭建

實驗采用2臺室內機和2臺室外機,額定制冷參數(shù)為22.4 kW,額定制熱參數(shù)為25 kW。兩室內空間結構為3.50 m×2.95 m×5.00 m,均帶有1.05 m×2.55 m窗戶,窗戶和墻壁的面積比為12%,連接廊體部分有1個門,尺寸為0.85 m×2.30 m,室內高度為2.50 m。將室內參數(shù)輸入到MATLAB/Simulink中,搭建溫度控制實驗觀測平臺,其三維結構如圖2所示。

圖2 溫度控制實驗觀測平臺

通過Web組網監(jiān)控方式,對變頻空調進行了輕量化建模處理和三維可視化操作。在實驗平臺上安裝了能夠監(jiān)控溫度的傳感器,其與加熱設備保持一定的距離。如果所探測到的溫度比設定值低,則溫控器將會激活加熱爐。在實際應用中,一般都是先設置一個理想的溫度,再設置一個偏差或遲滯,從而確定兩個設置點。通過設置不同的上、下限,使加熱設備的狀態(tài)轉換次數(shù)變少,若上、下兩個設置點都是相同,溫控器不會重復開關,從而防止部件提前損壞。在溫度高于或低于設置值時,加熱裝置隨之發(fā)生變化,避免控制器的延遲問題。

3.2 機房溫度云圖熱點分析

機房溫度云圖熱點示意圖如圖3所示。

圖3 機房溫度云圖熱點示意圖

由圖3可知,以“云”為中心,以20 ℃的室內氣溫作為熱源,由控制板進行實時監(jiān)測,并將實時監(jiān)測到的溫度信息反饋至可視化的計算機上。通過數(shù)據畫出contour圖,如圖4所示,將溫度從以原子為單位轉化為以空間為單位,得到一個數(shù)據文件。

圖4 理想contour圖

由圖4可知,房間中心溫度為20 ℃左右,最高為25 ℃。

3.3 實驗結果與分析

分別使用串級自抗擾控制方法、模糊迭代學習預測控制方法和基于蟻群算法的智能控制方法,對比分析contour圖是否與理想contour圖一致,如圖5所示。

圖5 不同方法contour圖繪制結果分析

由圖5可知,使用串級自抗擾控制方法、模糊迭代學習預測控制方法所得contour圖與理想contour圖結果不一致,使用基于蟻群算法的智能控制方法所得contour圖與理想contour圖結果一致,說明使用本文方法能夠有效控制室溫。

4 結論

本文針對串級自抗擾控制方法、變頻空調模糊迭代學習預測控制方法溫度控制效果不理想的問題,提出了基于蟻群算法的變頻空調室溫智能控制方法。研究成果如下:

1)在能量守恒定律下,能夠劃分風閥開度送風量變化的線性范圍;

2)通過構建變頻風閥開度送風量模型,能夠獲取參數(shù)序列;

3)通過學習與訓練溫度智能控制方式,能夠保證本文方法實際輸出值和理想值之差達到一致;

4)通過設計變頻箱控制回路,能夠實現(xiàn)房間溫度靈活調整。