节能空调系统的人工神经网络BP模型仿真

节能空调系统的人工神经网络BP模型仿真李全使用人工神经网络中常用的Hopfield网络与BP网络模型对控制系统模型进行Matlab仿真编程，分析使用人工神经网络理论对智能家用节能空调的控制系统仿真。一、系统建模智能节能空调的主要被控参数为变频压缩机的输入频率和制冷功率，而影响这些参数的主要因子是所要制冷空间的温度、用户设定的温度以及室内的保温性。把制冷空间的温度和用户设定的温度以及室内温度的变化率作为输入参数，即系统的输入；而把压缩机的工作频率和工作电压作为输出参数，即系统输出。节能空调的控制系统模型框图如图1所示，其中，空间的温度和室内温度变化率是由空调内部的温度传感器测得的，连接系统输入和系统输出的桥梁就是变频器及空调控制器。实际上，节能空调的制冷过程以及这类输入和输出之间很难用一定的数学模型进行描述。系统运行过程具有很大的不确定性，控制过程在很大程度上依赖操作者的经验。因此，我们只能以比较简单的系统模型对整个系统进行描述。虽然这样一来，可能与实际情况有所偏差，但是整个系统的运行过程在整体上还是能反映节能空调的运转过程的。图1系统模型框图二、系统模型的离散Hopfield网络仿真首先，我们假设用户设定的温度为23℃，而制冷初始环境温度为35℃。根据公式计算得出初始温度的归一化值为0.75，而用户设定温度的归一化值为0.15，所以先设定网络稳态向量T为(0.15,0.1)，经过查表得到网络的初始向量值为(0.75,0.9)。然后利用newhop(T)函数建立一个新的Hopfield网络，该网络的稳态为T向量。利用newhop创建的Hopfield网络，权值函数采用dotprod，输入函数采用netsum，传递函数采用satlins，网络的权值是自身反馈的。该系统的稳态向量是一个二维向量，所以该Hopfield神经网络是两神经元的神经网络。其中每个神经元有一个阈值和一个权重，一个神经元对应输入变量A，另一个神经元对应输入变量P。仿真程序：%首先描绘出平均F／A曲线图x=[0,0.05,0.1,0.15,0.2,0.25,0.3,0.35,0.4,0.45,0.5,0.55,0.6,0.65,0.7,0.75,0.8];y=[0.1,0.1,0.13,0.15,0.2,0.22,0.27,0.34,0.4,0.49,0.57,0.65,0.69,0.79,0.82,0.9,0.94];figure(1);plot(x,y,'r--');holdon;%定义存储在网络中的目标平衡点T=[0.150.1]';%建立网络，并得到权重和阈值net=newhop(T);温度传感器用户设定的制冷环境的温度室内温度变化率变频控制器变频压缩机电压频率W=net.LW{1,1};b=net.b{1,1};%使用原始平衡点仿真网络[Y,Pf,Af]=sim(net,1,[],T);%置初始向量Y;Pf;Af;a={[0.750.9]'};%使用初始点仿真网络，并绘出其到达稳定点的轨迹[y,Pf,Af]=sim(net,{120},{},a);plot(T(1,:),T(2,:),'r*');axis([0101]);title('Hopfield神经网络状态空间');xlabel('制冷环境温度A');ylabel('温度变化率P');record=[cell2mat(a)cell2mat(y)];start=cell2mat(a);holdon;grid;plot(start(1,1),start(2,1),'bx',record(1,:),record(2,:));运行结果：W=0.22310b=0.1282Y=0.161700.22310.08550.1078图2Hopfield网络仿真图00.10.20.30.40.50.60.70.80.9100.10.20.30.40.50.60.70.80.91Hopfield神经网络状态空间制冷环境温度A温度变化率P如图2所示，首先用红色虚线绘制出平均F／A曲线图，然后利用Hopfield网络进行从初始点(0.75,0.9)到目标平衡点(0.15,0.1)的仿真处理，其中初始点用“X”标记，目标平衡点用“*”标记，然后将这整个过程的运动曲线用蓝色实线画出。蓝色实线线基本反映了红色虚线的轨迹，说明该神经网络还是基本符合智能节能空调的实际输出的，虽然两者之间存在一定的误差，但总体来说这个误差还可以接受的。同时，由于该网络只有一个稳态平衡向量，所以不存在Hopfield网络设计中常出现的伪平衡点的情况。三、系统模型的BP网络仿真首先确定网络的结构，根据Kolmogorov定理，采用一个Nx2N+1xM的三层BP网络作为控制器。其中，N表示输人向量的个数，M表示输出状态的个数。对于本实例，N=3。则该BP网络结构为：输人层3个神经元，中间层有7个神经元，输出层有2个神经元。其中输人与输出层的每个神经元分别对应一个输入或输出变量。为了更好的描述空调制冷过程中的各个状态，我们将状态数据加入到目标向量中参与网络训练，而输入层的变量个数不变，然后得出状态数据。最后还是用上面的初始值35℃和用户设定值23℃检查已训练网络的效果，同时与平均值进行对比。因此，选取系统的输入初始状态为(0.150751)。仿真程序：%归一化温度坐标向量x=[00.050.10.150.20.250.30.350.40.450.50.550.60.650.70.750.8];%网络平均值y=[0.10.10.130.150.20.220.270.340.40.490.570.650.690.790.820.90.94];%训练参数表p=[00.81;0.050.81;0.10.81;0.150.81;0.20.80.9;0.250.80.9;0.30.80.8]';t=[0.10.10.20.20.30.30.40.50.60.70.70.80.80.90.911;00.10.10.20.30.40.40.50.60.60.70.80.80.90.911;000.10.10.20.20.30.40.40.50.60.70.70.80.80.91;0000.10.10.20.30.40.40.50.60.70.70.80.80.91;00000.10.10.20.20.30.40.50.50.60.70.80.90.9;000000.10.20.20.30.40.50.60.60.70.80.80.9;0000000.10.20.20.30.40.50.60.70.70.80.8]';%设置初始向量a=[0.150.751]';%建立相应的BP网络，隐层数为7net=newff(minmax(p),[7,17],{'tansig','purelin'},'trainlm');%训练网络net.trainParam.epochs=50;net.trainParam.goal=0.01;net=train(net,p,t);%对训练后的网络进行仿真y1=sim(net,a);%绘出训练后的仿真结果figure(1);plot(x,y,'r--',x,y1);axis([00.801]);grid;title('训练后的BP网络仿真结果');xlabel('制冷环境温度A');ylabel('输出频率及电压F／U');运行结果：TRAINLM,Epoch0/50,MSE2.37297/0.01,Gradient85.8777/1e-010TRAINLM,Epoch2/50,MSE0.00720892/0.01,Gradient3.47002/1e-010TRAINLM,Performancegoalmet.图3BP网络仿真图从运行结果可以看出，网络训练达到了预定的结果。该BP网络的训练函数为tralnlm，学习函数取默认值learngdm，性能函数取默认值mse。其中函数minmax设定了输入向量元素的阈值范围。第一层的传递函数取tansig，第二层为purelin，第三层为默认值tansig。训练步数为5O次，训练误差为0.01。仿真结果如图3所示，由红色虚线标出的是网络状态平均值曲线，而蓝色实线标出的是训练后网络的仿真曲线，可见其训练效果还是不错的，训练后的网络能够较好地与平均值接近。但是需要注意的是，系统的每次训练都具有随机性，每次训练后仿真的曲线也会有所不同，有时会出现较大的偏差。四、总结Hopfield网络对系统仿真的过程主要是对其网络稳定性分析，即主要看其结果与过程是否能够达到用户设定的要求，其系统状态变化是否正确地反映了整个制冷过程。而BP网络对系统仿真的过程主要看该网络是否能够较好地接近实际统的各个状态的变化值，看系统在不同温度时的输出与输入是否符合实际情况。其次，在采用Hopfield网络仿真的过程中，只看了网络的最终结果是符合用户需求的，但是没有考虑其过程。而采用BP网络仿真的过程中，网络较好地反映了各个温度点的系统状态，但是由于网络的训练的不可预见性以及训练过程具有一定的随机性，这些因素对整个网络的稳定性产生了负面影响。最后，虽然系统模型中有3个输入向量，但是最终的用户设定温度值会与环境温度值相同，所以Hopfield网络中的稳态平衡向量只用到了输入向量中的两个值，即环境温度及温度变化率。而BP网络把问题转化为输入向量仍然为输入的3个向量，但是输出变为17个温度点的系统输出值。因此，可以说这两个系统都是从不同侧面反映整个制冷过程的，两个网络各有其利弊点。以上两个仿真程序中调用的函数以及建立的网络中训练函数、学习函数、性能函数和传递函数等都是Matlab中直接提供的，均不需要用户自己编写，可以直接调用，可见Matlab在实际应用中给工程人员带来极大便利。00.10.20.30.40.50.60.70.800.10.20.30.40.50.60.70.80.91训练后的BP网络仿真结果制冷环境温度A输出频率及电压F／U