BP神经网络自适应控制结构采用的BP神经网络自适应控制结构。中NNI为BP辨识器，NNC为BP控制器。BP神经网络的初始权值是随机设定的，网络最初没有被辨识对象的任何特性信息，所以必须对网络进行学习，根据一定的规则修正权值，使其逐步适应被辨识对象的性[4]。先对NNI进行离线辨识，尽可能地覆盖所有可能的工作范围。NNC以房间内检测的温度和设定温度以及风道内静压为输入神经元，输出控制分机调速信号，通过改变房间送风量来调节房间温度。当NNI训练达到较理想的效果时，再对NNC进行在线学习，利用从NNI得到的偏差，NNC可以快速跟上系统的变化，使控制迅速达到理想要求。
　　Tc：设定温度；Ts：房间检测温度；P：风道静压；T：控制输出；Tcm：输出温度；Tp：预测温度；vT1：输出值与预测值误差；vT2输出值与设定值误差；vt：控制输出差量BP网络自适应控制2算法的实现模型中由于Tcm关于T的偏导不可求[4]，采用vt来调整NNC的权值。BP网络模型采用单隐层三入单出结构，便于习惯推导笔者采用网络结构为（m，n，1），输出层采用线性函数f（x）=x隐层传递函数为f（x）=1（1 e-x）易知f（x）c=f（x）[1-f（x）]（1）第k层的第i个神经元的输出值记为xki，第k-1层第i个神经元向第k层第j个神经元的权值记为wk-1，kij，第k层的第i个神经元的输出值由前一层各神经元的输出值，可示为xki=fEjwk-1，kjixk-1j预测温度输出系统NNC和NNI拥有了误差$T和$T1，只需根据BP神经网络得误差反向传播算法修正NNC和NNI的权值就可以了。
　　数据仿真假设系统是一个理想模型，并假设房间温度定值为24e，仿真时间为7000s，PID调节结果和神经网络自适应控制结果比较如。在PID室内温度仿真曲线传递函数拥有100s延迟的情况下，可以清楚看到中70min前神经网络自适应控制拥有很小的超调量，比PID控制能更快地到达24e的稳定状态，而PID控制超调大，过渡时间长。当运行到70min时，室内空气状态改变且超过人体舒适性感知范围（相当于系统受到干扰），系统发出控制信号控制对湿度进行微调，湿度变化，室内温度也变化，反映在末端VAV箱上，可以看到神经网络自适应控制的系统迅速抑制了扰动，达到稳态，且拥有很小的超调，而PID控制的超调不小，很难到达稳态，在24e附近波动。从中可以看出神经网络自适应控制比PID控制有更小的超调量，能更快地消除扰动，更好地控制效果。
　　结束语采用BP神经网络作辨识器和控制器，通过仿真实验，在空调温度自适应控制中取得了较满意的结果，这种基于BP神经网络的控制结构实现简单，易于调整，明BP在空调温控中有不错的应用前景。
      文章由中国制冷网http://www.zhilengwang.cn整理！