最理想的控制就是被控制對象的物理模型一清二楚。這對於簡單的對象非常容易做到。而空調系統是一個複雜的非線性系統，很難用準確的物理模型去描述。一般來說空調控制使用開/關控制或者PID控制而不是更先進的控制方法比如神經網路PID控制。相關研究表明神經網路PID控制可以降低7%-50%的空調能耗。

神經網路PID控制是數據驅動控制方法的一種。此模型不需要知道被控對象的準確物理模型。在訓練神經網路時需要確保輸入輸出數據包含系統的整個工作區間。控制的目標為下述一種或多種：

  1. 降低能耗
  2. 保持熱舒適
  3. 保持室內空氣品質
  4. 降低運行費用
  5. 保證視覺舒適
  6. 降低節能改造費用
  7. 減少不舒適時長

當控制目標為一個時成為單目標優化，控制目標為多個時稱為多目標優化。

為了訓練神經網路，需要有大量的數據。大數據不是多就是大數據，而是其數據多且不全相關。比如無數個123組成的大數據毫無意義。在這裡的數據一定要包含HVAC系統所有可能的工作情況。數據來源大致分兩種：第一種實測數據，第二種來自軟體模擬（TRNSYS, EnergyPlus) . 所有的輸入輸出數據應該被縮放到[-1,1]之間，這可以提高神經網路的訓練效率。Matlab可用函數mapmaxmin來做到。也有的把數據縮放到0到1，一般工程問題沒毛病，但是像是熱舒適這種有正有負的可能會有些問題，0到1應用範圍可能會小一些。

神經網路的訓練方法有Levenberg-Marquardt, Bayesian regularization, Broyden-Fletcher-Goldfarb-Shanno演算法。這些演算法各有所長，怎麼選？有的文獻直接都來一邊，看那個效果好就用哪一個，簡單粗暴。神經網路的隱藏層（hidden layer)層數和每層的神經元數也是個頭疼的問題，很多文獻簡單粗暴不管不問不交代，嚴格來說應該設置一個目標參數對不同層數和不同神經元個數進行比較，然後選一個合適的。說起來容易，實際上操作起來還是困難。多了少了都有問題，神經元不能欠擬合（under fitting)也不能過擬合(overfitting)。數據一般隨機分為三部分，（training set)，（validation set), （testing set). Matlab裡面的默認比例為70，15，15。 分成三部分是為了確保訓練出來的模型儘可能正確。

一個視頻了解啥是training set，validation set, testing set

視頻封面

06:57

神經網路PID控制是融合了神經網路和PID。神經網路本質上是一種模糊模型，而PID控制更精確。神經網路PID控制結合了兩者的優點。事實上特定的神經網路的數學表達式經過化簡和PID的數學表達式很像。神經網路像是大腦，而PID像是局部神經。神經網路產生特定的值給某個局部機構，在局部使用PID將系統值控制在給定的特定值。舉個不恰當的例子：你想走路。大腦發送信號給脊柱，脊柱控制腳動。大腦相當於神經網路，對外界環境進行分析，最終決定要走動一下，然後將這個命令給脊柱，脊柱相當於PID控制負責執行這個命令。

更多詳細細節可以去看：Afram, A., Janabi-Sharifi, F., Fung, A. S., & Raahemifar, K. (2017). Artificial neural network (ANN) based model predictive control (MPC) and optimization of HVAC systems: A state of the art review and case study of a residential HVAC system. Energy and Buildings, 141, 96-113.

微信公眾號回復：5，獲取此文章。


推薦閱讀：
相关文章