摘 要：本文基于RBF神經(jīng)網(wǎng)絡(luò)提出一種超低能耗建筑暖通空調(diào)冷水溫度優(yōu)化控制方法。在該方法中，對建筑暖通空調(diào)水系統(tǒng)的運行工況進(jìn)行辨識。通過辨識結(jié)果，建立建筑暖通空調(diào)冷水溫度優(yōu)化控制器，利用RBF 神經(jīng)網(wǎng)絡(luò)對控制器進(jìn)行在線優(yōu)化，獲取房間預(yù)測溫度輸出。利用預(yù)測信息和設(shè)定的目標(biāo)函數(shù)，不斷在線修正預(yù)測溫度輸出，得到最佳暖通空調(diào)冷水溫度，對空調(diào)冷水溫度進(jìn)行優(yōu)化控制。試驗結(jié)果表明，該方法能夠有效地對建筑暖通水溫進(jìn)行節(jié)能控制，具有較高的控制精度和可靠性。

關(guān)鍵詞：RBF神經(jīng)網(wǎng)絡(luò)；建筑暖通；水溫節(jié)能控制

中圖分類號：TU 83" " 文獻(xiàn)標(biāo)志碼：A

隨著人們對能源消耗和環(huán)境保護(hù)的日益關(guān)注，建筑節(jié)能成為一個重要的研究領(lǐng)域[1]。建筑暖通系統(tǒng)是建筑能耗的重要組成部分，其中水溫控制是影響能耗和舒適性的關(guān)鍵因素之一。傳統(tǒng)的建筑暖通水溫控制方法往往存在能耗高、控制精度低等問題。張帆等[3]采用蟻群算法來增強其全局搜索能力。葉立等[2]則引入粒子群優(yōu)化算法來對控制器參數(shù)進(jìn)行優(yōu)化。本文以此為基礎(chǔ)，基于RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行建筑暖通水溫節(jié)能控制設(shè)計。

1 建筑暖通水溫節(jié)能優(yōu)化控制方法

1.1 建筑暖通空調(diào)水系統(tǒng)運行工況分析

在神經(jīng)網(wǎng)絡(luò)中，使用公式（1）來描述神經(jīng)元的計算過程。

xi=∑（ωi×xi-1）+θ " "（1）

式中：xi為第i個神經(jīng)元的輸入；ωi為神經(jīng)元之間的連接強度；xi-1為第i-1個神經(jīng)元的輸出；θ為閾值。

計算神經(jīng)元的激活函數(shù)如公式（2）所示。

（2）

式中：f（）為激活函數(shù)；exp（）為指數(shù)函數(shù)。

神經(jīng)元的輸入是由前一層神經(jīng)元的輸出和連接強度加權(quán)求和得到的，再加上閾值，通過激活函數(shù)對輸入進(jìn)行非線性轉(zhuǎn)換，得到神經(jīng)元的輸出。

計算隱含層的輸出如公式（3）所示。

bf=f ∑（（ωij×bf-1）+θj ） （3）

計算輸出層的輸出如公式（4）所示。

cf=f ∑（（υij×bf-1）+γj） （4）

式中：bj為隱含層的輸出；cf為輸出層的輸出；ωij為神經(jīng)元i和j之間的連接強度；υij為神經(jīng)元i和j之間的權(quán)值系數(shù)；θj為神經(jīng)元的連接強度閾值；γj為神經(jīng)元i的閾值；f（）為激活函數(shù)。

計算輸出層的一般化誤差如公式（5）所示。

ekj=Ct-tk " "（5）

式中：ekj為輸出層的一般化誤差；Ct為輸出層的輸出；tk為目標(biāo)值。

計算誤差函數(shù)的極小值如公式（6）所示。

ykt=∑（ekj2）" （6）

式中：ykt為誤差函數(shù)的極小值；ekj為輸出層的一般化誤差。

計算輸出層的誤差，并根據(jù)誤差函數(shù)的極小值來評估神經(jīng)網(wǎng)絡(luò)的性能。輸出層的一般化誤差是輸出層輸出與目標(biāo)值之間的差異，即網(wǎng)絡(luò)的預(yù)測誤差。誤差函數(shù)的極小值是對所有輸出層神經(jīng)元的一般化誤差進(jìn)行求和。在訓(xùn)練過程中，通過調(diào)整神經(jīng)網(wǎng)絡(luò)的參數(shù)和權(quán)重來最小化誤差函數(shù)的極小值，從而提高網(wǎng)絡(luò)的預(yù)測準(zhǔn)確性。常用的方法是使用梯度下降算法來更新參數(shù)和權(quán)重，以逐步減小誤差函數(shù)的極小值[4-5]。

圖1為遺傳算法的流程圖，第一步是將種群進(jìn)行初始化處理。在實際編碼的過程中，通常使用實數(shù)進(jìn)行編碼，以便更靈活地表示網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值。

在遺傳算法的每一代中，需要計算不同個體的適應(yīng)度，適應(yīng)度函數(shù)通常為評估個體解決問題能力的指標(biāo)。具體適應(yīng)度函數(shù)的選擇取決于具體的問題和目標(biāo)。根據(jù)適應(yīng)度函數(shù)的計算結(jié)果，可以對種群中的個體進(jìn)行排序，以便選擇適應(yīng)度較高的個體作為下一代的父代，從而保留優(yōu)秀的個體解。

在遺傳算法中，根據(jù)個體的適應(yīng)度值和概率，可以選擇不同的網(wǎng)絡(luò)個體作為下一代的父代。具體的選擇如公式（7）所示。

（7）

式中：pi為個體i被選中的概率，fi為個體i的適應(yīng)度值。通過將個體的適應(yīng)度值歸一化，可以得到每個個體被選中的概率。

根據(jù)這些概率值，可以使用輪盤賭選擇（Roulette Wheel Selection）的方法。該方法的基本思想是根據(jù)個體被選中的概率，在輪盤上選擇父代個體。

計算累積概率：qi=∑pi，即第i個個體被選中的累積概率。生成一個隨機(jī)數(shù)r，使0≤r≤1。

根據(jù)隨機(jī)數(shù)r，選擇第一個滿足qi-1≤r≤qi的個體作為父代。

通過這樣的選擇過程，可以根據(jù)個體的適應(yīng)度值選擇適應(yīng)度較高的個體作為下一代的父代，進(jìn)一步進(jìn)行遺傳操作，從而優(yōu)化網(wǎng)絡(luò)的結(jié)構(gòu)和權(quán)值。

首先，根據(jù)概率pc，選擇進(jìn)行交叉操作的個體，通常是選擇適應(yīng)度較高的個體。其次，從選中的個體中隨機(jī)選擇兩個個體作為父代，進(jìn)行交叉操作，可以采用不同的交叉方式，例如單點交叉、多點交叉等。交叉操作會交換兩個個體的染色體片段，生成兩個新的個體。最后，重復(fù)上述步驟，以保留優(yōu)秀的個體。

通過概率pm突變形成全新的個體。突變操作是為了引入新的基因變異，以增加種群的多樣性。根據(jù)概率pm，選擇進(jìn)行突變操作的個體，一般是選擇適應(yīng)度較低的個體。對選中的個體進(jìn)行基因突變操作，即隨機(jī)改變個體的某些基因值。重復(fù)上述步驟，直到所有選中的個體都進(jìn)行了突變操作。

將獲取的全新個體直接放置到種群P中，計算對應(yīng)的評價函數(shù)。將經(jīng)過交叉和突變操作得到的全新個體放置到原始種群P中，形成下一代種群。計算新種群中的個體的評價函數(shù)?？梢愿鶕?jù)具體問題的需求來定義評價函數(shù)，一般是根據(jù)個體解決問題的能力來評估其適應(yīng)度值。

在遺傳算法中，根據(jù)ANN的誤差平方和來判斷是否達(dá)到設(shè)定值。如果誤差平方和已經(jīng)滿足設(shè)定值，那么算法結(jié)束，進(jìn)行下一步驟。

將GA的初始優(yōu)化值設(shè)定為權(quán)值，借助BP神經(jīng)網(wǎng)絡(luò)對其進(jìn)行訓(xùn)練，直至滿足系統(tǒng)設(shè)定的精度條件。

在暖通空調(diào)系統(tǒng)中，水泵是將冷卻水或熱水輸送到機(jī)組或冷熱源的關(guān)鍵設(shè)備。水泵的效率直接影響到系統(tǒng)的能耗和運行費用。較高的水泵效率可以減少能源消耗，降低能耗成本?？梢酝ㄟ^其工作點的位置來評估水泵的效率。工作點是指水泵在一定流量和揚程下的運行狀態(tài)。水泵的效率隨著工作點的改變而變化，通常在其最高效率點附近工作過程中能夠?qū)崿F(xiàn)最佳效率。

對比不同矛盾結(jié)果對空調(diào)水系統(tǒng)的影響，如公式（8）所示。

（8）

式中：COPS為每單位的制冷負(fù)荷所需的能耗；Q為數(shù)據(jù)組的預(yù)測值，表示冷水機(jī)組的制冷負(fù)荷；W1為電機(jī)的輸入功率，表示冷水機(jī)組電機(jī)的能耗；W2為泵的輸入功率，表示冷水機(jī)組水泵的能耗。COPS值越小，表示冷水機(jī)組的能效越高，能夠以較少的能耗達(dá)到相同的制冷效果。

1.2 超低能耗建筑暖通空調(diào)冷水溫度優(yōu)化控制

PMV指標(biāo)表示相同室內(nèi)環(huán)境下大部分人的熱舒適度。這個指標(biāo)考慮了人體的熱代謝和熱輻射等因素以及環(huán)境溫度、相對濕度、氣流速度等因素對人體熱舒適度的影響。由于每個人體質(zhì)和敏感度不同，有些人可能對相同的熱環(huán)境感到不舒適。因此，需要利用PPD指標(biāo)來表示用戶對熱環(huán)境不滿意的百分比。PPD指標(biāo)反映了人體對室內(nèi)熱環(huán)境的敏感度，即有多少人在相同環(huán)境下感到不舒適。由于PMV指標(biāo)更加重視用戶對熱舒適度的滿意度，因此在房間溫度的設(shè)定方面，需要更多地考慮PMV指標(biāo)。同時，還需要考慮其他影響因素，例如相對濕度和空氣流動速度等。

輸入節(jié)點數(shù)量為6個，包括環(huán)境溫度、相對濕度、氣流速度等因素?？梢愿鶕?jù)實際情況調(diào)整隱層節(jié)點數(shù)量，以得到最佳的預(yù)測結(jié)果。輸出節(jié)點可以是PMV或者PPD指標(biāo)，以便于對室內(nèi)環(huán)境進(jìn)行優(yōu)化和調(diào)整。

計算超低能耗建筑暖通空調(diào)冷水調(diào)節(jié)電壓，如公式（9）所示。

u（k+N）=∑（i=1toM）（ω（i）×ρi） （9）

式中：u（k+N）為在時間步k+N時刻的冷水調(diào)節(jié)電壓；M為模糊神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點數(shù)量；ω（i）為每個節(jié)點的權(quán)重；ρi為空調(diào)調(diào)節(jié)閥電壓取值。

在模糊神經(jīng)網(wǎng)絡(luò)中，通過網(wǎng)絡(luò)的訓(xùn)練過程得到權(quán)重 ω（i），可以根據(jù)具體的算法和數(shù)據(jù)進(jìn)行計算和調(diào)整。這些權(quán)重可以對輸入變量與輸出變量之間的關(guān)系進(jìn)行建模和表示。通過調(diào)整權(quán)重，模糊神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并預(yù)測未來的冷水調(diào)節(jié)電壓。

計算設(shè)定控制目標(biāo)函數(shù)j如公式（10）所示。

j=∑（i=ltoN）（ω1×|y（k+i）-λ（k+i）|ω2×yr（k+i）） " （10）

式中：N為預(yù)測時間步數(shù)；ω1和ω2是權(quán)重系數(shù)；|y（k+i）-λ（k+i）|為測試房間的期望溫度與實際溫度之間的差值；yr（k+i）為房間最高溫度和最低溫度的差值。

控制目標(biāo)函數(shù)的主要作用是優(yōu)化控制策略，使測試房間的期望溫度與實際溫度之間的差值最小，并且將房間的溫度控制在最高溫度和最低溫度的差值范圍內(nèi)。通過調(diào)整權(quán)重系數(shù)，可以根據(jù)實際需求來平衡不同的目標(biāo)。

采用優(yōu)化方法對性能進(jìn)行優(yōu)化，可以使用RBF（徑向基函數(shù)）模糊神經(jīng)網(wǎng)絡(luò)來獲取未來控制時長內(nèi)暖通空調(diào)系統(tǒng)中冷凍水泵的調(diào)節(jié)電壓，如公式（11）所示。

ρj，N（k+1）=∑（i=1tom）（ω（i）×Φ（||[aj，N（k+1），cj，N（k+1）]-[μi，σi]||）） （11）

式中：ρj，N（k+1）為經(jīng)過調(diào)整和修正后的控制參數(shù)；aj，N（k+1）、cj，N（k+1）為經(jīng)過調(diào)整和修正后的控制參數(shù)；ω（i）為每個節(jié)點的權(quán)重；Φ（）為徑向基函數(shù)；[μi，σi]為徑向基函數(shù)的中心和標(biāo)準(zhǔn)差。RBF模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程通常包括確定徑向基函數(shù)的中心和標(biāo)準(zhǔn)差以及節(jié)點的權(quán)重。通過訓(xùn)練過程，模糊神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并預(yù)測未來控制時長內(nèi)的冷凍水泵調(diào)節(jié)電壓，以優(yōu)化性能。

2 仿真研究

建筑暖通空調(diào)冷水溫度優(yōu)化控制效果分析如圖2所示，采集300組測試數(shù)據(jù)，通過對比試驗結(jié)果發(fā)現(xiàn)，本文提出的方法的優(yōu)化控制結(jié)果更優(yōu)秀。對比結(jié)果見表1。

與文獻(xiàn)[2]和文獻(xiàn)[3]相比，本文所提出的方法可以更快完成冷水溫度調(diào)節(jié)。

3 結(jié)語

本文基于RBF神經(jīng)網(wǎng)絡(luò)設(shè)計了一種建筑暖通水溫節(jié)能控制方法，并進(jìn)行了試驗驗證。試驗結(jié)果表明，所提出的方法能夠?qū)ㄖㄋ疁剡M(jìn)行有效地節(jié)能控制，具有較高的控制精度和可靠性。未來的研究方向可以在該方法的基礎(chǔ)上進(jìn)一步探索建筑節(jié)能控制的優(yōu)化方法，以實現(xiàn)更加高效、可持續(xù)的建筑節(jié)能控制。

參考文獻(xiàn)

[1]吳青，顏加明，徐蒯東，等.水庫水在水電站地下廠房空調(diào)系統(tǒng)中應(yīng)用的能效評價[J].暖通空調(diào)，2020，50（12）：89-96.

[2]葉立，張夢伢，葉歡，等.基于PSO的模糊PID汽車空調(diào)控制策略優(yōu)化[J].電機(jī)與控制應(yīng)用，2020，47（12）：32-37.

[3]張帆，李壯舉.改進(jìn)蟻群算法的中央空調(diào)冷凍水系統(tǒng)優(yōu)化控制[J].計算機(jī)工程與設(shè)計，2019，40（5）：1311-1315.

[4]余俊祥，高克文，寧太剛.空調(diào)系統(tǒng)變水溫運行能耗特性研究[J].建筑技術(shù)開發(fā)，2016，43（10）：34-37.

[5]林志勇，李光華.水利水電工程暖通空調(diào)設(shè)計發(fā)展歷程[J].暖通空調(diào)，2015，45（2）：10-14.