1 、引言

隨著科學技術的發展、人類社會不斷進步，人們的生活質量不斷提高，人們對生活環境的要求也日漸增長，因此智能建筑應運而生。建筑設備自動化系統是智能建筑的一個重要組成部分，它負責對大廈內的各種機電設施進行全面的計算機監控管理，包括中央空調、給排水、變配電、照明、電梯、消防、安全防范等系統的監控。而中央空調的能耗占整個建筑能耗的50%－60%，是系統節能的重點。但是，由于中央空調系統龐大，反應速度較慢，滯后現象嚴重，給機組運行的穩定性增加了困難。目前為止，中央空調的控制系統幾乎仍然采用傳統的控制技術，如比例積分微分（PID）調節，由于PID的控制參數往往通過工程師的經驗預先設定或通過試驗來確定，對于工況變化的適應性差，控制慣性較大，節能效果不理想，特別是大區域中央空調系統的協調控制問題，用傳統控制技術是難以解決問題的。以下結合某企業的技術改造工程對大區域空調系統溫、濕度控制問題從技術層面作簡要探討。

2 、大區域空調溫濕度監控系統

2.1大區域空調溫濕度控制的難點

目前大區域空調溫濕度控制系統的控制方案，主要是采用將大區域劃分成若干子區域，即“大面積分區”，每個子區域安裝一定的溫、濕度傳感器，分別由一個空調子系統控制該子區域的空氣溫、濕度。控制方式一般采用PID控制，即采用測溫元件（溫感器）、PID溫度調節器和電動二通調節閥的PID調節方式。在炎熱的夏季實質上是調節位于該子區域的表冷器冷水管上的電動調節閥；在寒冷的冬季是調節位于該子區域的加熱器熱水管上的電動調節閥，通過控制調節閥開度的大小實現冷（熱）水量的調節，以達到控制溫度的目的。由于控制面積大、檢測點傳感器的誤差以及空調系統工況的復雜性，經常會出現相鄰的兩個空調子區域，為了達到相同的溫度平衡點，一個空調子區域溫度高于設定溫度進行表冷處理，在降低溫度；而另一個空調子區域溫度低于設定溫度進行加熱處理，在升高溫度。這樣，不僅造成控制系統振蕩比較大，很難平穩地過渡到溫度設定點，而且還造成了極大的能源浪費，這就是大區域空調溫濕度控制的難點所在。

2.2 大區域空調溫濕度系統的特點

（1） 大區域空調系統的分解與協調

大區域空調系統是復雜大系統，由于控制區域大，只用一臺大容量的空調進行控制，不但很難達到恒溫、恒濕的控制要求，而且會造成能源的極大浪費。所以，必須對大區域進行分區處理，每個區域由獨立的空調子系統進行控制。當將若干個分區參數相同（或相近），而濕熱比各不相同的相鄰區域整合為一個大型的空調控制系統時，就會遇到如何分區處理和如何確定送風量的難題，也就是如何進行協調控制的問題。

（2） 空調系統中檢測點的選擇

大區域空調的控制策略應充分考慮工業中空調大風量、小焓差的特點，同時滿足環境工業要求、舒適衛生和節約能源要求，突出測控全面、調節精確、方便適用的特色。基于以上原則，每臺空調控制區域分別設置4組溫度和濕度檢測點，以4組溫、濕度檢測值的加權平均值作為控制用的檢測值。另外，在新風口設置一組溫、濕度傳感器檢測新風焓值作為新風利用控制的依據，送風口設置防凝水檢測裝置，其檢測值作為防凝水控制的依據。空調機內部設置溫度傳感器，檢測送風情況，對空調機進行溫度保護，這樣雖然增加了檢測點，但是由于空氣的熱慣性，仍然很難精確計算出空氣中各部分的實際溫度，因此大區域空調溫、濕度系統的控制屬于不確定性復雜大系統控制問題，檢測點的選擇顯得特別重要。

3、 控制策略的選取

由于被控對象的復雜性和不確定性，按傳統的方法，根據被控對象的數學模型，在滿足性能指標及約束條件下，綜合設計控制器的方法是不能用的。因為對不確定性復雜對象不可能建立嚴格的數學模型，綜合設計系統的前提條件不存在。對不確定性復雜系統的控制，一般采用以知識表示的非數學的廣義控制模型。可供選擇的策略有神經網絡控制、模糊控制、實時專家系統控制、仿人智能控制等，它們都無需對象的數學模型。其中，人工神經網絡（ANN Artificial Neural Networks）理論、實現方式及算法是人工智能（AI Artificial Intelligence）研究的重要課題之一。它作為一種軟件產品，廣泛應用于信息技術和模式識別等智能化領域，近年來人工神經網絡［2］［3］［4］［5］在自動控制領域得到了廣泛的應用，為自學習、自適應控制等提供了一種新的有效途徑。通過人工神經網絡的離線訓練和在線學習，使控制器具有自調整和自適應的性能，從而進一步改進實時控制效果，這里選取人工神經網絡與控制技術相結合的控制策略，因為它更貼近實際。

4 、人工神經網絡在中央空調自動控制系統中的實現

針對大區域中央空調監控系統的傳統PID控制方案存在的問題，將人工神經網絡技術引入到該監控系統中。

4.1 網絡結構的確定

對于BP神經網絡，其結構的確定包括了輸入層、輸出層節點個數的確定和隱藏層層數、隱藏節點個數的確定，以及神經元的激活函數。其中輸入層、輸出層節點的個數與求解的問題密切相關。

（1） 神經網絡層數

理論上已證明具有偏差和至少一個S型隱層加上一個線形輸出層的網絡，能夠逼近任何有理函數。但這只說明了含有一個隱層能夠逼近任何有理函數，并不一定是最好的。文獻［6］指出：逼近相同輸入維數的函數，兩個隱層的網絡可能比單個隱層所需隱單元數少得多。增加層數還可以更進一步的降低誤差，提高精度，但同時也使網絡復雜化。而精度的提高實際上也可以通過增加隱層的神經元數目來獲得。

（2） 輸入參數及輸出節點的選取

為了全面反映空調系統中室內溫、濕度的變化，又考慮到神經元網絡便于處理多輸入信息的特點，選取4對車間溫濕度、室外溫濕度、冷水溫度、送風機電流、加熱閥閥位、加濕閥閥位、制冷閥閥位、新風閥閥位和車間設定溫濕度共18個參數作為輸入參數，并將其輸入參數標準歸一化。輸出節點為冷水閥控制、加熱閥控制、加濕閥控制、新風閥控制和送風機控制等5個參數。取其中192個樣本組成訓練集。

（3） 隱含層神經元個數

隱層節點數的選擇是十分復雜的，隱含節點數與問題的要求、輸入輸出節點的多少有關。網絡訓練精度的提高可以通過增加隱層神經元個數的方法來實現。如果隱層節點太少，網絡可能難以訓練或容錯性差，但隱層節點過多又使學習時間太長，誤差也不一定最小。但究竟選取多少個隱層節點，在理論上并沒有一個明確的規定。很多學者提出了不同的觀點，有三種計算公式：

由此可見，對于神經網絡這樣一個復雜的非線性動態系統而言，很難找到有關其特性、容量等的簡潔解析表達式。文中采用第二種方法確定隱層節點數，并通過學習對隱層節點數進行調整，直到滿足精度要求為止。

（4） 激活函數

a） 在S型函數中加入可調系數

b） 在基本的S型函數中加入可調參數，激活函數的形式變為

改變S形函數輸出動態范圍

基本BP算法中神經元的激活函數，通常采用S形函數，即

一般對數S型激活函數的輸出動態范圍為（0，1），從網絡訓練的要求來看，這不是最佳的。因為從權值凋整公式可知，權值的變化也正比于前一層的輸出，而因其中一半是趨向0的一邊，這必然引起權值調整量的減少或不能調整，從而延長了訓練時問，為了解決這個問題，采用雙極性S型函數，即

（5） 學習速率的選取

在網絡權值的調整過程中，通常希望在學習的初始階段，步長可選擇大一些；以使學習速度加快；當接近最優點時，步長又必須相當小，否則連接權值將產生振蕩而難以收斂；當處在誤差曲面的平坦區時，步長太小將使迭代次數增多；當處在誤差曲面的劇烈變化區域，步長又不宜太大，否則將跳過較好的極小值或全局極小值［8］，通常是針對特定的問題，憑經驗和依據實驗結果調整這些參數值。

由于本方案中使用了具有可調參數的激活函數，為了使系統學習效果更加理想，既要使輸出達到期望值，又要盡可能的加快學習速度，因此，在學習速率的選取上采用學習速率自適應調整方案。學習速率自適應調整的一般規則是：在連續迭代幾步的過程中，新誤差都比舊誤差值大，學習速率將減小；若新誤差小于舊誤差時，則增大學習速率。此方法可以保證網絡總是以最大的可接受的學習速率進行訓練，當一個較大的學習速率仍能使網絡穩定學習，使其誤差繼續下降，則增加學習速率。一旦學習速率調得過大，而不能保證誤差繼續減少，則減小學習速率直到使其學習過程穩定為止。選取學習速率的初始值 ＝0.2。

（6） 動量系數的選取

為了保證過程的穩定性，在每個加權調節量上加一項正比于前次加權變化量的值，即動量系數，其作用是使系統更加穩定。在訓練網絡時，變更不同 值，對網絡進行訓練及預測，當 ＞0.5時，網絡不再穩定，使網絡限于局部最小。因此分別選取動量系數 為0.15、0.20、0.40、0.50，網絡比較穩定。綜合考慮網絡的訓練結果，動量系數 ＝0.2。

4.2 人工神經網絡控制中程序設計與實現

（1） 學習樣本

網絡模型選取的樣本為企業生產車間某日從8:00到23:00每五分鐘采集的數據。車間面積為1200m2，由于車間面積較大以及廠方要求，每個空調區域共設置了四對溫濕度檢測點。輸入參數分別為：車間溫度1、車間濕度1、車間溫度2、車間濕度2、車間溫度3、車間濕度3、車間溫度4、車間濕度4、室外溫度、室外濕度、冷水溫度、送風機電流、加熱閥閥位、加濕閥閥位、制冷閥閥位、新風閥閥位、車間設定溫度、車間設定濕度共18個參數，作為數據學習樣本，輸出節點為冷水閥控制、加熱閥控制、加濕閥控制、新風閥控制和送風機控制共5個參數。

（2） 控制系統結構圖

綜合上述的分析，選隱層數為2，再根據隱層節點的第二種計算方法，并通過學習，取 a=4，得出隱層節點數是n1=8 ，又知輸入參數n=18 ，輸出參數 m=5，可得該中央空調人工神經網絡控制系統結構圖如圖2所示。

（3） 網絡學習過程程序流程圖

網絡學習過程程序流程，如圖3所示。學習終止條件設為：兩次響應誤差之間的差的絕對值小于 ，或誤差小于 ，或學習次數大于5萬次而未收斂。如果出現第三種情況，就認為學習不成功，用戶可以追加樣本個數或者調整輸入、輸出關系，對網絡進行新的訓練。當然也可以繼續訓練，但是如果訓練次數過多，網絡不可避免的會出現“過學習”的情況，造成網絡對樣本集的依賴性增加，泛化能力減弱。

5、 工程實驗與結果

5.1主要程序模塊

可用C語言編寫網絡學習過程程序，其中主要程序模塊有：樣本信號正向傳播過程模塊，誤差信號（導師）反傳過程模塊，網絡學習過程模塊，網絡工作過程模塊。

5.2 實驗結果與分析

中央空調系統由空氣加熱、冷卻、加濕、去濕，空氣凈化，風量調節設備以及空調用冷熱源等設備組成。被監控參數主要有空氣的溫度、濕度、壓力（壓差）以及空氣清新度、氣流方向等，在冷熱源方面主要是冷熱水溫度、蒸汽壓力。有時還需要測量、控制供回水干管的壓力差，測量供回水溫度以及回水流量等。在對這些參數進行控制的同時，還要對主要參數進行指示、記錄、打印，并能監測各機電設備的運行狀態及事故狀態和報警。系統經改造后，將人工神經網絡應用在大區域中央空調控制系統后，系統的穩定性和控制精度有了明顯提高，從而節約了能源，改善了生產車間的環境，對提高產品的質量有很大幫助。為了說明控制效果，現將生產車間在技術改造前利用傳統PID進行溫、濕度控制的數據和改造后人工神經網絡溫、濕度控制數據結果進行比較分析，部分數據結果詳見表1，對照ANN控制和PID控制實際測量的溫、濕度數據可看出，ANN控制采用控制效果是相當理想的。

6、 結束語

以上圍繞大區域中央空調系統溫濕度控制問題對相關各參數進行了分析，結合某企業大區域中央空調監控系統改造，將人工神經網絡技術應用在大區域中央空調控制系統中。文中對經典BP網絡進行了改進，研究內容包括：網絡結構的確定，輸入參數及輸出節點的選取，隱含層神經元節點的個數，激活函數的選取，學習速率 和動量系數的選取等，還給出了程序設計流程圖。工程實驗表明：ANN在大區域中央空調溫、濕度監控系統中的應用前景是令人樂觀的。