中央空调冷冻水的模糊控制方法、装置及中央空调系统

技术领域

本发明涉及中央空调智能控制节能技术领域，特别地，涉及一种中央空调冷冻水的模糊控制方法、模糊控制装置及中央空调系统。 

背景技术

目前，中央空调系统中设备的投入、电网的设计等都是按照最大负荷来设计的，因此中央空调大部分时间都处于部分负荷状态下，在实际运行中，中央空调负荷减少时并没有减少多少消耗的能量，显然这是不合理的。随着技术的进步，促进了变频器的小型化和实用化，为了降低中央空调系统的能源浪费，人们开始采用变频器来控制空调系统的水泵和风机实现节能的效果。 

传统的中央空调控制方法通过采集水循环系统的压差和温度，采用可编程序控制器(PLC)，对水泵进行PI(比例、积分)调节控制或者PID(比例、微分、积分)调节控制，以实现节能。PLC能实现简单的逻辑功能，最常见的节能控制方法有恒温差控制和恒压差控制，PLC控制方法可以达到一定的节能效果，而且PID控制原理简单、使用方便，价格也比较便宜，但其也存在一些不足： 

PI或者PID调节器最重要调节系数K_p(比例系数)、T_i(积分时间常数)、T_d(微分时间常数)只能是一个固定值，通常是在设备调试阶段，由经验丰富的调试人员手工整定的，数据一旦整定后，它就是固定不变的了，不能随着受控环境的变化而自动调整。而实际上，中央空调系统是一个时变的动态系统，其运行工况是和气候条件、建筑物材料、建筑内人流量等多种因素密不可分的，是随时变化的。因此，静态参数的控制方法并不适合于中央空调系统的节能控制。此外，PLC只能实现单参量的简单控制功能，当用于控制中央空调系统这样多参量、非线性时变高耦合复杂系统时，容易引起系统震荡，使得控制温度在较大范围内变化，及影响了系统的稳定性、又降低了空调系统的舒适性。 

针对PID控制方法的不足，有些厂家提出了一些基于人工智能技术的控制方法，其中比较有代表性的是中央空调节能模糊控制方法。该控制方法主要是模拟人类的思维模式，当一个熟练的操作工人，遇到工况变化的情况，经过自 身大脑的思维判断，给出控制量来控制系统。例如当工人发现冷冻水供回水温差小于某个设定值(系统负荷降低)，可以选择降低冷冻泵的控制频率，达到节能的效果。而当冷冻水供回水温差大于某个设定值(系统负荷增加)，则必须增加冷冻泵的控制频率，保证空调系统制冷效果。 

中央空调节能模糊控制方法主要是模拟人类的思维模式来对中央空调系统进行控制，包括了温差偏差变量模糊化、温差偏差变化率模糊化、模糊推理、模糊量清晰化处理和清晰量输出等几个主要过程。和传统PID方法相比，更加符合中央空调的复杂性、动态性和模糊性，能够实现比PID更加精准的控制效果，实现更大的节能效果。但是它也同样存在着一些不足： 

首先模糊控制方法是根据专家的丰富实践经验和思维过程构建的模糊规则，然后依此规则作为控制控制的基础，因此规则库制定方法对控制效率有着决定性作用，但是规则库的建立需要依赖大量的实践数据，从大量的应用环境中收集最有效的控制规则，但是如何评价采用的规则是最有效的，现在并没有定论。而且规则库考虑的是大多数应用的普遍性，但是每个具体应用的工况也是有所区别，因此并不能达到最优化的控制。 

此外，现有技术中的规则库几乎都是根据所谓的专家经验来制定的固定规则，而人的判断总有偏差，而且实际系统在不同的运行条件下的确需要不同的规则库，传统模糊控制器无法满足此要求。 

发明内容

本发明所要解决的技术问题是提供一种中央空调冷冻水的模糊控制方法、装置及中央空调系统，能够实现冷冻水侧的恒温差控制，使系统在不同的运行条件下不仅保证制冷量，且总能耗最低。 

为了解决上述问题，一方面提供了一种中央空调冷冻水的模糊控制方法，包括：采集冷冻水侧温差和温差变化率数据、模糊化处理、利用动态模糊规则库进行模糊推理、解模糊化处理、输出冷冻水泵频率控制信号等步骤，还包括：动态修正模糊规则库的步骤，具体包括： 

根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率； 

随机选择所述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库； 

按照新规则库运行一段时间，计算现在制冷效率； 

比较所述现在制冷效率相对所述初始制冷效率是否满足一定条件；若否，根据预设修正策略修正概率，获得新的规则，返回现在制冷效率计算步骤；若是，保存预期规则库及预期概率集合。 

优选的，在所述根据初始模糊规则库和概率集合计算初始制冷效率步骤之前，还包括： 

判断模糊规则库是否首次使用，若是，则按照预定方法初始化规则库和概率集合，作为初始规则库和初始概率集；若否，将上次运行结束存储的规则库和概率集作为所述初始规则库和初始概率集合。 

优选的，所述随机选择所述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库的步骤具体为： 

依据等概率分布随机产生标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}； 

令$>P^{\prime }=\{P^{\prime }\left(A\right)=\frac{P_{i,j}\left(A\right)}{P_{\mathrm{sum}}},A\in S\},$>

按照概率集合P′随机生成一个事件A∈S，并令A＝[m，n]。 

将规则矩阵中的第(i，j)个元素R_i，j做如下修改： 

R_i，j＝r(i，j)+sgn(r(i+m，j+n)-r(i，j))。 

优选的，所述现在制冷效率相对所述初始制冷效率需满足的条件为：现在制冷效率与初始制冷效率之差与初始制冷效率的比值小于0.5％、大于负0.5％。 

优选的，比较所述现在制冷效率相对于所述初始制冷效率是否满足一定条件，若否，采取以下修正策略修正概率，具体为： 

比较所述现在制冷效率相对于所述初始制冷效率是否增加，若是，提高上次变更方向的概率；若否，降低上次变更方向的概率，概率P的修改规则具体为： 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}>0.5,$>则P_i，j([m，n])＝2·P_i，j([m，n])； 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}<-0.5,$>则P_i，j([m，n])＝P_i，j([m，n])/2。 

优选的，所述初始化规则库的方法为： 

令一个N_x1×N_x2的矩阵的第(i，j)个元素R_i，j为下式所示： 

$>R_{i,j}=\mathrm{round}(N_y\times (\frac{i}{N_{x1}}+\frac{j}{N_{x2}})/2)$>

其中，round(x)表示对x四舍五入。 

则将此矩阵存储为R_init，即初始规则表。 

优选的，所述初始化概率集合的方法为： 

初始化一个N_x1×N_x2的集合矩阵P_init，其任意一个元素P_init_i，j满足： 

P_init＝{P_i，j([1，0])，P_i，j([0，1])，P_i，j([-1，0])，P_i，j([0，-1])，P_i，j([0，0])}＝{0.2，0.2，0.2，0.2，0.2} 

对所有的标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}，，进行如下处理： 

若i＝1，则P_i，j([-1，0])＝0 

若i＝N_x1，则P_i，j([1，0])＝0 

若j＝1，则P_i，j([0，-1])＝0 

若j＝N_x2，则P_i，j([0，1])＝0 

令P＝P_init。 

优选的，在所述保存预期规则库和预期概率集合步骤之前还包括：判断上次规则库的存储时刻与现在规则库的时间间隔是否超过预设时间阈值T； 

若是，则将上次存储的规则库和概率集合替换为现在规则库和概率集合； 

若否，则保留上次存储的规则库和概率集合，继续运行规则库和概率集合的修正动作。 

另一方面，提供了一种中央空调冷冻水的模糊控制装置，包括输入模块、模糊化处理模块、模糊规则库、解模糊化处理模块、模糊推理机、输出模块和规则修正模块，其中，所述规则修正模块具体包括： 

初始制冷效率计算单元，用于根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率； 

规则修改单元，用于随机选择所述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库； 

现在制冷效率计算单元，用于按照新规则库运行一段时间，计算现在制冷效率； 

比较单元，用于比较所述现在制冷效率相对于所述初始制冷效率是否满足一定条件； 

继续修正单元，用于当现在制冷效率相对于所述初始制冷效率不满足一定条件时，根据预设修正策略修正概率，获得新的规则，重复上述现在制冷效率计算和概率修改步骤，直至获得预期规则库和预期概率集合； 

保存单元，用于当现在制冷效率相对于所述初始制冷效率满足一定条件时，保存预期规则库及预期概率集合。 

优选的，所述的中央空调冷冻水的模糊控制装置还包括： 

判断单元，用于判断模糊规则库是否首次使用； 

初始化单元，用于当模糊规则库是首次使用时，按照预定方法初始化规则库和概率集合，作为初始规则库和初始概率集； 

规则库调用单元，用于当模糊规则库非首次使用时，调用上次运行结束存储的规则库和概率集作为所述初始规则库和初始概率集合。 

优选的，规则修改单元修改规则的方法为： 

依据等概率分布随机产生标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}； 

令$>P^{\prime }=\{P^{\prime }\left(A\right)=\frac{P_{i,j}\left(A\right)}{P_{\mathrm{sum}}},A\in S\},$>

其中，P_sum＝P_i，j([1，0])+P_i，j([0，1])+P_i，j([-1，0])+P_i，j([0，-1])+P_i，j([0，0]) 

按照概率集合P′随机生成一个事件A∈S，并令A＝[m，n]。 

将规则矩阵R中的第(i，j)个元素R_i，j做如下修改： 

R_i，j＝r(i，j)+sgn(r(i+m，j+n)-r(i，j))其中，sgn()为符号函数。 

优选的，所述比较单元判断现在制冷效率与初始制冷效率比满足的条件为：现在制冷效率与初始制冷效率之差与初始制冷效率的比值小于0.5％、大于负0.5％。 

优选的，所述继续修正单元，根据预设修正策略修正概率，获得新的规则的方法为： 

比较所述现在制冷效率相对于所述初始制冷效率是否增加，若是，提高上次变更方向的概率；若否，降低上次变更方向的概率步骤中，概率P的修改规则具体为： 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}>0.5,$>则P_i，j([m，n])＝2·P_i，j([m，n])； 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}<-0.5,$>则P_i，j([m，n])＝P_i，j([m，n])/2。 

优选的，所述初始化单元初始化规则库的方法为： 

令一个N_x1×N_x2的矩阵的第(i，j)个元素R_i，j为下式所示： 

$>R_{i,j}=\mathrm{round}(N_y\times (\frac{i}{N_{x1}}+\frac{j}{N_{x2}})/2)$>

其中，round(x)表示对x四舍五入。 

则将此矩阵存储为R_init，即初始规则表。 

优选的，所述初始化单元初始化概率集合的方法为： 

初始化一个N_x1×N_x2的集合矩阵P_init，其任意一个元素P_init_i，j满足： 

P_init＝{P_i，j([1，0])，P_i，j([0，1])，P_i，j([-1，0])，P_i，j([0，-1])，P_i，j([0，0])}＝{0.2，0.2，0.2，0.2，0.2} 

对所有的标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}，进行如下处理： 

若i＝1，则P_i，j([-1，0])＝0 

若i＝N_x1，则P_i，j([1，0])＝0 

若j＝1，则P_i，j([0，-1])＝0 

若j＝N_x2，则P_i，j([0，1])＝0 

则将此矩阵存储为P_init，即初始概率集合。 

优选的，所述的中央空调冷冻水的模糊控制装置还包括：定时存储单元，用于判断上次规则库的存储时刻与现在规则库的时间间隔是否超过预设时间阈值T；若是，则将上次存储的规则库和概率集合替换为现在规则库和概率集合；若否，则保留上次存储的规则库和概率集合。 

再一方面，提供了一种中央空调系统，包括上述任一中央空调冷冻水的模糊控制装置。 

与现有技术相比，上述技术方案中的一个技术方案具有以下优点： 

本发明提供的中央空调冷冻水的模糊控制方法，在传统模糊控制方法的基础上增加了变规则机制，即冷冻水采用动态规则模糊控制，根据运行状况在线更新规则库，这样模糊控制的时候能够更快收敛，保证制冷前提下比传统的固定规则的模糊控制系统的能耗更低。模拟人类技术专家作决策的过程不断修正规则库，使系统在不同的运行条件下应用最有效的规则库，实现冷冻水的恒温 差控制。不仅符合中央空调系统的复杂性、动态性和模糊性要求，使控制简便，而且减少了能源浪费、提高了能源利用率、降低了中央空调运行成本，真正实现了中央空调系统的最优化运行-安全、舒适、节能。 

附图说明

图1是基本模糊控制流程示意图； 

图2是本发明模糊控制方法中动态修正模糊规则库实施例一的流程示意图； 

图3是本发明模糊控制方法中动态修正模糊规则库实施例二的流程示意图； 

图4是本发明模糊控制方法中动态修正模糊规则库实施例三的流程示意图； 

图5本发明模糊控制装置的结构框图； 

图6本发明模糊控制装置中规则修正模块实施例一的结构示意图； 

图7是本发明模糊控制装置中规则修正模块实施例二的结构示意图； 

图8是本发明模糊控制装置中规则修正模块实施例三的结构示意图； 

图9是本发明中央空调系统实施例的结构框图。 

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 

在介绍本发明具体实施方式之前，先了解模糊控制： 

模糊控制的原理如下：计算机经中断采样从输入端获得被控制量的偏差值和偏差值的变化率，它们均为精确量，经模糊化处理后得到模糊集，再由模糊集和模糊控制规则，应用模糊推理法则进行模糊决策，得到相应的模糊控制集，然后经解模糊化处理后，得到精确的控制量去控制被控制对象。 

然后，计算机中断等待第二次数据采样，进行第二次控制......。这样循环下去，就实现了被控对象的模糊控制。 

模糊控制的核心是模糊控制规则和模糊推理两部分。其中，模糊控制规则是将人(专家)的操作经验和思维过程，总结成一系列的条件语句，即控制规则，从而得到模糊关系。而模糊推理则是总结人(专家)的控制行为，得出的模糊计算法则。 

参照图1所示的基本模糊控制流程示意图，模糊控制可以概括为以下四个步骤： 

步骤11、根据数据采样得到模糊控制器的输入变量； 

步骤12、将输入变量的精确值变为模糊量； 

步骤13、根据输入模糊量及模糊控制规则，应用模糊推理计算出模糊控制量； 

步骤14、由模糊控制量计算精确控制量。 

从上述步骤可以看出，基于模糊逻辑的智能控制-模糊控制，区别于基于精确模型的传统控制理论。传统控制的过程为：比较-计算-控制-执行，而模糊控制的过程为：识别-推理-决策-执行。不难看出，模糊控制是建立在被控动态过程的特征模式识别，并基于知识、经验的推理和智能决策基础上的控制。 

本发明提供的中央空调冷冻水的模糊控制方法也包括以下基本模糊控制步骤： 

步骤一，计算机从模糊控制器的输入端获得输入变量：二元信号(x₁，x₂)，其中，x₁为冷冻水侧温差，x₂为冷冻水侧温差变化率。 

其中，x₁、x₂均为精确量。 

步骤二、x₁经模糊化处理得到模糊集 i＝1，2…N_x1。x₁的模糊集的个数为N_x1。 

步骤三、x₂经模糊化处理得到模糊集 j＝1，2…N_x2。x₂的模糊集的个数为N_x2。 

步骤四、将模糊控制规则定义为：IF X₁是 且X₂是 THEN Y是Y_r(i，j)； 

Y是输出精确控制量y的模糊量。 

步骤五、根据输入模糊量及模糊控制规则，应用模糊推理计算出模糊控制集Y；规则用下面表一的形式表达。 

其中，精确控制量y的模糊集为Y_k，k＝1，2…N_y，即模糊控制集Y。 

步骤六、由模糊控制集Y计算精确控制量(即模糊控制器的输出)y： 

$>y=\frac{{\Sigma }_{i=1}^{N_{x1}}{\Sigma }_{j=1}^{N_{x2}}{\mu }_{X_i^1}\left(x_1\right)·{\mu }_{X_j^2}\left(x_2\right)·c_{Y_{r(i,j)}}}{{\Sigma }_{i=1}^{N_{x1}}{\Sigma }_{j=1}^{N_{x2}}{\mu }_{X_i^1}\left(x_1\right)·{\mu }_{X_j^2}\left(x_2\right)}---\left(1\right)$>

其中，公式(1)中 的表达式如公式(3)、公式(4)所示。 

本发明中，精确输出量y为冷冻水泵的频率控制信号。 

在本模糊控制方法中，所有隶属度函数都采用高斯型隶属度函数，即任一 模糊集X的隶属函数为(2)式所示： 

$>{\mu }_X\left(x\right)=e^{\frac{-{(x-c_X)}^2}{2{{\sigma }_X}^2}}---\left(2\right)$>

其中，c_x为X的中心，σ_x为X的方差。 

则，输入x₁对应的N_x1个隶属度为： 

$>{\mu }_{X_i^1}\left(x_1\right)=e^{\frac{-{(x_1-c_{X_i^1})}^2}{2{{\sigma }_{X_i^1}}^2}},i=\mathrm{1,2}...N_{x1}---\left(3\right)$>

输入x₂对应的N_x2个隶属度为： 

$>{\mu }_{X_j^2}\left(x_2\right)=e^{\frac{-{(x_2-c_{x_j^2})}^2}{2{{\sigma }_{x_j^2}}^2}},j=\mathrm{1,2}...N_{x2}---\left(4\right)$>

我们将规则写成一个表格形式，见表1： 

表1  规则表格R 

如果令总体规则数目为M，则显然有：M＝N_x1·N_x2                   (5) 

为了说明上的方便，我们将规则的后件用整数1～Ny来表示，亦即有(6)式： 

r(i，j)∈{1，2…N_y}，i＝1，2…N_x1，j＝1，2…N_x2                (6) 

我们定义事件集合S如(7)式所示： 

S＝{[1，0]，[0，1]，[-1，0]，[0，-1]，[0，0]}                  (7) 

再定义每个事件所对应的概率集合如(8)式所示： 

P(S)＝{P(A)，A∈S}                                             (8.1) 

也就是说： 

P(S)＝{P(A)，A＝[1，0]，[0，1]，[-1，0]，[0，-1]，[0，0]}      (8.2) 

本发明提供的中央空调冷冻水的模糊控制方法是在传统模糊控制方法的基 础上，增加变规则机制，所以，除了包括上述各基本步骤外，还包括：计算机自动动态修正模糊规则库的步骤。 

参照图2，示出了本发明冷冻水的模糊控制方法中动态修正模糊规则库实施例一的流程示意图，具体包括： 

步骤101、根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率COP_last。 

步骤103、随机选择上述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库。 

步骤105、按照修改后的新规则库运行一段时间t，计算现在制冷效率COP_now。 

步骤107、比较现在制冷效率COP_now相对于初始制冷效率COP_last是否满足一定条件；若否，执行步骤109；若是，执行步骤111。 

步骤109、根据预设修正策略修正概率P，获得新的规则，返回步骤105。 

步骤111，保存满足条件的预期规则库和预期概率集合。 

在整个冷冻水侧的控制过程中，不断执行上述各步骤，根据实时采集的数据不断变化规则库中的规则，使整个中央空调冷冻水泵达到最节能的工作状态。 

本发明实施例中，步骤103修改规则的方法可以是： 

步骤S1、依据等概率分布随机产生标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}； 

步骤S2、令$>P^{\prime }=\{P^{\prime }\left(A\right)=\frac{P_{i,j}\left(A\right)}{P_{\mathrm{sum}}},A\in S\},$>

其中，P_sum＝P_i，j([1，0])+P_i，j([0，1])+P_i，j([-1，0])+P_i，j([0，-1])+P_i，j([0，0]) 

易知∑_A∈SP′(A)＝1 

步骤S3、按照概率集合P′随机生成一个事件A∈S，并令A＝[m，n]。 

步骤S4、将规则矩阵R中的第(i，j)个元素R_i，j做如下修改： 

R_i，j＝r(i，j)+sgn(r(i+m，j+n)-r(i，j))                (9) 

其中，sgn()为符号函数，取值为±1、0。 

在步骤107中，现在制冷效率COP_now相对于初始制冷效率COP_last需满足的条件为：现在制冷效率与初始制冷效率之差与初始制冷效率的比值小于0.5％、大于-0.5％。 

即若$>0.5>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}>-0.5,$>则P不变。                                        (10) 

在步骤109中，采取以下修正策略修正概率： 

比较现在制冷效率COP_now相对于初始制冷效率COP_last是否增加？若是，提高上次变更方向的概率；若否，降低上次变更方向的概率，概率P的修改规则可以具体为： 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}>0.5,$>则P_i，j([m，n])＝2·P_i，j([m，n])；    (11) 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}<-0.5,$>则P_i，j([m，n])＝P_i，j([m，n])/2。     (12) 

另外，上述各步骤制冷效率(Coefficient of Performance，COP)的计算为：令：系统一段时间内的制冷量为W，这段时冷冻水泵的能耗为J，这两个量可以通过实时计算获得。则系统在此段时间内的COP为：COP＝W/J。 

本发明提供的冷冻水模糊控制方法相比现有技术中其他模糊控制方法，采用了完全智能模糊控制，通过运行数据不断调整控制规则，获得最佳控制效果。保证了在相同制冷量的情况下，所消耗的设备能耗最低。 

第二实施例 

本实施是在实施例一的基础上作了进一步改进，参照图3所示，示出了本发明冷冻水的模糊控制方法中动态修正模糊规则库实施例二的流程示意图。 

考虑到控制系统有可能是首次使用，之前可能没有存储模糊规则库和概率集合，所以在步骤101之前，增加了步骤100、1001、1002。具体为： 

步骤100、判断模糊控制系统是否首次使用？若是则执行步骤1001，若否，则执行步骤1002。 

步骤1001，按照预定方法初始化规则库和概率集合，作为初始规则库和初始概率集。 

本步骤中，初始化规则库的预定方法为： 

令一个N_x1×N_x2的矩阵的第(i，j)个元素R_i，j为下式所示： 

$>R_{i,j}=\mathrm{round}(N_y\times (\frac{i}{N_{x1}}+\frac{j}{N_{x2}})/2)$>

其中，round(x)表示对x四舍五入。 

将此矩阵存储为R_init，即初始规则表。 

本步骤中，初始化概率集合的预定方法可以为：对一个N_x1×N_x2的集合矩阵P_init，其任意一个元素P_init_i，j满足： 

P_init＝{P_i，j([1，0])，P_i，j([0，1])，P_i，j([-1，0])，P_i，j([0，-1])，P_i，j([0，0])}＝{0.2，0.2，0.2，0.2，0.2} 

对所有标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}，进行如下处理： 

若i＝1，则P_i，j([-1，0])＝0 

若i＝N_x1，则P_i，j([1，0])＝0 

若j＝1，则P_i，j([0，-1])＝0 

若j＝N_x2，则P_i，j([0，1])＝0 

将此矩阵存储为P_init，即初始规则表。 

令R＝R_init，P＝P_init，则规则库、概率集合的初始化完成。 

步骤1002，从数据库中调出上次运行结束时存储的规则库和概率集作为所述初始规则库和初始概率集合。 

步骤101、根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率COP_last。 

步骤103、随机选择上述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库。 

步骤105、按照修改后的新规则库运行一段时间t，计算现在制冷效率COP_now。 

步骤107、比较现在制冷效率COP_now相对于初始制冷效率COP_last是否满足一定条件；若是，执行步骤111；若否，执行步骤109。 

步骤109、根据预设修正策略修正概率P，获得新的规则，返回步骤105。 

步骤111、保存满足条件的预期规则库和预期概率集合。 

可见，该方法在应用过程中不需要任何人工干预，采用该模糊控制方法的控制系统能够在运行一段时间后完全自适应系统特性，具有高度的跟随性和应变能力。 

第三实施例： 

参照图4，示出了本发明冷冻水的模糊控制方法中动态修正模糊规则库实施例三的流程示意图。 

步骤100、判断模糊控制系统是否首次使用？若是，执行步骤1001；若否，执行步骤1002。 

步骤1001、按照预定方法初始化规则库和概率集合，作为初始规则库和初始概率集。 

步骤1002、从数据库中调出上次运行结束时存储的规则库和概率集作为所述初始规则库和初始概率集合。 

步骤101、根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率COP_last。 

步骤103、随机选择上述初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库。 

步骤105、按照修改后的新规则库运行一段时间t，计算现在制冷效率COP_now。 

步骤107、比较现在制冷效率COP_now相对于初始制冷效率COP_last是否满足一定条件；若是，执行步骤110；若否，执行步骤109。 

步骤109、根据预设修正策略修正概率P，获得新的规则，返回步骤105。 

步骤110、判断规则库上次的存储时刻与现在规则库的时间间隔是否超过预设时间阈值T；若是，执行步骤111；若否，返回步骤103，继续执行规则库和概率集合的修正动作。 

步骤111，将上次存储的规则库和概率集合替换为现在规则库和概率集合。即令R_init＝R，P_init＝P，并将R_init，P_init存入数据库。 

本实施例中，增加判断规则库上次的存储时刻与现在规则库的时间间隔是否超过预设时间阈值T的步骤，是为了定时保存已经获得的有效规则库和概率集合，防止系统在运行过程中因故障或外界因素如突然停电等事故不幸中断而丢失数据。 

综上，上述各实施例提供的模糊控制方法，是根据工况实时优化规则库，这样模糊控制的时候能够更快收敛，保证制冷前提下比传统的固定规则的模糊控制系统的能耗更低。可见，中央空调系统使用本发明实施例提供的模糊控制方法，能够有效地控制和克服中央空调的非线性、时变性等特点，实现中央空调系统运行最优化。 

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为，依据本发明。某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。 

对应上述中央空调冷冻水的模糊控制方法实施例，本发明实施例还提供了一种中央空调冷冻水的模糊控制装置。 

参照图5，示出了本发明模糊控制装置的结构框图，包括： 

输入模块51、模糊化处理模块52、模糊规则库54、模糊推理机55、解模糊化处理模块56、输出模块57，还包括：规则修正模块53。 

模糊控制装置的工作原理如下：计算机经中断采样从输入模块51获得冷冻侧温差和温差的变化率，它们均为精确量；经模糊化处理模块52处理后得到模糊集；再由模糊集和模糊规则库54中的模糊规则，由模糊推理机55应用模糊推理法则进行模糊决策，得到相应的模糊控制集；然后由解模糊化处理模块56处理后得到精确的控制量，即冷冻水泵的控制频率；最后由输出模块57将上述精确的冷冻水泵的控制频率输出给中央空调系统的冷冻水泵控制装置。其中，规则修正模块53用于不断动态修正规则库。 

参照图6，示出了本发明模糊控制装置中规则修正模块实施例一的结构示意图，具体包括： 

初始制冷效率计算单元61，用于根据初始模糊规则库和初始概率集合输出的控制信号，计算初始制冷效率COP_last； 

规则修改单元62，用于随机选择初始规则库中的某个规则，产生该规则对应概率的修改方向，修改规则库； 

现在制冷效率计算单元63，用于按照新规则库运行一段时间，计算现在制冷效率COP_now； 

比较单元64，用于比较现在制冷效率COP_now相对于初始制冷效率COP_last是否满足一定条件； 

继续修正单元65，用于当现在制冷效率COP_now相对于初始制冷效率COP_last不满足上述条件时，根据预设修正策略修正概率，获得新的规则，重复上述现 在制冷效率计算和概率修改步骤，直至获得预期规则库和预期概率集合； 

保存单元66，用于当现在制冷效率COP_now相对于初始制冷效率COP_last满足一定条件时，保存预期规则库及预期概率集合。 

参照图7，示出了本发明模糊控制装置中规则修正模块实施例二的结构示意图，具体包括： 

判断单元600，用于判断模糊规则库是否首次使用； 

初始化单元601，用于当模糊规则库是首次使用时，按照预定方法初始化规则库和概率集合，作为初始规则库和初始概率集； 

规则库调用单元602，用于当模糊规则库非首次使用时，调用上次运行结束存储的规则库和概率集作为初始规则库和初始概率集合。 

其中，规则修改单元62修改规则的方法为： 

依据等概率分布随机产生标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}； 

令$>P^{\prime }=\{P^{\prime }\left(A\right)=\frac{P_{i,j}\left(A\right)}{P_{\mathrm{sum}}},A\in S\},$>

其中，P_sum＝P_i，j([1，0])+P_i，j([0，1])+P_i，j([-1，0])+P_i，j([0，-1])+P_i，j([0，0]) 

按照概率集合P′随机生成一个事件A∈S，并令A＝[m，n]。 

将规则矩阵R中的第(i，j)个元素R_i，j做如下修改： 

R_i，j＝r(i，j)+sgn(r(i+m，j+n)-r(i，j))其中，sgn()为符号函数。 

比较单元64判断现在制冷效率与初始制冷效率比满足的条件为：现在制冷效率与初始制冷效率之差与初始制冷效率的比值小于0.5％、大于负0.5％。 

继续修正单元65，根据预设修正策略修正概率，获得新的规则的方法为： 

比较所述现在制冷效率相对于所述初始制冷效率是否增加，若是，提高上次变更方向的概率；若否，降低上次变更方向的概率步骤中，概率P的修改规则具体为： 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}>0.5,$>则P_i，j([m，n])＝2·P_i，j([m，n])； 

若$>\frac{{\mathrm{COP}}_{\mathrm{now}}-{\mathrm{COP}}_{\mathrm{last}}}{{\mathrm{COP}}_{\mathrm{last}}}<-0.5,$>则P_i，j([m，n])＝P_i，j([m，n])/2。 

初始化单元601初始化规则库的方法为： 

令一个N_x1×N_x2的矩阵的第(i，j)个元素R_i，j为下式所示： 

$>R_{i,j}=\mathrm{round}(N_y\times (\frac{i}{N_{x1}}+\frac{j}{N_{x2}})/2)$>

其中，round(x)表示对x四舍五入。 

则将此矩阵存储为R_init，即初始规则表。 

初始化单元601初始化概率集合的方法为： 

初始化一个N_x1×N_x2的集合矩阵作为初始概率集合P_init，其任意一个元素P_initi，j满足： 

P_init＝{P_i，j([1，0])，P_i，j([0，1])，P_i，j([-1，0])，P_i，j([0，-1])，P_i，j([0，0])}＝{0.2，0.2，0.2，0.2，0.2} 

对所有的标号(i，j)，i∈{1，2…N_x1}，j∈{1，2…N_x2}，进行如下处理： 

若i＝1，则P_i，j([-1，0])＝0 

若i＝N_x1，则P_i，j([1，0])＝0 

若j＝1，则P_i，j([0，-1])＝0 

若j＝N_x2，则P_i，j([0，1])＝0 

则将此矩阵存储为P_init，即初始概率集合。 

参照图8，示出了本发明冷冻水模糊控制装置中规则修正模块实施例三的结构示意图。作为优选实施例，在图7所示实施例二的基础上，还包括： 

定时存储单元67，用于判断上次规则库的存储时刻与现在规则库的时间间隔是否超过预设时间阈值T；若是，则将上次存储的规则库和概率集合替换为现在规则库和概率集合；若否，则保留上次存储的规则库和概率集合。 

另外，本发明还提供了一种中央空调系统，参照图9，示出了本发明中央空调系统实施例的结构框图，具体包括：冷冻水循环系统91、冷冻水的模糊控制装置92、制冷系统93、冷却水循环系统94和冷却塔95等部分组成，其中，所述冷冻水的模糊控制装置92具体包括：输入模块51、模糊化处理模块52、规则修正模块53、模糊规则库54、模糊推理机55、解模糊化处理模块56、输出模块57。规则修正模块53可以是上述图6至8任一实施例所述的规则修正模块。 

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置和系统实施例而言，由于其与方法实施例基本相似，所以描述的比较 简单，相关之处参见方法实施例的部分说明即可。 

以上对本发明所提供的一种中央空调冷冻水模糊控制方法、装置及中央空调系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。