【正文】 ................................................. 26 設(shè)計要求 ................................................................................................... 26 模塊設(shè)計描述 ............................................................................................ 26 算法模塊 ................................................................................................. 26 預(yù)測模塊和功率計算模塊 ......................................................................... 30 數(shù)據(jù)操作模塊 .......................................................................................... 31 6 調(diào)試與運行結(jié)果 ................................................................... 35 參考文獻 ............................................................................... 39 謝辭 ...................................................................................... 40 華東交通大學(xué)畢業(yè)設(shè)計 附錄 ...................................................................................... 41 附錄 A 外文翻譯－原文部分 ........................................................................... 41 附錄 B 外文翻譯－譯文部分 ........................................................................... 47 華東交通大學(xué)畢業(yè)設(shè)計 1 1 引言 蓄冷空調(diào)實時控制概述 蓄冷空調(diào)的逐時預(yù)測在實時控制，節(jié)約能源和可靠運行方面起著重要作用。它已經(jīng)成為智能控制空調(diào)的核心組成部分，對于節(jié)約能源消耗起著非常重大的影響。為了盡量減少高價峰電的使用，操作者需要對當(dāng)天的逐時負荷有個了解，從而制定出操作策略，力求在峰電時段少使用冷機并盡可能使蓄冰量能在峰電時段內(nèi)完全釋放。缺少嚴格制定的操作策略往往會產(chǎn)生這樣的情況：或者預(yù)留了過多的冷量從而在峰電時段結(jié)束時仍有較多的剩余冷量，或者過早地將冷量完全釋放而不得不在峰電時段多 使用冷機。制定操作策略的意義還在能合理安排蓄冰量的使用，除了給峰電時段預(yù)留外，還能在冷機因負荷較低運行效率下降的時候使用融冰供冷。 制定操作策略的依據(jù)是逐時負荷，所以，逐時負荷的預(yù)測對冰蓄冷空調(diào)降低運行成本有著重要的意義。但是，要實現(xiàn)逐時負荷的預(yù)測卻有相當(dāng)?shù)碾y度，這一方面是由于影響逐時負荷的因素太多，更主要是對歷史運行數(shù)據(jù)的要求。目前預(yù)測逐時負荷的方法大多離不開系統(tǒng)運行的歷史數(shù)據(jù)。因此，獲得和維護一個完整的歷史數(shù)據(jù)庫就成為實現(xiàn)逐時負荷預(yù)測的先決條件，這在操作上顯然有一定的難度。要使逐時負荷的預(yù)測功能變得切實 可行，這一方面有待于可以不借助歷史數(shù)據(jù)庫的預(yù)測方法，同時也有待于更簡便可行的維護和建立歷史數(shù)據(jù)庫的手段。 在負荷預(yù)測中，誤差將導(dǎo)致運行和能源費用的大量增加。因此，精確的預(yù)測是系統(tǒng)要達到的首要目的。但是系統(tǒng)負荷變化受到多方面影響，一方面，負荷變化存在著由未知不確定因素引起的隨機波動；一方面，又具有周期變化的規(guī)律性，這也使得負荷曲線具有相似性。同時，由于天氣等情況的影響，又使負荷變化出現(xiàn)差異。（這里我們不考慮節(jié)假日情況）由于神經(jīng)網(wǎng)絡(luò)所具有的較強的非線性映射等特性，它常被用于負荷的預(yù)測。 系統(tǒng)負荷的預(yù)測實現(xiàn)方式可 以分為統(tǒng)計技術(shù)、專家系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法等三種。統(tǒng)計技術(shù)中所用的系統(tǒng)負荷預(yù)測模型一般可歸為時間系列模型和回歸模型。時間系列模型的缺點在于不能充分利用對負荷性能有很大影響的氣候信息和其他因素，導(dǎo)致了預(yù)測的不準(zhǔn)確和數(shù)據(jù)的不穩(wěn)定?；貧w模型雖然考慮了氣候等因素，但需要事先知道負荷與氣候變量之間的函數(shù)關(guān)系，這是比較困難的。而且為了獲得比較精確的預(yù)測結(jié)果需要大量的計算，這一方法不能處理氣候變量和與負荷之間的非平衡暫態(tài)關(guān)系。專家系統(tǒng)法利用了專家的經(jīng)驗知識和推理規(guī)則，使節(jié)假日或有重大活動日子的負荷預(yù)測精度得到了提高。但是，把 專家知識和經(jīng)驗等準(zhǔn)確地轉(zhuǎn)化為一系列規(guī)則是非常不容易的。 眾所周知，負荷曲線是與很多因素相關(guān)的一個非線性函數(shù)。對于抽取和逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡(luò)是一種合適的方法。神經(jīng)網(wǎng)絡(luò)的優(yōu)點在它具有模擬多變量而不需要對輸入變量做復(fù)雜的相關(guān)假定的能力。它不依靠專家經(jīng)驗，只利用觀察到的數(shù)據(jù)，可以從訓(xùn)練過程中通過學(xué)習(xí)來抽取和逼近隱含的輸入 /輸出非線性關(guān)系。近年來的研究表明，相對于前華東交通大學(xué)畢業(yè)設(shè)計 2 兩種方法，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進行空調(diào)的負荷預(yù)測可以獲得更高的精度。 人工神經(jīng)網(wǎng)絡(luò)概述 神經(jīng)網(wǎng)絡(luò)、模糊邏輯和進化計算是人工智能目前最新的理論基 礎(chǔ)；在國際上受到人們的高度關(guān)注 i 也是現(xiàn)在各國學(xué)者熱衷于研究的前沿課題。人們對這三種新理論的興趣、不是因為它們的時髦，或者在于它們奇特；而是在于它們在人工智能的實現(xiàn)過程中有著十分重要的應(yīng)用價值。不少學(xué)者不約而同地認為：未來不久的前沿核心技術(shù)將是模物邏輯和神經(jīng)網(wǎng)絡(luò)結(jié)合的新技術(shù) —— 神經(jīng)模糊技術(shù)。 神經(jīng)網(wǎng)絡(luò)是基于人類神經(jīng)網(wǎng)絡(luò)解剖的基礎(chǔ)上的；它描述的是人類神經(jīng)剛絡(luò)傳遞、處理信息的微觀過程。并且，企圖從這種微觀過程來模仿人的智能，探索人的智慧形成、表現(xiàn)形式。 模糊邏輯則基于人類模糊思維這一抽象機理上；它描述的是人類模糊 思維的方式、方法相關(guān)的宏觀過程。同時，期望在這個宏觀過程中掘挖人的智能形態(tài)，以及模擬人的智能作用。模糊邏輯是用人類的語言語句表述的，因此，它較為直觀，也易于為人所理解。模糊數(shù)學(xué)為模糊邏輯的研究和開發(fā)提供了數(shù)學(xué)基礎(chǔ)。用模糊邏輯去研究人的智能是一個重要的途徑。模糊控制是模糊邏輯應(yīng)用最多最廣泛的一個領(lǐng)域。由于模糊控制器是一種非線性的拌制器，其控制機制是用以條件語句表述的控制規(guī)則來刻劃的；所以，它帶有明顯人類智能思維的特征。把模糊控制看成是一種智能控制是十分恰當(dāng)?shù)?。模糊控制也存在一個缺陷，這就是沒有一種良好的學(xué)習(xí)架 構(gòu)和方法。這就需要尋找相應(yīng)的補救辦法。 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機理和機構(gòu) 在神經(jīng)網(wǎng)絡(luò)中，對外部環(huán)境提供的模式樣本進行學(xué)習(xí)訓(xùn)練，并能存儲這種模式，則稱為感知器；對外部環(huán)境有適應(yīng)能力，能自動提取外部環(huán)境變化特征，則稱為認知器。 神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)中，一般分為有教師和無教師學(xué)習(xí)兩種。感知器采用有教師信號進行學(xué)習(xí)，而認知器則采用無教師信號學(xué)習(xí)的。在主要神經(jīng)網(wǎng)絡(luò)如 BP 網(wǎng)絡(luò)， Hopfield 網(wǎng)絡(luò)，ART 網(wǎng)絡(luò)和 Kohonen 網(wǎng)絡(luò)中； BP 網(wǎng)絡(luò)和 Hopfield 網(wǎng)絡(luò)是需要教師信號才能進行學(xué)習(xí)的；而 ART 網(wǎng)絡(luò)和 Kohonen 網(wǎng)絡(luò) 則無需教師信號就可以學(xué)習(xí)。所謂教師信號，就是在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中由外部提供的模式樣本信號。 ?感知器的學(xué)習(xí)結(jié)構(gòu) 感知器的學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)最典型的學(xué)習(xí)。 目前，在控制上應(yīng)用的是多層前饋網(wǎng)絡(luò)，這是一種感知器模型，學(xué)習(xí)算法是 BP 法，故是有教師學(xué)習(xí)算法。 一個有教師的學(xué)習(xí)系統(tǒng)可以用圖 1211 表示。這種學(xué)習(xí)系統(tǒng)分成三個部分：輸入部，訓(xùn)練部和輸出部。 華東交通大學(xué)畢業(yè)設(shè)計 3 圖 1211 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)系統(tǒng)框圖 輸入部接收外來的輸入樣本 X，由訓(xùn)練部進行網(wǎng)絡(luò)的權(quán)系數(shù) W 調(diào)整，然后由輸出部輸出結(jié)果。在這個過程中，期望的輸出信號可以作為教師信號輸入，由該教師信號與實際輸出進行比較，產(chǎn)生的誤差去控制修改權(quán)系數(shù) W。 學(xué)習(xí)機構(gòu)可用圖 1212 所示的結(jié)構(gòu)表示。 在圖中， X1， X2，?， Xn，是輸入樣本信號， W1， W2，?， Wn 是權(quán)系數(shù)。輸入樣本信號 Xi 可以取離散值“ 0”或“ 1”。輸入樣本信號通過權(quán)系數(shù)作用，在 u 產(chǎn)生輸出結(jié)果 ∑ WiXi，即有： u=∑ WiXi= W1 X1+ W2 X2+? +WnXn 再把期望輸出信號 Y(t)和 u 進行比較，從而產(chǎn)生誤差信號 e。即權(quán)值調(diào)整機構(gòu)根據(jù)誤差 e 去對學(xué)習(xí)系統(tǒng)的權(quán)系數(shù)進行修改，修改方向應(yīng)使誤差 e 變小，不斷進行下去，使到誤差 e 為零，這時實際輸出值 u 和期望輸出值 Y(t)完全一樣，則學(xué)習(xí)過程結(jié)束。 圖 1212 學(xué)習(xí)機構(gòu) 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)一般需要多次重復(fù)訓(xùn)練，使誤差值逐漸向零趨近，最后到達零。則這華東交通大學(xué)畢業(yè)設(shè)計 4 i=1 時才會使輸出與期望一致。故而神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是消耗一定時期的，有的學(xué)習(xí)過程要重復(fù)很多次，甚至達萬次級。原因在于神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù) W 有很多分量 W1， W2，? Wn；也即是一個多參數(shù)修改系統(tǒng)。系統(tǒng)的參數(shù)的調(diào)整就必定耗時耗量。目前，提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度，減少學(xué)習(xí)重復(fù)次數(shù)是十分重要的研究課題，也是實時控制中的關(guān)鍵問題。 ?感知器的學(xué)習(xí)算法 感知器是有單層計算單元的神經(jīng)網(wǎng)絡(luò)，由線性元件及閥值元件組成。感知器如圖1213 所示。 1213 感知器結(jié)構(gòu) 感知器學(xué)習(xí)算法步驟如下： ① 系數(shù) w 置初值 對權(quán)系數(shù) w＝ (W1， W2，?， Wn， Wn+1)的各個分量置一個較小的零隨機值，但 Wn+1＝ — g。并記為 Wl(0)， W2(0)，?， Wn(0)，同時有 Wn+1(0)＝ — θ 。這 里 Wi(t)為 t 時刻從第 i 個輸入上的權(quán)系數(shù)， i＝ 1， 2，?， n。 Wn+1(t)為 t 時刻時的閥值。 ② 輸入一樣本 X＝ (X1， X2，?， Xn+1)以及它的期望輸出 d。 期望輸出值 d 在樣本的類屬不同時取值不同。如果 x 是 A 類，則取 d＝ 1,如果 x 是 B 類，則取 1。期望輸出 d 也即是教師信號。 ② 計算實際輸出值 Y Y(t)=f[∑n+1Wi (t) Xi] ④ 根據(jù)實際輸出求誤差 e： e＝ d— Y(t) ⑤ 用誤差 e 去 修改權(quán)系數(shù) Wi (t+1)= Wi (t)+ η e Xi （ i=1,2,? ,n,n+1） 其中，η稱為權(quán)重變化率， 0η≤ 1；η的取值不能太大．如果取值太大則會影響 Wi (t)的穩(wěn)定；的取值也不能太小，太小則會使 Wi (t)的求取過程收斂速度太慢。當(dāng)實際輸出和期望值 d 相同時有： Wi (t+1)= Wi (t) ⑥ 轉(zhuǎn)到第 2 點，一直執(zhí)行到一切樣本均穩(wěn)定為止。 反向傳播 BP 模型 學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)一種最重要也最令人注目的特點。在神經(jīng)網(wǎng)絡(luò)的發(fā)展進程中，學(xué)習(xí)算法的研究有著十分重要的地位。目前，人們所 提出的神經(jīng)網(wǎng)絡(luò)模型都是和學(xué)習(xí)算法相應(yīng)的。華東交通大學(xué)畢業(yè)設(shè)計 5 所以，有時人們并不去祈求對模型和算法進行嚴格的定義或區(qū)分。有的模型可以有多種算法．而有的算法可能可用于多種模型。不過，有時人們也稱算法為模型。 自從 40 年代 Hebb 提出的學(xué)習(xí)規(guī)則以來，人們相繼提出了各種各樣的學(xué)習(xí)算法。其中以在 1986 年 Rumelhart 等提出的誤差反向傳播法，即 BP(error BackPropagation)法影響最為廣泛。直到今天， BP 算法仍然是自動控制上最重要、應(yīng)用最多的有效算法。 ? BP 算法的原理 BP 算法是用于前饋多層網(wǎng)絡(luò)的學(xué)習(xí)算法，前饋多 層網(wǎng)絡(luò)的結(jié)構(gòu)一般如圖 1221 所示。 K 層 輸入層 修改 W 教師信號 圖 1221 它含有輸人層、輸出層以及處于輸入輸出層之間的中間層。中間層有單層或多層，由于它們和外界沒有直接的聯(lián)系，故也稱為隱層。在隱層中的神經(jīng)元也稱隱單元。隱層雖然和外界不連接．但是，它們的狀態(tài)則影響輸入輸出之間的關(guān)系。這也是說，改變隱 層的權(quán)系數(shù)，可以改變整個多層神經(jīng)網(wǎng)絡(luò)的性能。 設(shè)有一個 m 層的神經(jīng)網(wǎng)絡(luò)，并在輸入層加有樣本 X；設(shè)第 k 層的 i 神經(jīng)元的輸入總和表示為 Uik，輸出 Xik；從第 k— 1 層的第 j 個神經(jīng)元到第 k 層的第 i 個神經(jīng)元的權(quán)系數(shù)為Wij 各個神經(jīng)元的激發(fā)函數(shù)為 f，則各個變量的關(guān)系可用下面有關(guān)數(shù)學(xué)式表示： Xik=f(Uik) (11) Uik=∑ j Wij Xjk1 (12) ?反向