B17050322_大作业21

：“B17050322_大作业21”涉及的主要知识点是利用神经网络在变风量空调控制系统中的应用，特别是预测湿负荷和冷负荷。 ：描述中提到，神经网络预测模型在预测控制系统中扮演重要角色，用于获取室内湿负荷和冷负荷等关键参数，以便在采样时间间隔内进行滚动优化。 **详细知识点解释：** 1. **变风量空调系统（VAV）**： 变风量空调系统是一种节能的空调方式，但其非线性的特性导致建模和控制困难。VAV系统受环境气候和室内活动影响大，需要高效稳定的控制策略。 2. **人工神经网络（Artificial Neural Networks, ANNs）**： - ANNs是一种模仿人脑神经元结构的计算模型，能处理复杂的非线性关系，适合VAV空调系统的控制问题。 - 在本案例中，使用了3个前向神经网络，分别用于空调区域预测模型、负荷预测模型和优化反馈控制器。 3. **神经网络建模**： - **BP（Backpropagation）网络**：用于离线辨识空调区域的预测模型。选取训练样本集，涵盖各种操作条件下的室内温湿度、送风参数等，以训练神经网络并防止过拟合（泛化问题）。 4. **预测湿负荷和冷负荷**： - 利用3层前向神经网络预测模型，输入包括室内外环境参数、建筑结构参数和室内活动参数。 - 输出层预测湿负荷和冷负荷，采用线性函数作为激活函数，隐层使用非线性函数（如tansig）增强模型表达能力。 5. **神经网络优化控制算法**： - 非线性MIMO（Multiple-Input Multiple-Output）系统的控制可通过Hamilton-Jacobi-Bellman（HJB）方程实现，但直接解HJB方程计算复杂且存储需求大。 - 多层前向神经网络可以近似解决动态规划（DP）问题，提供最优反馈控制解，降低计算和存储需求。 6. **神经网络控制器结构**： - 控制器采用3层前向神经网络，输入层接收室内温湿度和送风温度，输出层决定送风量和冷水流量。 - 隐层神经元数量为5，负责处理非线性转换。 7. **神经网络控制器训练**： - 在线训练神经网络控制器以获得控制序列，最小化性能指标J，实现滚动优化。 综上，该文主要讨论了神经网络在变风量空调控制系统中的应用，包括模型预测、负荷预测和优化控制策略，展示了神经网络在解决非线性控制问题上的优势。通过神经网络的训练和优化，实现了对室内环境的精准控制，提高了系统的能效和稳定性。