未来智库 > 神经网络论文 > 空调PMV指标的神经网络控制

空调PMV指标的神经网络控制

发布时间:2017-12-06 16:47:00 文章来源:未来智库    
    关键词:空调;PMV;神经网络
    引言
    改善经济状况,提高中国的生活水平,逐步推动家用空调的发展,使其更普遍。此时需要空调,营造出更舒适,而不再是满足于简单的温度控制,这对空调整体控制有很高要求。
    在稳定状态下,温度是由六个因素干预,分别包括辐射温度,空气温度和湿度,房间里空气的更新速度,人类活动的水平和穿衣量来决定。辐射温度,为屋子里的平均温度;人类活动量,为人员新陈代谢、机械动作量;衣服保温度,服装的热阻值、裸露和表面面积之间选择比值表示。热舒适性指数是指人类热舒适和其他影响因素,如内部温度、湿度,以及它们之间关系的综合效果,并且和计算方法、公式有关。
    在丹麦科技大学,Fanger教授,研究了热舒适方程,以确定热舒适指数[1]的热舒适性方程,该指数为任意环境变量组合产生,任意给定的,预先设置好投票,并作为所谓的PMV的目标控制器。Fanger认为,在温暖的环境中舒适的三个基本条件,如:(1)实现与环境的人体热平衡,存储温度S=0;(2),皮肤的平均温度保持舒适的水平;(3)身体出汗率,以达到最佳的条件下,是汗液代谢率的函数。总之,热舒适性的问题如下:
    这里M指的是人体新陈代谢率(W/m2);?浊是人体的机械效率;H指皮肤热负荷(W/m2); fcl为衣服面积系数;Icl衣服的基本热阻值;C是人体表面跟环境之间的热交换(W/m2);Pa指空气蒸汽压(KPa);ta指空气温度(℃);tcl指衣服表面温度;tr为平均辐射温度,(℃)。
    PMV指数跟这六个因素之间的关系如下:
    这里W指活动量,通常情况下该值为0(W/m2);Pa为人体所处空气环境时候,里面的水蒸汽气压;hc指热交换系数W/(m2・℃);Va是空气流速(m/s)。
    1 神经网络在PMV值中的应用
    简言之,不同的参数之间联系具有挑战性、计算出的PMV指标[2]关系复杂,很难找到一种简单的方法来计算神经网络的结果。
    1.1 设计输入层和输出层
    PMV是由六个因素决定的,所以输入层为六大类,包括平均辐射温度,室内空气温度,湿度,风速,人的活动量和衣服量。PMV值在输出层仅一个,从而使神经网络的输出层,仅此一个。因此,对于输入层有六维,输出层有一维。
    1.2 网络隐层的选择
    输入层包括至少一个隐藏层,线性输出层一个,因此神经网络可以逼近任一个有理函数。如果增加隐含层的功能,以减少误差,以达到更高的精度,同时也使得网络更加复杂,并增加了训练期间的权值。有效性、准确性综合考量,使用三层网络。
    1.3 隐层神经元的选择
    根据建立的神经网络,随机选取神经元个数,根据实验结果设定数量,最终,得到每一层的适当数量为6,21,1。
    1.4 初始权值的选择
    PMV指标是复杂的非线性项可以用一段时间的训练使其收敛,是否能达到局部最小值,初始权值起着重要的作用。我们希望,当所积加的输入对于每个神经元,其值接近零,那么学习最初就非平坦进行。因此,初始权值在通常情况下,随机且相对较小。如果输入神经元q,初始权值可以被放置[-2/q,2/q]之间,从而确保从一开始,对于学习就是在函数激励最大的地方。
    1.5 学习步长的选择
    如果决定的学习步长比较小,网络误差函数E是要达到最小。但是,如果步长太小,学习时间会延长,这会使得学习过程变得缓慢,如果局部极小值在误差函数中过多,将使得网络停滞或至少局部最小。如果学习的步长很大,权值变化加快,同时收敛速度也会变快。然而,如果学习步长过大,算法可能是不稳定的,甚至没办法收敛。因此,根据问题性质和PMV模型,我们选择0.75为第一个步长。
    2 BP神经神经网络的构造和仿真
    2.1 网络模型构建和初始化
    建立BP神经网络,第一步,构建网络对象并赋初始值,我们可以用MATLAB神经网络工具箱函数newff创建一个可训练的单隐层BP网络,其语法为:
    net=newff(PR,[S1,...,Sn],{TF1,…,TFn},BTF,BLF,PF)
    [S1,…,Sn]是一个数组,包括每一层神经元的数量,这里每一层BP神经元的个数为6,21,1,即S1=6,S2=21,S3=1;每一层网络的加权函数是dotprod;输入函数是netsum;(TF1,…,TFn)为各层神经元的传递函数,这里用到“tansig”函数,是把神经元的输入范围从(-∞,+∞)映射到(0,1);BTF用于指定网络训练函数名字,此刻用到tranlm;BLF是权值和阈值的学习函数,采用learngdm;PF是网络操作模式的表征,这里用最小误差平方、可微函数mse。
    2.2 网络模型的训练
    MATLAB神经网络工具箱中有许多BP神经网络学习和训练的函数,文章中我们采用trainlm函数,它的语法是[net,tr]=trinlm(net,Pd,TL)。此处,net指初始化后的网络;tr是每一步长的网络性能[6]在训练过程中的记录;Pd指训练网络中的输入样本;TL指训练中的输出样本。
    2.3 网络模型的模拟
    BP网络训练后需验证网络性能。验证开始时,使用sim函数来模拟训练网络,此时新的网络输入为pnew,网络对象是net,输出是anew,语法如下:
    [anew]=sim(net,pnew)
    可以得到训练结果:
    TRAINLM,Epoch0/500,MSE 1.10637/0.0001,Gradient 128.394/1e-010
    TEAINLM,Epoch25/500,MSE0.000790584/0.0001,Gradient 0.67388/1e-010
    TRAINLM,Epoch36/500,MSE8.7715e-005/0.0001,Gradient 0.01
    71647/1e-010
    TRAINLM,Performancegoalmet.TRAINLM,Performance goal met.
    图1是训练误差收敛曲线,训练到36步时,网络性能达到预期目标,并且能得到较为准确的数据。
    3 结束语
    这样的神经网络模型预测,可以用来控制空调系统,我们需要将空调系数随着PMV指标调整,就可以实现一个舒适的环境。
    参考文献
    [1]申欢迎.基于PMV指标的舒适空调模糊控制系统仿真研究[D].西安交通大学,2004.
    [2]刘谨.基于PMV指标的空调系统舒适控制研究[D].湖南大学,2003.
    [3]朱凯,王正林.精通MATLAB神经网络[M].电子工业出版社,2010.
    [4]孙增圻.智能控制理论与技术[M].清华大学出版社,2004.
    [5]董长虹.MATLAB神经网络与应用[M].国防工业出版社,2005.
    [6]李成利,黄存柱,常军.神经网络在PMV指标控制中的应用研究[J].微型机与应用,2010.
转载请注明来源。原文地址:https://www.7428.cn/vipzj5334/
 与本篇相关的热门内容: