一、概述

1984年，美國康涅狄格(Connecticut)州哈特福特市(Hargford)，將一座舊金融大廈進行改造，定名為“城市宮”(City Palace Building)，這就是世界公認的第一座智能大廈。國內于九十年代初開始興建了一些智能型的大廈，如北京的中國國際貿易中心和京廣中心、上海的新錦江飯店和上海市面市政大廈等。智能大廈就是一個建筑物，它創造了一個環境使建筑物占有者的工作效率達到最大，同時以最小的人時消耗保證有效的資源管理。智能大廈是智力勞動場所，所以其環境設計的原則就是“以人為本”，一切圍繞著為用戶創造舒適環境、提高用戶的工作效率進行。其中，暖通空調行業扮演了一個舉足輕重的角色。

智能大廈房間多、內區負荷變化大;同時，由于空調耗能一般占整個大廈的40%以上，節能問題日益突出。在各種空調方式中，VAV空調系統有其自身的優點：

1.由于空調系統大部分時間在部分負荷下運行，所以風量的減少帶來了風機能耗的降低和末端設備里的再加熱器能耗的降低;

2.能實現局部區域的靈活控制;

3.利用系統多樣性，可使中央系統的初始成本低;

4.同樣，由于可利用系統的多樣性，今后擴展的成本大降低;

5.系統是自平衡的(Self——balancing)，等等。因此，國外智能大廈的空調系統多采用VAV空調系統，或與CAV空調系統、FCU空調系統相結合的方式。

雖然VAV空調系統具有上述優點，但是它的控制卻最復雜。目前，VAV空調系統的控制方式基本上采用多個回路的PID控制。在系統模型參數變化不大的情況下，PID控制效果良好。但是，VAV空調系統是一個干擾大的、高度非線性的、不確定性系統，這是由于：

1.外界氣候和空調區域里的人員活動的變化很大，對系統形成得過且過大的干擾;

2.空氣調節過程是高度非線性的;各執行器的運行特性也是非線性的;

3.各個控制回路之間耦合強烈，完全解耦是不可能的;

4.隨著時間的推移，設備會老化和更換，從而造成系統參數的變化;

5.在許多系統里，系統的數字模型很難建立。

所以，PID控制的效果很糟糕。在HVAC控制領域，許多新的控制方法不斷出現，如MacArthur和Grald采用自適應控制方法，Dexter和Haves運用自調節預測控制器。但是，在將現代化控制理論和大系統理論，運用到VAV空調系統中時，由于它們的分析、綜合和設計都是建立在嚴格和精確的數字模型之上的，所以同樣遇到這樣的問題。而智能控制理論正是針對被控對象及其環境和任務的不確定性提出來的，在VAV空調系統的控制領域應當具有廣闊的前景。目前，智能控制理論主要有三大方向，即，神經網絡控制，模糊控制和專家系統。它們在VAV空調系統中主要用于診斷異常、預測能耗。對于VAV空調系統控制，神經網絡控制和模糊控制的研究都已開始，而專家系統由于其知識庫龐大，設計十分困難，目前尚難以應用過來，下面，針對模糊控制、神經網絡控制在VAV空調系統中的應用作一點探討。

二、模糊控制

模糊控制是基于規則的智能控制，以模糊數學為基礎。系統的基本結構如圖1所示。控制器四個基本部件組成，既模糊化接口、知識庫、決策邏輯單元、去模糊接口。

在過去幾年里，有一些應用于暖通空調系統的模糊邏輯控制，S.Huang和R.M.Nelson將PFC(PID和模糊控制相結合)介紹進HVAC控制領域并針對單元的二階傳函進行了仿真。這兩位作者又介紹了一種模糊控制規則的調整方法，應用于HVAC系統的控制，用來控制一個熱交換器的氣動閥，將回風溫度作為輸入，實驗結果顯示該控制方案大大優于PID控制。這些控制思想同樣可用于VAV空調系統的控制。Robert N.Lea和Edgar Dohmann應用模糊控制器控制壓縮機、風機，輸入是溫度相對濕度和設定點，對6個區域進行調節。So et al.推出一了一種基于模糊邏輯的控制的控制器，四個單元狀態參數(供風風門后的壓力，室內溫度，室內相對濕度和供風溫度)靠調節五個執行命令(供風風機速度，供風風門角度，制冷水流速，再加熱器的功率和加濕器的溫度比)來控制。

模糊控制器的控制思路是將VAV空調系統的的狀態參數作為輸入，輸出是VAV空調系統的執行命令。一個簡單的VAV空調系統的FLCD的方框圖如圖2所示狀態參數需要根據不同的控制方案來選取。

常規的模糊控制器，有許多不足之處，比如系統的上升特性不理想，超調大，調節時間長，甚至產行振蕩，抗干擾能力差，穩態誤差大，產生這些缺點的主要原因是常規的模糊控制器在結構上過于簡單，在設計過程中也有許多主觀因素，而且一旦模糊規則確定就不再變化等，我們希望模糊控制器能夠動態地調整自身，具有自學習能力，以達到預定的控制品質，現在模糊控制的一個重要研究方向是自適應模糊控制，主要有兩種，模型參考自適應模糊控制(圖3a)和自校正模糊控制(圖3b)。模糊控制器可調整部分主要有：控制規則、隸屬函數和規范化因子。

各種智能控制方法之間的結全可取長補短，如模糊神經網絡控制，就是利用神經網絡的自學習能力，還有與專家系統的結合，或者與經典控制方法，現代控制方法的相互結合，這些都是控制領域研究的前沿課題，需要控制人員深入研究，并盡快應用到VAV空調系統中來。

三、神經網絡控制

神經網絡在HVAC控制領域里的研究和應用更多。Curtiss et al.首先將其應用于熱水盤管的熱水閥的預測控制，該工作為以后的進一步研究提供了一個很好的基礎。它是以閥位、制冷負載、空氣溫度、空氣流速、熱水溫度、熱水流速以及它們的歷史數據作為輸入來預測制冷負載。這幾位作者又推出了用神經網絡對HVC中央單元AHU進行能源管理，完成對各局部環的優化運行控制，這些神經網絡控制的應用同樣為VAV空調系統的控制提供了許多思路。

神經網絡控制一般是先辯識系統，辯識的過程就堅神經網絡的訓練過程對神經元之間的連接權值的修改過程，然后可用于優于控制。由于神經網絡的訓練需要大量的時間，實時辯識很難做到，所以一般是在線辯識，實時控制。一個VAV空調系統中央單元的VAV控制系統的簡單方框圖如圖5所示：

ANN辯識器由三層神經元組成輸入層、隱藏層和輸出層，訓練樣本的輸入應為系統在時刻t-1的執行動作(再加熱順功率輸出，加濕器的輸出，供風風機速度，制冷水水閥控制，供風風門角度等)和表征系統特性的狀態參數(室內溫度，室內相對濕度，供風風門后的壓力，供風溫度，供風風速，回風風速，供風含濕量等)，輸出應為系統時刻t的狀態參數。由于VAV空調系統慣性很大，同ANN訓練速度相比，單元特征變化很慢，所以不會出現真正的控制問題，一旦辯識結束，控制過程就開始。控制器調節進刻t的執行命令，從而在下一刻到達一個希望的控制。控制的目的是用最小的時延和能耗來獲得期望的室內溫度和濕度等，使系統的靜、動特性能夠滿足性能要求。所以，控制器的目標函數應包括兩個部分，一部分是有關設定點(如室內溫度，室內相對濕度，供風機后壓力，或者PMV指標等)，一部分是系統總能耗(如風機功耗，加溫器功耗等)，具體參數的選取要根據所設計的空調系統和控制方案確定，并且從可以調節它們之間的比例因子從而將側重點放在任何一項上。

目前，神經網絡的訓練主要采用BP算法，但是BP算法有兩個突出的缺點：收斂速度慢，容易陷入局部最優。而模擬退火算法、單純形法和遺傳算法(GA)可用來解決這些問題，尤其是遺傳算法近年來的研究與應用日益受到重視。但是GA往往只能在短時間內尋找到接近全局最優解的近優解，原因在于GA的尋優過程是隨機的，帶有一定程度的盲目性和概率性，即使已到達最優解的附近，也很可能“視而不見”，與其“擦肩而過”，將BP算法和遺傳算法相結合就能克服這些問題。

四、結論

在國外的智能建筑里的空調系統大多數是采用VAV空調系統，本文僅僅是對模糊控制和神經網絡在VAV空調系統中的研究應用作一些探討，VAV空調系統一般是進行空氣調節過程的節能多工況分區，然后運用多個回路的PID控制。則于VAV空調系統是一個干擾大的、高度非線性的、不確定性系統，而且各個單回路之間的耦合強烈，運用PID控制在靜、動特性上常滿足不了性能要求。國內外的學者嘗試運用智能控制，如模糊控制、神經網絡以及各種混合控制方法，來代替PID控制，但都是在單回路上的應用，在單回路上達到最優性能，在全局上卻達不到最優性能，同時由于各個回路之是的調節溫濕度有抵消作用，造成能耗的增加。有些學者運用一些優化方法進行全局上的優化控制或者用大系統理論進行全局協調控制，來確定各個單回路的給定值，但它們也是基于系統的模型比較確定的基礎上，在系統很難建模的情況下，運用這些控制方法有很大的難度，而且達不到全局性能的最優。運用智能控制方法在全局對系統進行控制，不需要對系統建模，可解決以往控制回路由于耦合帶來的許多控制性能問題。

智能控制理論的發展為VAV空調系統的控制提供了更先進的方法，但也對研究人員提出了很大的挑戰。需要更多的控制人員投入到VAV控制的領域中來，與空調專業人員共同交流，設計出更好的VAV控制系統。