[发明专利]基于SPSA的制冷系统最小能耗的数据驱动控制方法

摘要

本发明涉及一种基于SPSA的制冷系统最小能耗的数据驱动控制方法，包括根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；建立系统的在线神经网络辨识模型；根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值；建立神经网络控制器；膨胀阀控制回路完成对蒸发器过热度的控制。本发明计算简单，参数少，易实现，控制效果较好。

主权项

一种基于同步扰动随机近似(SPSA)的制冷系统最小能耗的数据驱动控制方法，采用以下的方法：a.根据系统负荷的变化，调节压缩机频率使冷冻水供水温度恒定，实现制冷量与热负荷匹配；b.获取系统负荷与蒸发器最小稳定过热度之间的关系曲线；c.建立系统的在线神经网络辨识模型：以前P个时刻实际系统的输出值，即前P个时刻蒸发器的过热度值{y(k),y(k‑1),...,y(k‑P+1)}和前Q个时刻实际系统的控制输入值，即前Q个时刻电子膨胀阀的开度值{u(k‑1),u(k‑2),...,u(k‑Q)}作为神经网络模型的输入，P和Q为时间窗长度，以当前时刻蒸发器的过热度值作为神经网络的输出；选取三层结构，即一个输入层，一个隐含层和一个输出层，径向基函数神经网络作为系统的在线辨识模型，网络隐节点的基函数采用欧氏距离函数，并使用高斯函数作为激活函数；确定网络隐节点数、各径向基函数的数据中心及扩展常数，将以误差函数作为神经网络学习的目标函数，其中，βj为遗忘因子，ej为网络输出与实际系统输出间的误差；采用梯度训练方法，通过最小化目标函数来调节各个隐节点的数据中心、扩展常数和连接权值，从而使神经网络辨识模型逼近实际系统；d.根据压缩机动态调节下空调制冷系统的制冷量的变化，计算系统负荷，并根据系统负荷与蒸发器最小稳定过热度之间的关系曲线，获得该系统负荷所对应的最小稳定过热度，将其作为蒸发器过热度的设定值yd(k+1)；e.建立神经网络控制器：以前M时刻实际系统的输出值，即前M个时刻蒸发器的过热度值{y(k),y(k‑1),...,y(k‑M+1)}、前N时刻实际系统的控制输入值，即前N个时刻电子膨胀阀的开度值{u(k‑1),u(k‑2),...,u(k‑N)}、以及过热度的设定值yd(k+1)作为神经网络控制器的输入，以系统的控制信号，即电子膨胀阀的开度值u(k)作为神经网络控制器的输出，选取四层结构的BP网络作为神经网络控制器，即一个输入层，两个隐含层和一个输出层；使用在线神经网络辨识器模型代替实际系统来进行控制器连接权值的更新；f.膨胀阀控制回路完成对蒸发器过热度的控制：通过电子膨胀阀来控制蒸发器的过热度，使其跟踪上过热度的设定值yd(k+1)，使用更新过的神经网络控制器的连接权值，计算得到系统的控制信号u(k)，即电子膨胀阀的开度，将该信号反馈到空调制冷系统中，从而完成闭环控制；上述步骤e中，更新神经网络控制器的连接权值的方法如下：计算控制器参数神经网络控制器所产生的控制量，记做其中θk为神经网络控制器的连接权值、为上一时刻的控制器连接权值的估计值、ck为趋于0的序列或值等于常数的标量系数、Δk＝[Δk1,Δk2,...,ΔkL]T为一个随机向量，并将分别作为两次输入信号加入至系统的在线神经网络辨识模型中，记录其相应的输出，记做将的值代入到控制器的优化目标函数中，计算得到再将代入进梯度估计公式中，其中，l＝1,2,...,L，L为控制器参数的个数，进而得到梯度的估计值最后将代入到控制器参数更新公式中，其中ak为标量系数，计算得到k时刻控制器连接权值的估计值从而完成控制器参数即神经网络控制器连接权值的更新。