| 基于PID算法的房间温度控制及Python程序 | 您所在的位置：网站首页 › 肉鸭20天吃室内温度怎么控制 › 基于PID算法的房间温度控制及Python程序 |
基于PID算法的房间温度控制及Python程序
|
房间温度模糊PID控制研究 PID算法的基础知识 VAV 空调系统VAV 空调系统主要由新风管、回风管、送风管等风管系统，空气处理及输送系统，压力传感器、变频器、温湿度传感器等自动控制系统，以及变风量末端装置等部件组成。其中，末端装置是本系统中十分重要的组成部分。房间温控器与变风量末端控制器共同构成串级自动控制回路，主控量为室内温度，辅控量为气流量。 首先，变风量末端控制器通过无线传感器网络采集房间温度，与设定的温度比较得出偏差，输出风量调整信号，调节风阀开度以改变送风量，保持室内温度在设定值附近。同时，通过风管内的压力传感器检测管道压力变化，通过变频器调整送风机转速，消除管道压力的波动对实际送风量的影响。因此，末端装置是变风量空调系统的关键设备之一。其基本构成图，如图 2.1 所示。 中央空调末端控制器是中央空调系统热交换的最后一个环节，更是中央空调系统中最重要的装置之一。特别是对变风量空调系统而言，其对空调系统节能有重要意义。此外，无线、多点的数据采集方式可提高空调房间环境表征的灵活性和准确性，对于保持空调房间舒适度也有十分重要的意义。因此，设计一个能灵活、准确地表征空间环境特征，并在不同送风条件和负荷下达到节能、高效控制效果的末端控制器，是节能和保持舒适度的关键。结合现有 VAV 系统末端控制器结构，本文设计的 VAV系统末端控制器结构示意图，如图 3.1 所示。 虽然常规 PID 控制使用可靠，结构简单，控制精度高，但其 PID 参数难以在线调整，难以控制强时变、非线性等复杂工业过程。此外，当外部环境改变时，其抗干扰能力差，不能自动调整其参数。而模糊控制恰巧可以解决具有非线性、不确定性等复杂系统的控制问题。 VAV 空调系统有着时变性、非线性、大滞后、对象模型不精准等特点，因此用传统的 PID 很难达到很好的控制效果。若在常规 PID 的基础上采用模糊控制自动调整 PID 参数，则可使其不断适应外部环境的变化。 因此，将模糊控制与 PID 控制相结合构成模糊 PID 控制策略，其既具有模糊控制能够解决非线性、不确定性和有较强鲁棒性的优点，又延续了传统 PID 其较高的控制精度。采用模糊 PID 控制策略可以很好的克服上述缺陷，提高抗干扰能力和响应速度。模糊 PID 控制系统结构图，如图 4.2 所示。 由于模糊控制算法本身变量是模糊量，而模糊控制器的输入、输出都要求是精确量。因此，需将 VAV 空调系统中的偏差 e 及偏差变化率 ec 精确量进行模糊化处理：一方面，是模糊的划分，主要确定论域中模糊量的个数；另一方面，是确定隶属度函数，主要是选择合适的隶属度函数。这样，便可以在模糊量和精确量之间随意转换。 VAV 系统模糊规则和推理算法设计VAV 系统嵌入式末端控制器的输出控制量主要由 PID 控制的kp 、ki 、kd 三个参数决定，而 PID 的这三个参数是由模糊控制的模糊规则在线整定的。因此，模糊规则设计的好坏与否直接影响末端控制器的控制性能。 kp 用于提高精度，加快响应速度；ki 用于消除稳态误差；kd 用于改善动态特性。故对同 e 和 ec，被控过程对pk 、ik 、dk 的自整定应符合如下规律： PID的Python实现 #位置式PID import matplotlib.pyplot as plt class PID(): def __init__(self, dt, max, min, Kp, Ki, Kd): self.dt = dt # 循环时长 self.max = max # 操作变量最大值 self.min = min # 操作变量最小值 self.Kp = Kp # 比例增益 self.Ki = Ki # 微分增益 self.Kd = Kd # 积分增益 self.integral = 0 # 直到上一次的误差值 self.pre_error = 0 # 上一次的误差值 def calculate(self, setPoint, pv): # 其中 pv:process value 即过程值， error = setPoint - pv # 误差（设定值与实际值的差值） Pout = self.Kp * error # 比例项 Kp * e(t) self.integral += error * self.dt #∑e(t)*△t Iout = self.Ki * self.integral # 积分项 Ki * ∑e(t)*△t derivative = (error - self.pre_error) / self.dt #(e(t)-e(t-1))/△t Dout = self.Kd * derivative # 微分项 Kd * (e(t)-e(t-1))/△t output = Pout + Iout + Dout # 新的目标值 位置式PID：u(t) = Kp*e(t) + Ki * ∑e(t)*△t + Kd * (e(t)-e(t-1))/△t if (output > self.max): output = self.max elif (output self.max): output = self.max elif (output |
综上所述，中央空调主要通过变风量末端装置来实现室内温度调节，而风阀又是末端装置中控制空调房间温度的关键环节。因此，本文旨在基于嵌入式系统和无线传感器网络，选用合适的控制策略，提出便捷的监控方式，设计一套高效智能的 VAV 空调系统末端控制器，实现对变风量空调系统末端装置的风阀高效控制。
上图借助 Tiny OS 系统组建无线传感器网络，在嵌入式系统硬件平台上实现模糊 PID 控制策略，设计了一种基于无线传感器网络，并结合嵌入式系统和模糊 PID控制策略的 VAV 中央空调末端控制器。该控制器可对网络覆盖区域内多点进行无线实时检测，替代以往单点、有线的数据采集方式，提高系统数据采集的灵活性和环境信息表征的准确性；基于 ARM9 处理器以及 Linux 嵌入式操作系统，替代以往低端裸机，提高系统数据处理能力和控制效率；采用模糊 PID 控制策略，实现了智能控制策略在硬件系统平台上的应用，改善了控制器的实际控制效果；基于 TCP/IP 协议，应用 Wi-Fi无线网络和智能手机 APP，改进以往显示屏和按键，提高了空调房间温湿度显示与设定的便捷性。
上图中的模糊控制器选用二维控制器，以室内温度与设定温度的偏差 e 及其变化率ec 作输入，乘以各自的量化因子后进行模糊化处理，输出为 PID 控制器比例因子、积分与微分时间的变化量，用于调整控制器的 P、I、D 三个参量，最终在线校正得到三个参数Kp ，Ki，Kd。随后 PID 控制器采用增量式的离散算法，得到控制量的值。
将模糊变量 E、EC 分为 7 个等级，模糊子集均取为：{NB,NM,NS,ZO,PS,PM,PB}，对应的语言描述分别为：负大、负中、负小、零、正小、正中、正大。 上述已经制定了模糊控制的模糊规则，输入系统的精确量可以转换为对应的模糊集合。接着，需要精确化输出的控制量。模糊推理的过程实际就是根据已知条件，按照给出的模糊规则表求解控制输出量的过程。而对于 VAV 空调温度控制系统来说，按照表 4.1、4.2 和 4.3 给出的控制规则，推导出△kp 、△ki 和△kd 就是模糊推理的过程。 
【本文地址】
| 今日新闻 |
| 推荐新闻 |
| 专题文章 |