1 引言
中央空调的能耗占整个建筑能耗的50%~60%[1]，是系统节能的重点。但是，由于中央空调系统庞大，反应速度较慢，滞后现象严重，给机组运行的稳定性增加了困难。到目前为止，中央空调的控制系统几乎仍然采用传统的控制技术，由于pid的控制参数往往通过工程师的经验预先设定或通过试验来确定，对于工况变化的适应性差，控制惯性较大，即使是使用变频调速也并不一定能节能，变频器控制不当会导致系统振荡。在大区域中央空调系统中如何进行协调控制，是传统的控制技术无法解决的问题。为了充分发挥变频器的节能效果，文中提出将变频调速技术与人工神经网络技术相结合，将人工神经网络技术应用于解决具有复杂性、不完全性、模糊性、不确定性和变动性大的中央空调系统的控制问题，对提高中央空调系统运行的稳定性和可靠性具有重要的意义[2]，由于变频器有良好的跟踪性能，可以实时跟踪工况变化，保证整个系统处于优化工作状态，从而大幅度地节约能源。本文基于某烟厂生产车间中央空调系统的改造，将人工神经网络应用于该车间的温湿度控制，由于面积大(1200m2)，温湿度变化惯性大，设备监测点数量多，使用经典pid控制的精度不高，控制惯性较大，难于达到优化控制，用神经网络可以完成协调控制;此外，由于大面积分区采用pid独立控制有时会出现在相邻区域中，一个区域温度高于设定温度进行制冷，而另一个区域温度低于设定温度，进行加热的现象，造成很大的能源浪费。改造后将人工神经网络技术与变频调速技术应用于中央空调监控系统中，很好地解决了上述问题，提高了控制精度，大幅度节约了能源。以下对其中的技术关键点略作讨论。
2 变频调速节能原理
以水泵为例，对于同一台水泵，当以不同转速运行时，水泵的流量q、扬程h、轴功率p与转速n有如下关系:
q1/q2=n1/n2 (1)
h1/h2=(n1/n2)2 (2)
p1/p2=(n1/n2)3 (3)
即流量与转速成正比，扬程与转速的平方成正比，轴输出功率与转速的立方成正比。由此可见，当降低转速时，功率的减少量远比流量的减少量大得多。风机也遵循这个规律，即风量与转速成正比，风压与转速的平方成正比，轴功率与转速的立方成正比。因此，降低水泵或风机的转速，就有可能使单位供水量或风量的电耗减少。由电工学可知，电机的转速与输入频率有如下关系:
n=60f(1-s)/p (4)
式中:f为电源频率，s为滑差率，p为极对数，n为电机的转速。
如果用变频器就可以通过改变电动机频率而达到无级调速的目的，对于水泵来说，在采用变频调速供水时，通过压力变送器检测管网水压，并将水压信号转化为电流信号，反馈给变频器内的单片机，计算机根据水压情况调整传送水泵电动机的输入频率，从而使水泵转速改变。例如，在非高峰供水时，水泵减速运行，从而使水泵输入功率减少，达到节能的目的。以上就是变频调速供水和风机供风节能的基本原理。
电动机节约的电能可以通过(5)计算，pn为电动机在额定转速nn时的额定功率，p为电动机在转速n时的轴输出功率，若用δp表示节能，则
δp=pn-p=[1-(n/nn)3]pn (5)
设电动机在额定转速nn=1500r/min时的额定功率为pn，由式(5)，则电动机在转速n=1000r/min时δp=pn-p=[1-(n/nn)3]pn=[1-(1000/1500)3] pn=0.33pn，可见节能效果是相当显著的。
3 bp神经网络
3.1 人脑神经元模型
人工神经网络是对生理学上真实人脑生物神经元网络的结构、功能，以及若干基本特性的某种理论抽象、简化和模拟。它实际上是一种复杂的信息处理系统，是由大量神经元通过极其丰富和完善的联接，而构成的自适应非线性动态系统。众所周知，人类的智能来源于大脑，而大脑是由大量生物神经元(生物神经细胞)组成的。医学研究表明人脑的学习过程就是神经元之间连接强度随外部激励信息做自适应变化的过程，大脑处理信息的结果由神经元的状态表现出来。神经元的类型有很多种，它的基本结构如图1所示。
图1 生理神经元结构示意图
神经元由细胞体及其发出的许多突起构成。细胞体内有细胞核，突起的作用是传递信息。作为引入输入信号的若干个突起称为“树突”或“晶枝”(dendrite)，而作为输出端的突起只有一个称为“轴突”(axon)。树突是细胞体的延伸部，它由细胞体发出后逐渐变细，全长各部位都可与其它神经元的轴突末稍相互联系，形成所谓“突触”(synapse)。树突在突触接收信号后，将它传递给细胞体，信号在那里积累，激起神经元兴奋或抑制，从而决定神经元的状态。
3.2 人工神经元模型
人工神经网络是采用物理可实现的系统来模仿人脑神经细胞的结构和功能。它反映了生物神经系统的基本特征，是对生物神经系统的某种抽象、简化与模拟。神经网络的基本要素是人工神经元，也就是说人工神经元是神经网络的基本处理单元，它模拟了生物神经元的基本功能。图2是典型的人工神经元模型。
图2 神经元模型
它是一个多输入、单输出的非线性元件,其输入输出关系可描述为:
(6)
式中，θi为神经单元的偏置(阈值)，ωji为连接权系数，n为输入信号数目，yj为神经元输出，t为时间，f()为输出变换函数，有时也叫激励函数。
3.3 人工神经网络模型的选取
迄今为止，有30多种人工神经网络模型被开发和应用。下面是它们之中有代表性的一些模型[3][4]。
(1) 博尔茨曼(boltzmann)机(bm)，由欣顿(hinton)等人提出，建立在hopfield网络基础上，具有学习能力，能够通过一个模拟退火过程寻求解答。不过，其训练时间比bp网络要长;
(2) 反向传播(bp)网络，最初由沃波斯开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的最小均方差值。bp网络是一种反向传递并能修正误差的多层映射网络。当参数适当时，此网络能够收敛到较小的均方差，是目前应用最广的网络之一;
(3) hopfield网络，由霍普菲尔德(hopfield)提出，是一类不具有学习能力单层自联想网络。hopfield网络模型由一组可使某个能量函数最小的微分方程组成。其不足在于计算代价较高，而且需要对称连接;
(4) 认知机(recognition)，由福岛(fukushima)提出，是迄今为止结构上最为复杂的多层网络。通过无师学习，认知机具有选择能力，对样品的平移和旋转不敏感。不过，认知机所有节点及其互连较多，参数也多且较难选取;
(5) 自组织映射网(som)，由科霍恩提出，以神经元自行组织以校正各种具体模式的概念为基础。som能够形成簇与簇之间的连续映射，起到矢量量化器的作用。
比较上述模型，反向传播(bp)网络目前应用最广，有其独特的优势，在大区域中央空调系统工程实施中采用了bp神经网络。
3.4 bp神经网络的网络结构
bp网络通常有一个或多个隐层;隐层中的神经元均采用s型激活函数，输出层神经元采用线性传递函数，如果bp网络的最后一层采用s型激活函数。那么整个网络的输出就被限制在一个较小的范围内;如果bp网络的最后一层采用线性激活函数。那么整个网络的输出可以取任意值。具有两个隐层和一个输出层的bp网络如图3所示。
图3 bp网络结构
设输入向量为n+1维，其中x0为第一隐层中激活函数的阈值，将其增广到输入量中，作为一个分量x0，即 
， 
; 图3含有两个隐层，设第一隐层有n1个神经元，于是该层的输出向量
