粒子群算法在变风量空调控制系统中的应用研究

发布时间：2017-08-28 23:31

  本文关键词：粒子群算法在变风量空调控制系统中的应用研究

  更多相关文章： 变风量空调 压力无关型变风量末端 PID控制 粒子群算法

【摘要】：当今社会工业的迅猛发展与进步促使人们的生活水平也在跟着持续地改善,空调在人们日常工作和生活中成为了必不可少的一个部分。因此,中央空调在每一栋现代化建筑中都是随处可见的,而且整栋现代化建筑中的绝大部分能耗也都来自于中央空调。由于我们在设计和管理中央空调时存在着许多不完善的地方,因此,中央空调有着巨大的节能潜力。目前,由于我们对中央空调没有形成系统化的管理,它的自动控制水平也太低,因此,如何站在整个系统的角度上来优化中央空调运行过程中的各个参数值,让整个系统处于最优状态,从而达到最大的节能效果,成为了当今空调控制领域的研究热点。本文以变风量(VAV,Variable-Air-Volume Air-condition System)空调系统为例来作为研究。变风量空调系统的出现就是为了减少能耗,与常规的定风量空调系统相比,它的空调方式更为先进,它是在使送风温度不改变的情形下来改变房间送风量来实现它的工作状态的,能达到室内温度为设定值并保持稳定的目的。变风量空调系统能够有效地减少系统的总送风量和装机容量,这样不仅能减少能量消耗,还能减少资金的投入。压力无关型装置是变风量空调系统的一个重要组成部分,由于它的高效调节手段以及更大的节能潜力,近年来逐渐成为人们的研究热点。它的主要控制对象是室内温度,辅助控制对象是风量,两者共同构成串级控制回路。由于大滞后性、多变性、时变性是变风量空调系统最典型的特性同时非线性也是该系统的一个典型特性,因此对它建立一个精确的数学模型是非常难的。对于一般的PID控制器来说,虽然它的算法简单、可靠性较高,但它的参数不好整定,所以常规PID控制难以满足本文中所提到的变风量空调系统的各种控制要求[1],因此,除了对本文中的控制系统建立数学模型外,还提出了一种粒子群算法来优化该控制系统的PID参数,但基本的粒子群算法有着精度低、易发散、不收敛,缺乏多样性等缺点,因此在应用它的同时需要对它进行必要的改进和完善。本文引进了它的一个改进算法,即混沌粒子群算法,对变风量系统末端装置进行了数学建模,并在此基础上对基本粒子群和混沌粒子群PID进行了仿真实验,对比了它们的实验结果。仿真结果验证了该算法的有效性,而且外界对该系统本身风量和温度的干扰在控制器的作用下得到了有效的控制。
【关键词】：变风量空调 压力无关型变风量末端 PID控制 粒子群算法
【学位授予单位】：武汉轻工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TB657.2;TP18
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-13
• 1.1 研究背景及研究意义9-11
• 1.1.1 群智能优化算法9-10
• 1.1.2 粒子群优化算法10
• 1.1.3 变风量空调系统10-11
• 1.2 粒子群优化算法研究现状11-12
• 1.3 论文主要内容与章节安排12-13
• 第2章 变风量空调系统及其建模13-23
• 2.1 变风量空调系统概述13-14
• 2.2 变风量空调系统组成14-15
• 2.3 变风量空调系统特点15
• 2.4 变风量系统的分类15-16
• 2.4.1 系统控制形式15
• 2.4.2 系统控制策略15-16
• 2.5 变风量系统末端16
• 2.6 变风量系统末端控制16-19
• 2.6.1 压力有关型末端控制16-17
• 2.6.2 压力无关型末端控制17-18
• 2.6.3 压力有关型与压力无关型末端系统仿真18-19
• 2.7 变风量空调系统过程分析与数学建模19-21
• 2.7.1 变风量空调系统运行过程19-20
• 2.7.2 空调房数学模型20-21
• 2.7.3 空调末端系统建模21
• 2.8 变风量空调末端控制21-22
• 2.9 本章小结22-23
• 第3章 粒子群优化算法及其改进算法23-42
• 3.1 基本粒子群算法23-26
• 3.1.1 引言23-24
• 3.1.2 基本粒子群算法的原理24-26
• 3.2 基本粒子群算法的模型分析26-27
• 3.3 基本粒子群算法的参数分析27-29
• 3.4 基本粒子群算法的种群拓扑结构29-31
• 3.5 基本粒子群算法的改进研究31-39
• 3.5.1 概述31
• 3.5.2 社会粒子群算法31-34
• 3.5.3 自适应粒子群算法34-37
• 3.5.4 混沌粒子群算法37-39
• 3.6 基本粒子群算法与混沌粒子群算法39-41
• 3.7 本章小结41-42
• 第4章 粒子群优化算法在变风量空调控制系统上的运用42-46
• 4.1 PID的基本控制原理42-43
• 4.2 混沌粒子群算法（CPSO）下的PID控制器43-45
• 4.2.1 CPSO-PID控制器43-44
• 4.2.2 CPSO-PID控制器的优势44-45
• 4.3 本章小结45-46
• 第5章 基于改进粒子群算法在变风量空调控制系统中应用的仿真实验46-54
• 5.1 变风量空调控制系统仿真46-47
• 5.2 系统仿真环境47
• 5.3 系统仿真47-53
• 5.4 本章总结53-54
• 第6章 总结与展望54-56
• 6.1 工作总结54-55
• 6.2 工作展望55-56
• 参考文献56-61
• 致谢61-62
• 攻读学位期间所发表的论文62

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：750141