空调PMV指标的神经网络控制

摘 要：以前的空调控制系统，只有空气温度、湿度的调节，很难满足人们的需要。根据热舒适理论、热舒适指数，提出了新的空调控制方案――用热舒适指标来调节参数。六个影响因素作为输入参数，PMV值作为输出。神经网络有高度的适应性、在线自学习的能力，可以逼近任意非线性映射。用神经网络进行训练，可以得到空调的控制系统输入输出的模型，实现智能控制。

关键词：空调；PMV；神经网络

引言

改善经济状况，提高中国的生活水平，逐步推动家用空调的发展，使其更普遍。此时需要空调，营造出更舒适，而不再是满足于简单的温度控制，这对空调整体控制有很高要求。

在稳定状态下，温度是由六个因素干预，分别包括辐射温度，空气温度和湿度，房间里空气的更新速度，人类活动的水平和穿衣量来决定。辐射温度，为屋子里的平均温度；人类活动量，为人员新陈代谢、机械动作量；衣服保温度，服装的热阻值、和表面面积之间选择比值表示。热舒适性指数是指人类热舒适和其他影响因素，如内部温度、湿度，以及它们之间关系的综合效果，并且和计算方法、公式有关。

在丹麦科技大学，Fanger教授，研究了热舒适方程，以确定热舒适指数[1]的热舒适性方程，该指数为任意环境变量组合产生，任意给定的，预先设置好投票，并作为所谓的PMV的目标控制器。Fanger认为，在温暖的环境中舒适的三个基本条件，如：（1）实现与环境的人体热平衡，存储温度S=0；（2），皮肤的平均温度保持舒适的水平；（3）身体出汗率，以达到最佳的条件下，是汗液代谢率的函数。总之，热舒适性的问题如下：

这里M指的是人体新陈代谢率（W/m2）；？浊是人体的机械效率；H指皮肤热负荷（W/m2）； fcl为衣服面积系数；Icl衣服的基本热阻值；C是人体表面跟环境之间的热交换（W/m2）；Pa指空气蒸汽压（KPa）；ta指空气温度（℃）；tcl指衣服表面温度；tr为平均辐射温度，（℃）。

PMV指数跟这六个因素之间的关系如下：

这里W指活动量，通常情况下该值为0（W/m2）；Pa为人体所处空气环境时候，里面的水蒸汽气压；hc指热交换系数W/（m2・℃）；Va是空气流速（m/s）。

1 神经网络在PMV值中的应用

简言之，不同的参数之间联系具有挑战性、计算出的PMV指标[2]关系复杂，很难找到一种简单的方法来计算神经网络的结果。

1.1 设计输入层和输出层

PMV是由六个因素决定的，所以输入层为六大类，包括平均辐射温度，室内空气温度，湿度，风速，人的活动量和衣服量。PMV值在输出层仅一个，从而使神经网络的输出层，仅此一个。因此，对于输入层有六维，输出层有一维。

1.2 网络隐层的选择

输入层包括至少一个隐藏层，线性输出层一个，因此神经网络可以逼近任一个有理函数。如果增加隐含层的功能，以减少误差，以达到更高的精度，同时也使得网络更加复杂，并增加了训练期间的权值。有效性、准确性综合考量，使用三层网络。

1.3 隐层神经元的选择

根据建立的神经网络，随机选取神经元个数，根据实验结果设定数量，最终，得到每一层的适当数量为6，21，1。

1.4 初始权值的选择

PMV指标是复杂的非线性项可以用一段时间的训练使其收敛，是否能达到局部最小值，初始权值起着重要的作用。我们希望，当所积加的输入对于每个神经元，其值接近零，那么学习最初就非平坦进行。因此，初始权值在通常情况下，随机且相对较小。如果输入神经元q，初始权值可以被放置[-2/q，2/q]之间，从而确保从一开始，对于学习就是在函数激励最大的地方。

1.5 学习步长的选择

如果决定的学习步长比较小，网络误差函数E是要达到最小。但是，如果步长太小，学习时间会延长，这会使得学习过程变得缓慢，如果局部极小值在误差函数中过多，将使得网络停滞或至少局部最小。如果学习的步长很大，权值变化加快，同时收敛速度也会变快。然而，如果学习步长过大，算法可能是不稳定的，甚至没办法收敛。因此，根据问题性质和PMV模型，我们选择0.75为第一个步长。

2 BP神经神经网络的构造和仿真

2.1 网络模型构建和初始化

建立BP神经网络，第一步，构建网络对象并赋初始值，我们可以用MATLAB神经网络工具箱函数newff创建一个可训练的单隐层BP网络，其语法为：

net=newff（PR，[S1，...，Sn]，{TF1，…，TFn}，BTF，BLF，PF）

[S1，…，Sn]是一个数组，包括每一层神经元的数量，这里每一层BP神经元的个数为6，21，1，即S1=6，S2=21，S3=1；每一层网络的加权函数是dotprod；输入函数是netsum；（TF1，…，TFn）为各层神经元的传递函数，这里用到“tansig”函数，是把神经元的输入范围从（-∞，+∞）映射到（0，1）；BTF用于指定网络训练函数名字，此刻用到tranlm；BLF是权值和阈值的学习函数，采用learngdm；PF是网络操作模式的表征，这里用最小误差平方、可微函数mse。

2.2 网络模型的训练

MATLAB神经网络工具箱中有许多BP神经网络学习和训练的函数，文章中我们采用trainlm函数，它的语法是[net，tr]=trinlm（net，Pd，TL）。此处，net指初始化后的网络；tr是每一步长的网络性能[6]在训练过程中的记录；Pd指训练网络中的输入样本；TL指训练中的输出样本。

2.3 网络模型的模拟

BP网络训练后需验证网络性能。验证开始时，使用sim函数来模拟训练网络，此时新的网络输入为pnew，网络对象是net，输出是anew，语法如下：

[anew]=sim（net，pnew）

可以得到训练结果：

TRAINLM，Epoch0/500，MSE 1.10637/0.0001，Gradient 128.394/1e-010

TEAINLM，Epoch25/500，MSE0.000790584/0.0001，Gradient 0.67388/1e-010

TRAINLM，Epoch36/500，MSE8.7715e-005/0.0001，Gradient 0.01

71647/1e-010

TRAINLM，Performancegoalmet.TRAINLM，Performance goal met.

图1是训练误差收敛曲线，训练到36步时，网络性能达到预期目标，并且能得到较为准确的数据。

3 结束语

这样的神经网络模型预测，可以用来控制空调系统，我们需要将空调系数随着PMV指标调整，就可以实现一个舒适的环境。

参考文献

[1]申欢迎.基于PMV指标的舒适空调模糊控制系统仿真研究[D].西安交通大学，2004.

[2]刘谨.基于PMV指标的空调系统舒适控制研究[D].湖南大学，2003.

[3]朱凯，王正林.精通MATLAB神经网络[M].电子工业出版社，2010.

[4]孙增圻.智能控制理论与技术[M].清华大学出版社，2004.

[5]董长虹.MATLAB神经网络与应用[M].国防工业出版社，2005.

[6]李成利，黄存柱，常军.神经网络在PMV指标控制中的应用研究[J].微型机与应用，2010.