基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)--物聯(lián)網(wǎng)工程課程設(shè)計(jì)論文

1、<p>　　遼 寧 工 業(yè) 大 學(xué)</p><p>　　物聯(lián)網(wǎng)工程 課程設(shè)計(jì)（論文）</p><p>　　題目：基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)</p><p>　　學(xué) 院： 電子與信息工程學(xué)院</p><p>　　專業(yè)班級(jí)： </p><p>

2、　　學(xué) 號(hào)： </p><p>　　學(xué)生姓名： </p><p>　　指導(dǎo)教師： </p><p>　　教師職稱： </p><p>　　起止時(shí)間： <

3、/p><p>　　課程設(shè)計(jì)（論文）任務(wù)及評(píng)語(yǔ)</p><p>　　學(xué) 院： 　　　　　　　　 教研室：</p><p><b>　　目錄 </b></p><p><b>　　摘 要1</b></p><p><

4、b>　　1 方案概述2</b></p><p><b>　　1.1 背景2</b></p><p>　　1.2 應(yīng)用領(lǐng)域3</p><p>　　1.3 國(guó)內(nèi)外研究現(xiàn)狀3</p><p>　　1.4 功能描述6</p><p>　　2 方案創(chuàng)新點(diǎn)與難點(diǎn)7</p&g

5、t;<p>　　3 系統(tǒng)實(shí)現(xiàn)原理8</p><p><b>　　4 硬件設(shè)計(jì)9</b></p><p><b>　　5 軟件設(shè)計(jì)10</b></p><p>　　5.1 算法描述10</p><p>　　5.2 軟件運(yùn)用11</p><p>　　6 系

6、統(tǒng)測(cè)試及結(jié)果17</p><p>　　6.1 地鐵站臺(tái)空調(diào)系統(tǒng)節(jié)能潛力分析17</p><p>　　6.1.1 站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算17</p><p>　　6.1.2 工作日候車(chē)乘客的散熱負(fù)荷計(jì)算18</p><p>　　6.1.3 站臺(tái)非工作日候車(chē)乘客散熱負(fù)荷計(jì)算18</p><p>　　6.1.

7、4 冷季節(jié)里的站臺(tái)空調(diào)系統(tǒng)節(jié)能量計(jì)算19</p><p>　　6.2 測(cè)量與控制方案的可行性研究19</p><p>　　6.2.1 分布式參數(shù)測(cè)量技術(shù)研究與應(yīng)用19</p><p>　　6.3 試驗(yàn)方案24</p><p>　　7 設(shè)計(jì)總結(jié)及改進(jìn)措施25</p><p><b>　　8 心得體會(huì)

8、26</b></p><p><b>　　參考文獻(xiàn)27</b></p><p>　　基于信息智能處理的軌道交通節(jié)能</p><p><b>　　控制系統(tǒng)</b></p><p><b>　　摘 要</b></p><p>　　為了達(dá)到空調(diào)系

9、統(tǒng)節(jié)能的控制目標(biāo)，需要對(duì)系統(tǒng)中若干個(gè)空調(diào)機(jī)的控制采用分布式人工智能控制策略，通過(guò)分布式人工智能方法動(dòng)態(tài)地選擇和使用最有效的空調(diào)機(jī)運(yùn)行模式和控制參數(shù)，既充分考慮候車(chē)人群對(duì)空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)的節(jié)能需要，實(shí)現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能控制，最大限度地降低地鐵空調(diào)系統(tǒng)的能源消耗。</p><p>　　關(guān)鍵詞:節(jié)能、優(yōu)化、分布式人工智能、地鐵空調(diào)系統(tǒng)</p><p>&l

10、t;b>　　1 方案概述</b></p><p><b>　　1.1 背景</b></p><p>　　在上海這座2200 多萬(wàn)人口的特大型城市，解決出行問(wèn)題，越來(lái)越多的人依靠發(fā)達(dá)的軌道交通網(wǎng)絡(luò)。截至目前，上海地鐵全路網(wǎng)共有11 條運(yùn)營(yíng)線路，全長(zhǎng)425 公里，共有273 座車(chē)站分布在15 個(gè)行政區(qū)域。今年一季度，上海地鐵日均運(yùn)送超過(guò)530 萬(wàn)客流，這

11、個(gè)數(shù)字，占城市公共交通運(yùn)送比例近四成。每天超過(guò)500 萬(wàn)人次的客流順暢地穿梭在這個(gè)城市腳下，有效地緩解了地面的交通壓力，更將城市外延不斷拓寬，由此帶動(dòng)城市發(fā)展與經(jīng)濟(jì)繁榮。</p><p>　　軌道交通具有運(yùn)量大、速度快、安全、準(zhǔn)點(diǎn)、保護(hù)環(huán)境、節(jié)約能源和用地等特點(diǎn)。按照同等運(yùn)力比較，軌道交通的能耗只相當(dāng)于小汽車(chē)的1/9，公交車(chē)的1/2，但由于運(yùn)量大，其總耗電量相當(dāng)大。但從各城市軌道交通的建設(shè)經(jīng)營(yíng)現(xiàn)狀看，大多數(shù)軌道交

12、通處于政府補(bǔ)貼狀態(tài)，贏利水平低，目前只有香港、倫敦、東京等少數(shù)幾個(gè)城市軌道交通運(yùn)營(yíng)盈利。據(jù)測(cè)算，2008年上海軌道交通線網(wǎng)規(guī)劃用電為6.5 億度，約占上海市用電總量的1%；到2015 年，上海軌道交通線網(wǎng)規(guī)劃用電為13.9 億度，約占上海市用電總量的1.2%，年耗電量增幅平均達(dá)12%。</p><p>　　上海市政府每年給上海城市軌道交通的運(yùn)營(yíng)虧損補(bǔ)貼多達(dá)數(shù)億元。降低上海城市軌道交通運(yùn)行能耗，減少用電總量，成為降

13、低上海城市軌道交通運(yùn)營(yíng)成本的一個(gè)有效途徑。</p><p>　　據(jù)統(tǒng)計(jì)，地鐵能耗的84%集中在車(chē)輛系統(tǒng)和通風(fēng)空調(diào)系統(tǒng)兩個(gè)方面，其分別占地鐵能耗的53%和31%。以開(kāi)通的地鐵5 號(hào)線為例，其車(chē)輛系統(tǒng)用電每年約8000 萬(wàn)度左右。目前城市軌道交通電動(dòng)車(chē)組普遍采用“再生制動(dòng)＋電阻制動(dòng)＋機(jī)械制動(dòng)”的制動(dòng)方式，制動(dòng)能量可達(dá)到牽引能量的30%以上，部分再生制動(dòng)的能量可以被線路上相鄰車(chē)輛吸收，如不能被吸收則轉(zhuǎn)換為電阻或空氣制動(dòng)

14、，制動(dòng)能量被白白消耗，初步估算該部分耗能占制動(dòng)能量的40%左右，5號(hào)線該部分能量達(dá)960 萬(wàn)度以上。</p><p>　　通風(fēng)空調(diào)系統(tǒng)能耗高低與通風(fēng)空調(diào)系統(tǒng)形式密切相關(guān)。目前，國(guó)內(nèi)地鐵采用的通風(fēng)空調(diào)系統(tǒng)還僅限于傳統(tǒng)的單一功能、分散獨(dú)立式的區(qū)間隧道與車(chē)站通風(fēng)空調(diào)系統(tǒng)，其構(gòu)成復(fù)雜、控制繁瑣，導(dǎo)致車(chē)站土建規(guī)模大、投資高、運(yùn)行費(fèi)用大。地下車(chē)站通風(fēng)空調(diào)機(jī)房面積在1200～2500 平方米左右，占車(chē)站總建筑面積的12%～30

15、%。據(jù)廣州地鐵公司的統(tǒng)計(jì)數(shù)據(jù)顯示，地鐵通風(fēng)空調(diào)能耗已占到了地鐵總能耗的約50%。</p><p>　　通過(guò)對(duì)上海城市軌道交通運(yùn)行能耗的調(diào)研后，我們發(fā)現(xiàn)：在車(chē)輛系統(tǒng)用電方面，車(chē)輛制動(dòng)能量損耗缺乏有效控制，亟需在全電制動(dòng)停車(chē)控制系統(tǒng)、再生制動(dòng)能量利用關(guān)鍵設(shè)備及應(yīng)用等方面開(kāi)展研發(fā)和應(yīng)用，建立牽引供電系統(tǒng)再生電能吸收系統(tǒng)，提出合理的再生電能吸收系統(tǒng)設(shè)置方案，有效吸收地鐵車(chē)輛制動(dòng)能量；在通風(fēng)空調(diào)系統(tǒng)方面，缺乏有效的節(jié)能技術(shù)

16、和運(yùn)行方式，亟需在通風(fēng)空調(diào)系統(tǒng)中實(shí)施優(yōu)化控制，采用新型節(jié)能通風(fēng)空調(diào)系統(tǒng)等方面開(kāi)展研發(fā)和應(yīng)用，建立適合上海地區(qū)的地鐵通風(fēng)空調(diào)系統(tǒng)，大力推廣應(yīng)用降低現(xiàn)有地鐵通風(fēng)空調(diào)能</p><p>　　耗的節(jié)能技術(shù)和產(chǎn)品。</p><p><b>　　1.2 應(yīng)用領(lǐng)域</b></p><p>　　基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)所應(yīng)用的領(lǐng)域?yàn)槌鞘熊壍澜煌ㄏ?/p>

17、統(tǒng)。</p><p>　　1.3 國(guó)內(nèi)外研究現(xiàn)狀</p><p>　　近年來(lái)，已有若干將分布式人工智能理論、控制技術(shù)應(yīng)用于分布式系統(tǒng)的研究，并取得了一定的成果。2000 年，Srovnal 教授提出了基于multi‐agent 的管道網(wǎng)絡(luò)分布式控制系統(tǒng)[3]；2001 年，Blake 教授提出了一種基于規(guī)則驅(qū)動(dòng)Agent 的分布式控制的自重構(gòu)Agent 架構(gòu)[4]；2002年，Brenna

18、n 教授提出了一種基于Agent 的實(shí)時(shí)分布式控制系統(tǒng)的重構(gòu)方法[5]；Maturana 教授提出了一種工業(yè)分布式控制的自動(dòng)Agent 體系結(jié)構(gòu)[6]；中國(guó)科學(xué)院院士、清華大學(xué)張鈸教授分析了Books 反應(yīng)式智能的思想，提出了基于傳感器的智能體和多自主體的智能控制策略，它能克服傳統(tǒng)人工智能完全依賴先驗(yàn)知識(shí)建立的專用系統(tǒng)與環(huán)境交互及應(yīng)付突變能力差的弱點(diǎn)，使智能系統(tǒng)具備在動(dòng)態(tài)、事先不完全知道的環(huán)境中正常運(yùn)行的能力[3、4]；國(guó)內(nèi)學(xué)者史忠植長(zhǎng)

19、期從事智能主體、分布智能的理論和應(yīng)用系統(tǒng)研究[1]；梁泉博士對(duì)多智能體系統(tǒng)的協(xié)作及控制作了全面的分析，提出了基于多智能體系統(tǒng)的分布式智能控制應(yīng)用方向[11、12]；上海交通大學(xué)的許曉鳴教授和費(fèi)燕瓊教授2003 年獲得國(guó)家自然科學(xué)基金資助，</p><p>　　分布式人工智能理論中的進(jìn)化計(jì)算是20 世紀(jì)90 年代初為了促進(jìn)不同進(jìn)化算法之間的交流而提出來(lái)的，現(xiàn)已成為“智能”與“優(yōu)化”兩個(gè)主題研究的新熱點(diǎn)，對(duì)組合優(yōu)化的

20、問(wèn)題已有較多的研究成果[4]。目前進(jìn)化計(jì)算已和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANN）、模糊邏輯（Fuzzy Logic,FL）相結(jié)合[5‐7]，形成了計(jì)算智能學(xué)科（Computational Intelligence,CI）[8.9]。美國(guó)海軍后勤研究中心對(duì)進(jìn)化計(jì)算的研究極為重視，于1985 年首先在電子網(wǎng)絡(luò)上建立了全球性的有關(guān)遺傳算法的信息交流節(jié)點(diǎn)（GA‐List‐Request@aic.nrl.

21、navy.mil），不定期編輯出版電子遺傳算法文摘（GA Digest），交流有關(guān)遺傳算法的最新信息。</p><p>　　網(wǎng)絡(luò)上與進(jìn)化計(jì)算有關(guān)的信息實(shí)際上是一個(gè)有關(guān)進(jìn)化計(jì)算的巨大資料庫(kù)，為使研究人員更方便地利用這些資源，在交互網(wǎng)絡(luò)上建立了幾個(gè)比較大的節(jié)點(diǎn)，稱為ENCORE（Evolutionary Computation Repository Network）。通過(guò)這幾個(gè)節(jié)點(diǎn)中的任一個(gè)，不僅可以了解到網(wǎng)絡(luò)上主要

22、的有關(guān)進(jìn)化計(jì)算的信息，而且可以獲取自由軟件，交流科技報(bào)告等，如可獲得1957 年到現(xiàn)在的所有有關(guān)遺傳算法的科技論文的目錄，該目錄中包括2500 多篇文獻(xiàn)。另外，日本新的計(jì)算機(jī)發(fā)展規(guī)劃RWC（Real World Computing Program）也把遺傳算法、進(jìn)化計(jì)算作為主要支撐技術(shù)之一，用來(lái)進(jìn)行信息的集成、學(xué)習(xí)及組織等。進(jìn)入80 年代，遺傳算法迎來(lái)了興盛發(fā)展時(shí)期，無(wú)論是理論研究還是應(yīng)用研究都成了十分熱門(mén)的課題。尤其是遺傳算法的應(yīng)用領(lǐng)

23、域也不斷擴(kuò)大。目前遺傳算法所涉及的主要領(lǐng)域有自動(dòng)控制、規(guī)劃設(shè)計(jì)、組合優(yōu)化、圖象處理、信號(hào)處理、人工生命等。目前面向應(yīng)用的軟件產(chǎn)品有EVOLVER、OMEGA、PC/BEAGLE、GENERATOR、XPERTRULE、GENASYS。美國(guó)Illinois 大學(xué)的Gol</p><p>　　國(guó)內(nèi)自20 世紀(jì)90 年代以來(lái)對(duì)進(jìn)化計(jì)算進(jìn)行了廣泛研究。特別是將進(jìn)化計(jì)算的方法與原理應(yīng)用在不同的工程領(lǐng)域，取得了令人矚目的成就

24、，對(duì)進(jìn)化計(jì)算的理論基礎(chǔ)研究也取得了很多優(yōu)秀成果。我國(guó)的遺傳算法的研究，從20 世紀(jì)90 年代以來(lái)一直處于不斷上升的時(shí)期，特別是近年來(lái)，遺傳算法的應(yīng)用在許多領(lǐng)域取得了令人矚目的成果。國(guó)內(nèi)二級(jí)以上學(xué)術(shù)刊物有關(guān)遺傳算法的文章不斷增加。國(guó)內(nèi)很多專家、學(xué)者等在這方面作了大量研究，并取得了很多成果。在武漢大學(xué)軟件工程國(guó)家重點(diǎn)實(shí)驗(yàn)室設(shè)有并行計(jì)算研究室，進(jìn)化計(jì)算已成為一個(gè)重要的研究方向，目前已經(jīng)出版了專著，并有許多碩士、博士研究生圍繞進(jìn)化計(jì)算選題。另外

25、，中國(guó)科學(xué)技術(shù)大學(xué)陳國(guó)良教授等出版了遺傳算法的著作。西安交通大學(xué)以進(jìn)化計(jì)算為主題的研究工作也逐漸活躍起來(lái)，同時(shí)國(guó)內(nèi)相關(guān)書(shū)籍也越來(lái)越多，如武漢大學(xué)劉勇、康力山等與1995年出版的《非數(shù)值并行計(jì)算‐遺傳算法》；周明、孫樹(shù)棟等于1996 年出版的《遺傳算法原理及應(yīng)用》；2002 年王小平、曹立明編寫(xiě)的《遺傳算法‐理論、應(yīng)用與軟件實(shí)現(xiàn)》等等。同時(shí)國(guó)內(nèi)也出現(xiàn)有關(guān)遺傳算法的論壇，有http://www.baisi.net 百思論壇，研學(xué)論壇b<

26、;/p><p>　　分布式測(cè)控系統(tǒng)（Distributed Computer Automated Measurement and Control System，DCAMCS）是指在獨(dú)立計(jì)算機(jī)的集合系統(tǒng)中通過(guò)網(wǎng)絡(luò)通信來(lái)開(kāi)發(fā)、部署、管理和維護(hù)，以資源共享和協(xié)同工作為主要應(yīng)用目標(biāo)的分布式應(yīng)用系統(tǒng)。它具有較強(qiáng)的實(shí)時(shí)性和空間約束性等特點(diǎn)，現(xiàn)場(chǎng)總線控制系統(tǒng)(FCS)是目前結(jié)構(gòu)最典型、工業(yè)應(yīng)用最廣泛的分布式測(cè)控系統(tǒng)[2]。<

27、/p><p>　　分布式人工智能是近年來(lái)興起的新學(xué)科，是人工智能、知識(shí)工程、分布式計(jì)算、并行處理、計(jì)算機(jī)網(wǎng)絡(luò)和通訊技術(shù)交叉發(fā)展的產(chǎn)物。分布式人工智能運(yùn)用人工智能技術(shù)，研究一組在地理上分散的、松散耦合的智能機(jī)構(gòu)如何協(xié)調(diào)和組織，其知識(shí)、技能、目標(biāo)和規(guī)劃以進(jìn)行高效聯(lián)合求解。其研究包括并行人工智能、分布式知識(shí)系統(tǒng)二大部分。</p><p>　　分布式人工智能系統(tǒng)具有潛在的并行處理能力，單個(gè)智能機(jī)構(gòu)具有

28、較高的自治性，整個(gè)系統(tǒng)具有較大的可擴(kuò)展性和較高的可靠性，具有共享知識(shí)和資源的能力，對(duì)知識(shí)的處理速度快、能力強(qiáng)等特點(diǎn)。其固有問(wèn)題大致可分為如下四類： 規(guī)則、合作、交替活動(dòng)及信息采集等。</p><p>　　其中，在規(guī)劃方面，智能機(jī)構(gòu)必須確定何時(shí)解題或完成任務(wù)，以及何時(shí)請(qǐng)求其它智能機(jī)構(gòu)來(lái)協(xié)助完成任務(wù)；在合作方面，智能機(jī)構(gòu)確定何時(shí)中斷其現(xiàn)行工作，以滿足來(lái)自其它智能機(jī)構(gòu)的請(qǐng)求，或何時(shí)接受其它任務(wù)；在交替活動(dòng)方面，智能機(jī)構(gòu)

29、應(yīng)用有效的方法來(lái)交替完成這些活動(dòng)。在信息采集方面，由于環(huán)境的動(dòng)態(tài)特性及智能機(jī)構(gòu)傳送信息的異步性，智能機(jī)構(gòu)必須能夠確定何時(shí)以及用何種方法來(lái)更新自己的狀態(tài)，這種更新常用的方法有計(jì)算方法和通訊方法兩種。</p><p>　　分布式人工智能的理論和技術(shù)發(fā)展為分布式測(cè)控系統(tǒng)實(shí)現(xiàn)人工智能控制提供了一條途徑。該技術(shù)是為解決大規(guī)模復(fù)雜系統(tǒng)控制問(wèn)題的智能求解而發(fā)展起來(lái)的，通過(guò)對(duì)問(wèn)題的描述、分解和分配，構(gòu)成分散的、面向特定問(wèn)題的相對(duì)

30、簡(jiǎn)單的子系統(tǒng)，并協(xié)調(diào)各子系統(tǒng)并行和相互協(xié)作地進(jìn)行問(wèn)題求解，其思想十分適合大規(guī)?？刂茊?wèn)題的智能求解，是目前分布式人工智能領(lǐng)域的研究熱點(diǎn)，已被描述為設(shè)計(jì)和構(gòu)建分布式復(fù)雜工程應(yīng)用系統(tǒng)的下一代模型[2]。</p><p>　　隨著國(guó)家節(jié)能減排政策和落實(shí)要求，人工智能控制技術(shù)近年來(lái)已逐漸應(yīng)用于城市大型建筑物中央空調(diào)系統(tǒng)，2007 年重慶大學(xué)熱能工程系周洪煜博士論文研究了基于人工智能和專家系統(tǒng)的中央空調(diào)節(jié)能運(yùn)行及故障診斷技術(shù)

31、與實(shí)現(xiàn)[20]， 針對(duì)中央空調(diào)系統(tǒng)存在的非線性和大的滯后,采用了創(chuàng)新的控制手段，在中央空調(diào)系統(tǒng)的運(yùn)行控制中率先提出了先進(jìn)的基于混合神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測(cè)函數(shù)控制及SMITH 預(yù)估控制算法，編制出控制算法軟件并將其應(yīng)用到實(shí)際對(duì)象中，達(dá)到預(yù)期的控制效果，經(jīng)過(guò)實(shí)際運(yùn)行對(duì)比測(cè)算，其節(jié)電效果達(dá)到30%以上，產(chǎn)生了良好經(jīng)濟(jì)的效益；河北工業(yè)大學(xué)劉作軍博士在智能建筑VAV 空調(diào)系統(tǒng)的節(jié)能控制系統(tǒng)中采用分段控制方法，即分別在空調(diào)系統(tǒng)預(yù)冷階段，采用神經(jīng)網(wǎng)絡(luò)算

32、法得出最佳預(yù)冷期；在空調(diào)系統(tǒng)調(diào)節(jié)控制階段，通過(guò)前饋方式提前調(diào)節(jié)變風(fēng)控制量；在提前停機(jī)控制中，采用模糊控制的方法確定提前停機(jī)時(shí)間，取得了較好的節(jié)能控制效果[21]。</p><p>　　目前軌道交通內(nèi)空調(diào)設(shè)備的控制系統(tǒng)智能化不夠，控制功能較簡(jiǎn)單，缺乏學(xué)習(xí)能力；同時(shí)現(xiàn)場(chǎng)設(shè)備間只能進(jìn)行簡(jiǎn)單的協(xié)同工作，缺少有效的協(xié)調(diào)機(jī)制。單一的智能控制和分布式控制在集群式空調(diào)系統(tǒng)應(yīng)用中均遇到不少難題，例如系統(tǒng)中單體優(yōu)化基礎(chǔ)上的全局優(yōu)化問(wèn)

33、題、單體或群體效用激勵(lì)機(jī)制的建立和實(shí)施等，影響到它們?cè)谲壍澜煌菏娇照{(diào)系統(tǒng)中的推廣應(yīng)用。隨著用戶對(duì)系統(tǒng)的實(shí)時(shí)性、自動(dòng)性、智能性和網(wǎng)絡(luò)性等性能越來(lái)越高，空調(diào)控制系統(tǒng)進(jìn)入了“分布式智能化時(shí)代”。尤其是圍繞整體系統(tǒng)按需供應(yīng)的節(jié)能目標(biāo)，對(duì)于集群式空調(diào)系統(tǒng)中的各個(gè)機(jī)組在動(dòng)態(tài)環(huán)境下進(jìn)行協(xié)調(diào)控制的提出，更要求各個(gè)機(jī)組的控制系統(tǒng)具有規(guī)范一致的結(jié)構(gòu)功能以及良好的交互性和協(xié)作性。因此，研究適合軌道交通空調(diào)系統(tǒng)要求的分布式智能測(cè)技術(shù)日益顯得必要和迫切。&l

34、t;/p><p><b>　　1.4 功能描述</b></p><p>　　此系統(tǒng)采用物聯(lián)網(wǎng)技術(shù)，將多組空調(diào)和電腦等經(jīng)紅外傳感器，嵌入式網(wǎng)關(guān)有機(jī)的組合在一起，由物聯(lián)網(wǎng)服務(wù)器將識(shí)別的信息經(jīng)過(guò)綜合處理與配方。便可實(shí)現(xiàn)地鐵空調(diào)系統(tǒng)節(jié)能的控制目標(biāo)，對(duì)系統(tǒng)中若干個(gè)空調(diào)機(jī)組控制采用分布式人工智能控制策略，通過(guò)分布式人工智能方法動(dòng)態(tài)地選擇和使用最有效的空調(diào)機(jī)運(yùn)行模式和控制參數(shù)組。通過(guò)對(duì)

35、人工智能控制方法的研究，達(dá)到既充分考慮候車(chē)人群對(duì)空調(diào)系統(tǒng)的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能目標(biāo)的協(xié)調(diào)控制策略，最終實(shí)現(xiàn)地鐵空調(diào)機(jī)組的優(yōu)化調(diào)節(jié)和高效節(jié)能。</p><p>　　2 方案創(chuàng)新點(diǎn)與難點(diǎn)</p><p>　　方案創(chuàng)新點(diǎn)為本系統(tǒng)將重點(diǎn)研究和力求拓展基于分布式人工智能（Distributed Artificial Intelligence,DAI）理論，開(kāi)展其在地鐵空調(diào)系統(tǒng)節(jié)能中的應(yīng)用研究

36、工作。</p><p><b>　　其難點(diǎn)包括：</b></p><p>　　1)將由多個(gè)獨(dú)立運(yùn)行的多空調(diào)機(jī)組成的地鐵空調(diào)系統(tǒng)作為多智體系統(tǒng)（Multi Agent System,MAS），研究提高空調(diào)系統(tǒng)能效的協(xié)調(diào)運(yùn)行機(jī)制，在進(jìn)化算法中引入節(jié)能激勵(lì)因子，使由空調(diào)機(jī)組控制參數(shù)組成的染色體組合實(shí)現(xiàn)優(yōu)先進(jìn)化的人工智能進(jìn)化策略(Evolutionary Strategy,

37、ES)。</p><p>　　2）基于人工智能統(tǒng)計(jì)回歸分析理論（Statistics Regression Analysis，SRA），研究視頻信號(hào)智能檢測(cè)與分析技術(shù)及其在地鐵站臺(tái)人群平均密度估算中的應(yīng)用；研究根據(jù)人群密度估計(jì)等級(jí)進(jìn)行溫濕度控制的模糊邏輯和控制策略。</p><p>　　3）基于數(shù)據(jù)融合和數(shù)據(jù)挖掘技術(shù)對(duì)所獲數(shù)據(jù)進(jìn)行選擇、探索和融合處理，研究和制定地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測(cè)

38、與節(jié)能評(píng)估的管理方法。</p><p><b>　　3 系統(tǒng)實(shí)現(xiàn)原理</b></p><p>　　建立站臺(tái)溫濕度無(wú)線傳感測(cè)量試驗(yàn)系統(tǒng)，應(yīng)用視頻圖像模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)方法和圖像智能分析技術(shù)，實(shí)現(xiàn)站臺(tái)溫濕度分布測(cè)量、人群平均密度估計(jì)和模糊控制策略，通過(guò)實(shí)驗(yàn)數(shù)據(jù)采集工作，建立地鐵站臺(tái)溫濕度測(cè)量、人群平均密度與多空調(diào)機(jī)組控制參數(shù)的數(shù)學(xué)模型?？刂葡到y(tǒng)方框圖如圖3.1：</

39、p><p>　　圖中，人工智能控制器根據(jù)站臺(tái)人群平均密度估計(jì)結(jié)果，按很多、較多、正常、較少、很少5 個(gè)等級(jí)隸屬度函數(shù)輸出模糊控制信號(hào)，即空調(diào)需求量輸入信號(hào)。人工智能MAS 進(jìn)化控制器根據(jù)站臺(tái)空調(diào)需求信號(hào)和節(jié)能激勵(lì)進(jìn)化計(jì)算結(jié)果，輸出最優(yōu)控制參數(shù)組控制各空調(diào)機(jī)組的變頻器運(yùn)行，通過(guò)站臺(tái)溫濕度傳感網(wǎng)絡(luò)反饋環(huán)節(jié)獲得控制效果，實(shí)現(xiàn)按需自動(dòng)調(diào)節(jié)空調(diào)機(jī)組的節(jié)能控制目標(biāo)。</p><p><b>　　

40、4 硬件設(shè)計(jì)</b></p><p>　　所用硬件：一體化智能球兩個(gè),工業(yè)電腦一臺(tái),海爾空調(diào)三臺(tái),智能儀表,紅外接收、發(fā)射器,溫濕度傳感器……</p><p>　　在這部分設(shè)計(jì)中，應(yīng)將各部分電路仔細(xì)連接，了解每一部分的特點(diǎn)，以及每一部分在整個(gè)設(shè)計(jì)中所起到的作用。</p><p><b>　　5 軟件設(shè)計(jì)</b></p>

41、<p><b>　　5.1 算法描述</b></p><p>　　在多目標(biāo)進(jìn)化算法中引入節(jié)能激勵(lì)因子F，研究和制定空調(diào)機(jī)組控制參數(shù)組序列的進(jìn)化策略，建立多目標(biāo)優(yōu)化控制試驗(yàn)系統(tǒng)，使由空調(diào)機(jī)組控制參數(shù)組成的染色體序列依據(jù)系統(tǒng)的節(jié)能控制目標(biāo)滾動(dòng)比較、選擇進(jìn)化，實(shí)現(xiàn)節(jié)能控制參數(shù)組優(yōu)先進(jìn)化的人工智能控制策略；進(jìn)化控制策略的組成模塊示意圖見(jiàn)下圖5.1：</p><p>

42、;　　上圖中，控制算法基于模型算法控制(MAC)由4 個(gè)基本模塊組成主要包括內(nèi)部模型、能耗計(jì)量反饋校正、滾動(dòng)優(yōu)化計(jì)算和能耗參考輸入軌跡四個(gè)部分。它采用基于脈沖響應(yīng)的非參數(shù)模型作為內(nèi)部模型，用控制參數(shù)組作為輸入輸出信息，經(jīng)過(guò)用模型輸出誤差進(jìn)行反饋校正以后，再與節(jié)能指標(biāo)參考輸入軌跡進(jìn)行比較，應(yīng)用二次型性能指標(biāo)進(jìn)行滾動(dòng)優(yōu)化，然后再計(jì)算出當(dāng)前時(shí)刻下，應(yīng)輸出到各單元控制系統(tǒng)的優(yōu)化控制參數(shù)組，完成整個(gè)控制循環(huán)。</p><p&g

43、t;　　滾動(dòng)優(yōu)化計(jì)算模塊組成框圖見(jiàn)下圖5.2：</p><p>　　其中的滾動(dòng)優(yōu)化計(jì)算模塊采用了多目標(biāo)進(jìn)化算法，核心技術(shù)是控制系統(tǒng)根據(jù)進(jìn)化算法每代產(chǎn)生大量可行解和隱含的并行性這一特點(diǎn)設(shè)計(jì)一種決策優(yōu)化方法，基于排序的表現(xiàn)矩陣測(cè)度可行解，對(duì)節(jié)能目標(biāo)總體表現(xiàn)好壞的向量進(jìn)行比較和獎(jiǎng)勵(lì)。</p><p>　　引入節(jié)能激勵(lì)因子F 實(shí)現(xiàn)參數(shù)組序列優(yōu)先進(jìn)化，以此提高該組參數(shù)的個(gè)體適應(yīng)度，實(shí)現(xiàn)優(yōu)先進(jìn)化；節(jié)能

44、激勵(lì)因子；其中:g 是激勵(lì)因子的代數(shù)，每次循環(huán)結(jié)束，根據(jù)求得的最優(yōu)解的情況對(duì)g 進(jìn)行調(diào)整。其數(shù)學(xué)表達(dá)式為：</p><p>　　g= 0,算法求得最優(yōu)解仍在進(jìn)化 </p><p>　　g=g+1,最優(yōu)解在 次循環(huán)內(nèi)沒(méi)有明顯改進(jìn)，且g+1≤gmax </p><p><b>　　g=gmax,其他</b></p><p>

45、　　個(gè)體適應(yīng)度可以由參考資料中查找得到。</p><p>　　其中j=1,2,3…N</p><p>　　該算法通過(guò)一次計(jì)算即可得到問(wèn)題的非劣解集，簡(jiǎn)化了多目標(biāo)問(wèn)題的優(yōu)化求解步驟。優(yōu)化算法的主要步驟有適應(yīng)度計(jì)算、進(jìn)化概率計(jì)算和最優(yōu)解決策輸出。</p><p>　　附圖1 是地鐵10 號(hào)線宋園路的大系統(tǒng)（站臺(tái)）空調(diào)系統(tǒng)圖。通過(guò)人工智能的控制方法，實(shí)現(xiàn)既充分考慮候車(chē)人群

46、對(duì)空調(diào)系統(tǒng)溫濕度的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能需要的協(xié)調(diào)控制目標(biāo)，實(shí)現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能。</p><p><b>　　5.2 軟件運(yùn)用</b></p><p>　　本系統(tǒng)在進(jìn)行小規(guī)模的試驗(yàn)時(shí)用到了如下的幾個(gè)主要軟件，下面來(lái)分別簡(jiǎn)單介紹。如下圖5.3 所示，這個(gè)是北京漢邦高科公司的視頻監(jiān)控軟件界面圖，可以通過(guò)該軟件同時(shí)監(jiān)測(cè)2一體式球形攝像機(jī)的工作情況

47、。</p><p>　　下圖5.4 為北京漢邦高科公司的視頻監(jiān)控軟件有能夠根據(jù)視頻中人群密度的大小來(lái)判斷是否需要報(bào)警的功能。</p><p>　　下圖5.5 為設(shè)置該軟件中人群平均密度水平分析的功能，設(shè)定需要報(bào)警的區(qū)域時(shí)的畫(huà)面情形（藍(lán)色框內(nèi)為報(bào)警區(qū)域）。</p><p>　　下圖5.6 為對(duì)三臺(tái)變頻空調(diào)的控制，包括有開(kāi)機(jī)、關(guān)機(jī)的控制，溫度的調(diào)控，同時(shí)也能檢測(cè)到當(dāng)前環(huán)

48、境中三個(gè)不同地域的溫度和濕度。</p><p>　　下圖5.7 為丹東華通測(cè)控公司的智能儀表在線監(jiān)控軟件。該軟件能夠在工業(yè)控制計(jì)算機(jī)上看到實(shí)時(shí)的三相電壓、電流、有功功率、無(wú)功功率及功率因數(shù)等參數(shù)。</p><p>　　下圖5.8 為丹東華通測(cè)控公司的智能儀表在線監(jiān)控軟件的通訊端口的設(shè)置（當(dāng)前設(shè)為com6）。</p><p>　　下圖5.9 為通過(guò)對(duì)該軟件端口設(shè)置后，

49、點(diǎn)開(kāi)在線設(shè)備檢測(cè)的功能，將看到在線的智能電表。</p><p>　　下圖5.10 為智能電表的三相的各種參數(shù)。</p><p>　　下圖5.11組態(tài)軟件，該軟件可以將不同通訊方式的設(shè)備連接在一起，從而可以同時(shí)的實(shí)時(shí)的觀察各個(gè)設(shè)備的運(yùn)作情況，也能夠控制各個(gè)在線的設(shè)備。這樣就可以達(dá)到多目標(biāo)的優(yōu)化處理和對(duì)本系統(tǒng)節(jié)能性能評(píng)估的目的。</p><p><b>　　6

50、 系統(tǒng)測(cè)試及結(jié)果</b></p><p>　　6.1 地鐵站臺(tái)空調(diào)系統(tǒng)節(jié)能潛力分析</p><p>　　目前地鐵站臺(tái)的空調(diào)負(fù)荷都是按照額定工況計(jì)算的，乘客散熱負(fù)荷也是按站臺(tái)定員條件進(jìn)行計(jì)算。然而在實(shí)際運(yùn)行時(shí)地鐵站臺(tái)的乘客數(shù)量是不斷變化的，并且大部分時(shí)間內(nèi)少于定員人數(shù)，所以在乘客散熱負(fù)荷中存在著節(jié)能潛力。為了研究乘客散熱負(fù)荷的節(jié)能量，進(jìn)而實(shí)現(xiàn)地鐵站臺(tái)空調(diào)系統(tǒng)的節(jié)能，需要分析地鐵站

51、臺(tái)候車(chē)乘客散熱負(fù)荷的節(jié)能潛力。</p><p>　　根據(jù)統(tǒng)計(jì)資料，上海地鐵的實(shí)時(shí)客流量具有明顯的峰值時(shí)間，大部分時(shí)間內(nèi)乘客人數(shù)少于定員人數(shù)。統(tǒng)計(jì)時(shí)間為2010 年6 月24 日、25 日（工作日）和26 日、27 日（非工作日），每天從6：00‐22：00。所統(tǒng)計(jì)的數(shù)據(jù)為站臺(tái)候車(chē)乘客數(shù)和運(yùn)行時(shí)間，統(tǒng)計(jì)情況如下圖6.1 所示。</p><p>　　地鐵站臺(tái)的乘客散熱負(fù)荷由人均散熱負(fù)荷q 和平

52、均人群密度δ決定，人均散熱負(fù)荷q 可以參照有關(guān)的標(biāo)準(zhǔn)，而站臺(tái)平均人群密度δ則是不斷變化的。以實(shí)際統(tǒng)計(jì)的客流量為基礎(chǔ)，計(jì)算地鐵站臺(tái)上候車(chē)乘客的散熱負(fù)荷，并與額定工況下的定員散熱負(fù)荷進(jìn)行比較，分析整個(gè)制冷季節(jié)的乘客散熱負(fù)荷的節(jié)能潛力。</p><p>　　6.1.1 站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算</p><p>　　站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算公式為：</p><p>

53、　　Qe = q·N ·n ·T</p><p>　　(1) 式中： Qe —列車(chē)定員時(shí)的乘客散熱負(fù)荷，kWh；</p><p>　　N —候車(chē)乘客數(shù)量，人；</p><p>　　q —人均散熱量，取 0.1163kW/ 人；</p><p>　　n —集群系數(shù)，n=0.955；</p><

54、p>　　T —額定工況下站臺(tái)的營(yíng)運(yùn)時(shí)間是從 6：00~22：00，即 T=16 小時(shí)。N=S·δ</p><p>　　(2) 式中： S —站臺(tái)候車(chē)面積，m2</p><p>　　δ—平均人群密度，人/m2</p><p>　　定員情況下，平均人群密度δe=1 人/m2；以1600m2 候車(chē)區(qū)域(長(zhǎng)200 米，寬8 米)雙向候</p>

55、<p>　　車(chē)的站臺(tái)為例，計(jì)算候車(chē)乘客散熱負(fù)荷的節(jié)能量。</p><p>　　則全天運(yùn)行時(shí)間內(nèi)站臺(tái)定員時(shí)的乘客散熱負(fù)荷為：</p><p>　　Qe = q·Ne ·n ·T =0.1163 ×1600 ×0.955 ×16=2843.30（kWh）</p><p>　　6.1.2 工作日候車(chē)乘

56、客的散熱負(fù)荷計(jì)算</p><p>　　在工作日，根據(jù)每天營(yíng)運(yùn)時(shí)間內(nèi)該站臺(tái)在不同時(shí)段內(nèi)的站臺(tái)候車(chē)人數(shù)，如下圖6.2：</p><p>　　可測(cè)算出站臺(tái)平均人群密度：δs1≈0.5 人/m2；</p><p>　　則工作日候車(chē)乘客散熱負(fù)荷為：</p><p>　　Qs1 = q·Ns1 ·n ·T =0.1163 &

57、#215;800 ×0.955 ×16=1421.65 （kWh）</p><p>　　因此在工作日里，站臺(tái)全天實(shí)際的候車(chē)乘客散熱負(fù)荷的節(jié)能量：</p><p>　　Qe‐ Qs1=2843.3‐1421.65=1421.65 （kWh）</p><p>　　該節(jié)能量占站臺(tái)定員時(shí)乘客散熱負(fù)荷的百分比：（Qe‐ Qs1）/ Qe=50%</p

58、><p>　　6.1.3 站臺(tái)非工作日候車(chē)乘客散熱負(fù)荷計(jì)算</p><p>　　在地鐵站臺(tái)非工作日實(shí)際情況下，每天營(yíng)運(yùn)時(shí)間T 內(nèi)的站臺(tái)候車(chē)人數(shù)統(tǒng)計(jì)如下圖6.3：</p><p>　　可測(cè)算出站臺(tái)平均人群密度：</p><p>　　δs2≈0.3 人/m2；則非工作日乘客散熱負(fù)荷為：</p><p>　　Qs2 = q

59、83;Ns2·n ·T =0.1163 ×480 ×0.955 ×16=852.99 （kWh）</p><p>　　因此在非工作日里，站臺(tái)全天實(shí)際的乘客散熱負(fù)荷的節(jié)能量：</p><p>　　Qe‐ Qs2=2843.30‐852.99=1990.31 （kWh）</p><p>　　該節(jié)能量占站臺(tái)定員時(shí)乘客散熱負(fù)

60、荷的百分比：（Qe‐ Qs2）/ Qe=70.00%</p><p>　　6.1.4 冷季節(jié)里的站臺(tái)空調(diào)系統(tǒng)節(jié)能量計(jì)算</p><p>　　以 每年5 月1 日到9 月 30 日為制冷季節(jié)，一共 153 天，其中工作日 109 天，非工作日 43 天，所以整個(gè)制冷季乘客散熱負(fù)荷的節(jié)能量：</p><p>　　Qss = （Qe‐ Qs1）·109+（ Qe

61、‐ Qs2 ）·43=240543.18kWh</p><p>　　該地鐵站臺(tái)設(shè)計(jì)裝備4 個(gè)空調(diào)機(jī)組，在額定工況下每一個(gè)機(jī)組的制冷量為 42kW 。假定站臺(tái)空調(diào)系統(tǒng)3 個(gè)機(jī)組全天運(yùn)行，則整個(gè)制冷季節(jié)中空調(diào)系統(tǒng)在額定工況下的制冷量為：Qsc =42 ×4×16×153=411264（kWh）</p><p>　　因此整個(gè)制冷季節(jié)中實(shí)際的乘客散熱負(fù)荷的節(jié)

62、能量占空調(diào)系統(tǒng)額定制冷量的百分比為：Qss/Qsc*100%=58.94%由此可見(jiàn)，地鐵站臺(tái)空調(diào)負(fù)荷中的乘客散熱負(fù)荷具有很大的節(jié)能潛力。</p><p>　　因此，在工作日和非工作日的地鐵運(yùn)營(yíng)時(shí)間內(nèi)，根據(jù)站臺(tái)實(shí)際的平均人群密度δ計(jì)算，實(shí)際的乘客散熱負(fù)荷的節(jié)能量分別占定員乘客散熱負(fù)荷的50%和70%，整個(gè)制冷季節(jié) 153 天內(nèi)實(shí)際的乘客散熱負(fù)荷的節(jié)能量約占空調(diào)系統(tǒng)額定制冷量的58.49%，可見(jiàn)對(duì)地鐵站臺(tái)空調(diào)系統(tǒng)而言

63、，乘客散熱負(fù)荷是有很大節(jié)能潛力的。如果能改進(jìn)站臺(tái)多空調(diào)機(jī)組的控制策略，使空調(diào)機(jī)組產(chǎn)生的制冷量緊密跟隨實(shí)際的站臺(tái)候車(chē)乘客散熱負(fù)荷，則能進(jìn)一步提高地鐵站臺(tái)空調(diào)系統(tǒng)的節(jié)能量。</p><p>　　6.2 測(cè)量與控制方案的可行性研究</p><p>　　6.2.1 分布式參數(shù)測(cè)量技術(shù)研究與應(yīng)用</p><p>　　1）地鐵站臺(tái)分布式溫濕度測(cè)量技術(shù)研究與應(yīng)用</p>

64、;<p>　　建筑物內(nèi)的溫濕度信號(hào)具有可測(cè)性和可控性，但準(zhǔn)確測(cè)量的難度在于它的分布特性，準(zhǔn)確控制的難度在于它的數(shù)學(xué)測(cè)量模型具有模糊性和滯后性。</p><p>　　根據(jù)國(guó)家建設(shè)部《通風(fēng)與空調(diào)工程施工質(zhì)量驗(yàn)收規(guī)范》(建標(biāo)［2002］60 號(hào))B6.3 項(xiàng)的規(guī)定：</p><p>　　本系統(tǒng)可應(yīng)用國(guó)內(nèi)現(xiàn)有的“點(diǎn)式”溫濕度測(cè)量技術(shù)?？紤]試驗(yàn)階段建筑物布線等問(wèn)題，采用無(wú)線傳感方式進(jìn)行

65、數(shù)據(jù)采集，現(xiàn)場(chǎng)測(cè)量端采用嵌入式系統(tǒng)完成信號(hào)采集、處理和無(wú)線傳輸，由接收器采集各點(diǎn)的溫濕度信號(hào)送入上位計(jì)算機(jī)，通過(guò)分布式測(cè)量方法實(shí)時(shí)獲得站臺(tái)內(nèi)舒適度的整體測(cè)量情況，建立地鐵站臺(tái)空調(diào)溫濕度測(cè)量與控制的數(shù)學(xué)模型?？紤]到今后的功能擴(kuò)展，如空氣質(zhì)量檢測(cè)、可燃?xì)怏w含量檢測(cè)和有毒有害氣體檢測(cè)等需要，現(xiàn)場(chǎng)測(cè)量設(shè)備采用信號(hào)處理能力較強(qiáng)的CPU 芯片及外圍電路組成的測(cè)量端，信號(hào)傳輸協(xié)議采用抗干擾能力較強(qiáng)的Zig‐Bee 協(xié)議，同時(shí)傳輸過(guò)程采用硬件中繼方式，

66、保障測(cè)量信號(hào)的正常傳輸。</p><p>　　在此基礎(chǔ)上，本系統(tǒng)將深入研究連續(xù)分布式光纖溫濕度測(cè)量技術(shù)，建立候車(chē)站臺(tái)溫濕度與人體舒適度的對(duì)應(yīng)關(guān)系，以實(shí)際空調(diào)量需求為目標(biāo)，向控制系統(tǒng)提供符合實(shí)際的分布式測(cè)量數(shù)據(jù)，使控制決策更加經(jīng)濟(jì)合理。連續(xù)分布式光纖溫濕度測(cè)量技術(shù)是未來(lái)取代目前國(guó)內(nèi)普遍采用的“點(diǎn)式傳感”的測(cè)量技術(shù)。目前在英國(guó)倫敦地鐵、等得到廣泛應(yīng)用，同時(shí)可用于地鐵站臺(tái)及交通隧道火災(zāi)監(jiān)測(cè)、鋼軌應(yīng)變測(cè)量等傳感領(lǐng)域。&l

67、t;/p><p>　　地鐵站臺(tái)人群平均密度估計(jì)</p><p>　　近年來(lái)．隨著計(jì)算機(jī)視覺(jué)和人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展，基于智能視頻分析的人群密度估計(jì)和流量統(tǒng)計(jì)算法大量涌現(xiàn)。許多人群監(jiān)控系統(tǒng)也相繼在世界各地投入使用。如1995 年，倫敦地鐵最早采用了人群監(jiān)控系統(tǒng)，用以統(tǒng)計(jì)地鐵站中的人群密度和流量統(tǒng)計(jì)，預(yù)防安全事故的發(fā)生。2003 年歐洲相繼通過(guò)閉路電視系統(tǒng)進(jìn)行人群流量統(tǒng)計(jì)，進(jìn)而改善公共交通的管

68、理。</p><p>　　另一方面，由于受到恐怖事件的威脅，一些國(guó)家和地區(qū)相繼啟動(dòng)了進(jìn)行基于視頻分析的群體安全分析系統(tǒng)[22]。1999 年，W．S．Chowt 教授利用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)分析人群特征。極大地提高了人群分析的準(zhǔn)確性，該方法已于2002 年在香港地鐵系統(tǒng)中得到運(yùn)用[27]。隨著機(jī)器學(xué)習(xí)的發(fā)展．Chow 和Marana 教授分別利用分類性和自學(xué)習(xí)性能更佳的RBF 神經(jīng)網(wǎng)絡(luò)[28]和自組織映射神經(jīng)網(wǎng)絡(luò)

69、(SOM)實(shí)現(xiàn)人群密度分析[29]。近年來(lái)隨著支持向量機(jī)(SVM)理論的逐步完善，其優(yōu)良的性能已經(jīng)被越來(lái)越多地應(yīng)用到人群密度的分析當(dāng)中[22]。</p><p>　　通過(guò)分布在地鐵站臺(tái)上多個(gè)攝像探頭采集的視頻圖像，根據(jù)計(jì)算機(jī)圖像處理方法，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)在模擬人類神經(jīng)系統(tǒng)處理模糊信息的功能方面具有獨(dú)特的優(yōu)勢(shì)，基于圖像處理邊界不明晰的模糊集合，合理地劃分人群密度范圍，實(shí)現(xiàn)圖像智能分析與平均人群密度估計(jì)[23]。本系

70、統(tǒng)采用統(tǒng)計(jì)回歸的方法實(shí)現(xiàn)地鐵站臺(tái)的人群平均密度估計(jì)，該方法適用于大范圍，固定場(chǎng)景以及固定攝像位置的情況[30]。Chan 教授將人群的流量近似為一個(gè)高斯過(guò)程。綜合利用人群的像素和紋理信息。建立在景人數(shù)和人群特征的函數(shù)關(guān)系即回歸方程如下：</p><p>　　式中第一項(xiàng)代表了一個(gè)總體趨勢(shì)，即主要由像素信息決定：第二項(xiàng)代表了非線性關(guān)系．主要由紋理信息決定；第三項(xiàng)代表了觀測(cè)噪聲項(xiàng)。目前已在實(shí)驗(yàn)室建立了試驗(yàn)系統(tǒng)，初步實(shí)現(xiàn)

71、了兩個(gè)區(qū)域的圖像采集和模糊人群密度估計(jì)。</p><p>　　3）模糊控制邏輯設(shè)計(jì)</p><p>　　模糊控制的實(shí)現(xiàn)基本上有兩種方法。第一種方法涉及到模糊化、控制規(guī)則評(píng)價(jià)和解模糊的嚴(yán)格實(shí)時(shí)數(shù)學(xué)計(jì)算，這是被廣泛認(rèn)可的方法，在后面的應(yīng)用例子中將進(jìn)行描述。在模糊邏輯工具箱的幫助下，例如MATLAB 環(huán)境中的模糊邏輯工具箱，可以開(kāi)發(fā)一個(gè)高效的C 程序?qū)崿F(xiàn)模糊控制。該程序被編輯，其目標(biāo)程序被寫(xiě)入D

72、SP 中用于執(zhí)行。采用商業(yè)化的ASIC 芯片也能實(shí)現(xiàn)模糊控制。第二種方法是查表法。該方法將事先已完成的所有輸入/輸出靜態(tài)映射計(jì)算結(jié)果（包括模糊化、控制規(guī)則的評(píng)價(jià)和解模糊）存儲(chǔ)在一個(gè)大的查詢表中，用以實(shí)時(shí)執(zhí)行。</p><p>　　有時(shí)不僅只有一張查詢表，還可有各種等級(jí)（粗糙、中等、精致）的查詢表。當(dāng)用于精確控制時(shí)，查詢表需要大量的存儲(chǔ)空間，但其執(zhí)行速度很快。人工神經(jīng)網(wǎng)絡(luò)也可被訓(xùn)練用來(lái)模擬模糊控制器。</p&

73、gt;<p>　　6.2.2 多機(jī)組空調(diào)系統(tǒng)優(yōu)化控制策略可行性研究</p><p>　　空氣調(diào)節(jié)器能效限定值及能效等級(jí)是空調(diào)系統(tǒng)節(jié)能控制的重要評(píng)估指標(biāo)。能效比是指空調(diào)器在制冷運(yùn)行時(shí)，制冷量與有效輸入功率之比。能效比數(shù)值的大小，實(shí)際上反映出了空調(diào)器產(chǎn)品每消耗1000W 電功率時(shí)，制冷量的大小。該數(shù)值的大小反映出不同空調(diào)器產(chǎn)品的節(jié)能情況。能效比數(shù)值越大，表明該產(chǎn)品使用時(shí)所需要消耗的電功率就越小，則在單位

74、時(shí)間內(nèi)，該空調(diào)器產(chǎn)品的耗電量也就相對(duì)越少。</p><p>　　2010 年2 月26 日，我國(guó)發(fā)布了新房間空調(diào)器能效標(biāo)準(zhǔn)GB 12021.3‐2010《房間空氣調(diào)節(jié)器能效限定值及能效等級(jí)》，取代2004 年發(fā)布的GB 12021.3‐2004，該標(biāo)準(zhǔn)已于2010 年6 月1日實(shí)施。標(biāo)準(zhǔn)規(guī)定了房間空調(diào)器的能效限定值、能效等級(jí)、節(jié)能評(píng)價(jià)值、試驗(yàn)方法和檢驗(yàn)規(guī)則。標(biāo)準(zhǔn)適用于空氣冷卻冷凝器、全封閉型電動(dòng)機(jī)‐壓縮機(jī)，制冷量

75、在14000 W 及以下，氣候類型為T(mén)1 的空調(diào)器，但不適用于移動(dòng)式、轉(zhuǎn)速可控型、多聯(lián)式空調(diào)機(jī)組。能效比的測(cè)試方法按照GB/T 7725‐2004《房間空氣調(diào)節(jié)器》進(jìn)行。電熱絲的能效比只能達(dá)到1:1，即消耗1 千瓦的電力，產(chǎn)生1 千瓦的熱能。空調(diào)在所有制熱產(chǎn)品中的能效比最高，可以達(dá)到1:3 左右，即消耗1 千瓦的電力，能夠移動(dòng)3 千瓦左右的熱量，所以空調(diào)節(jié)能省電?？照{(diào)器的能效比，就是名義制冷量(制熱量)與運(yùn)行功率之比，即EER 和COP

76、。</p><p>　　(1) EER 是空調(diào)器的制冷性能系數(shù)，也稱能效比，表示空調(diào)器的單位功率制冷量。</p><p>　　(2) COP 是空調(diào)器的制熱性能系數(shù)，表示空調(diào)器的單位功率制熱量。</p><p>　　(3) 數(shù)學(xué)表達(dá)式為：EER=制冷量/制冷消耗功率 COP=制熱量/制熱消耗功率</p><p>　　(4) EER 和COP

77、越高，空調(diào)器能耗越小，性能比越高。</p><p>　　空調(diào)能效比越高就越省電，家里也就越省錢(qián)。為了迎合消費(fèi)者的這一消費(fèi)新需求，空調(diào)廠家有關(guān)空調(diào)能效比的系數(shù)也就翻著跟頭上升，從3.0 到4.0、5.0、6.0 一直到了7.0，到底要不要馬上追著能效比買(mǎi)空調(diào)?目前我國(guó)空調(diào)市場(chǎng)的能效比數(shù)據(jù)比較混亂，中國(guó)空調(diào)能效比的認(rèn)證還沒(méi)有出臺(tái)，國(guó)家還沒(méi)有相關(guān)的標(biāo)準(zhǔn)，因此不好衡量。廠家在市場(chǎng)上宣傳的數(shù)據(jù)基本上都是廠家自報(bào)的數(shù)據(jù)，并且

78、這些數(shù)據(jù)都是從實(shí)驗(yàn)室得來(lái)的，帶有極大的商業(yè)傾向性。此外，相關(guān)參數(shù)具有國(guó)別差異，不同國(guó)家產(chǎn)品之間的能效比之間存在不小的差異，比如說(shuō)，中國(guó)出售的日本變頻空調(diào)，其電壓、冷媒都與國(guó)內(nèi)的企業(yè)不同，其能效比也就不具有可比性。能效比越高并非越省錢(qián)。</p><p>　　空調(diào)的能效比越高就越省電，但對(duì)家庭來(lái)說(shuō)不一定會(huì)達(dá)到省錢(qián)的目的。這是因?yàn)楦吣苄П瓤照{(diào)的成本太高，其價(jià)格是普通空調(diào)的10 倍多，并且短時(shí)期內(nèi)難以下降，按照12 年的

79、壽命計(jì)算，高能效比空調(diào)終生省下的電費(fèi)難以抵消其本身的購(gòu)買(mǎi)差價(jià)。在日本，能效比最高的空調(diào)售價(jià)在30 萬(wàn)日元以上，而一般的變頻空調(diào)的售價(jià)則為2.9 萬(wàn)日元，相差了10 倍多。因?yàn)閮r(jià)格奇高，95%的日本家庭還是選擇了一般的變頻空調(diào)。由此判斷，高能效比空調(diào)短時(shí)間在中國(guó)更是難進(jìn)家門(mén)。</p><p>　　買(mǎi)空調(diào)關(guān)鍵要看性能價(jià)格比。購(gòu)買(mǎi)空調(diào)的關(guān)鍵因素不是空調(diào)的能效比高不高，任何時(shí)候需要關(guān)注的是空調(diào)的性能價(jià)格比，也就是質(zhì)量穩(wěn)定

80、性，功能的先進(jìn)性以及購(gòu)買(mǎi)價(jià)格的經(jīng)濟(jì)性與運(yùn)行的經(jīng)濟(jì)性，此外還要看購(gòu)買(mǎi)與運(yùn)行的經(jīng)濟(jì)性，也就是說(shuō)功能先進(jìn)的空調(diào)能買(mǎi)得起并且能用的起等因素?？偠灾ㄗ钌俚腻X(qián)買(mǎi)最好的空調(diào)是消費(fèi)者選擇空調(diào)的硬道理?？刂颇繕?biāo)：在控制過(guò)程中，首先保證單臺(tái)機(jī)組工作在額定工作狀態(tài)，能效等級(jí)達(dá)到國(guó)家標(biāo)準(zhǔn)1 級(jí)，協(xié)調(diào)控制空調(diào)系統(tǒng)內(nèi)各機(jī)組按照優(yōu)化后的控制參數(shù)運(yùn)行，使整體空調(diào)系統(tǒng)能效等級(jí)達(dá)到1 級(jí)。</p><p>　　為了實(shí)現(xiàn)多機(jī)組空調(diào)系統(tǒng)的節(jié)能目標(biāo)

81、，需要在控制參數(shù)組進(jìn)化過(guò)程中引入節(jié)能激勵(lì)因子F，對(duì)控制參數(shù)組的運(yùn)行方式及控制目標(biāo)進(jìn)行調(diào)整，因此需要對(duì)現(xiàn)有的多目標(biāo)進(jìn)化算法進(jìn)行改進(jìn)具體思路是：在進(jìn)化過(guò)程中，通過(guò)節(jié)能激勵(lì)因子F 調(diào)整空調(diào)系統(tǒng)控制參數(shù)序列被選擇的概率值，節(jié)能激勵(lì)因子F 值越大，被選擇的概率越大，使由節(jié)能效率高的空調(diào)機(jī)組控制參數(shù)組成的染色體組合實(shí)現(xiàn)優(yōu)先進(jìn)化。算法的仿真結(jié)果如下圖6.5：</p><p>　　上圖表明了進(jìn)化算法的收斂性，在初始時(shí)進(jìn)化的進(jìn)度比

82、率相對(duì)較高，經(jīng)過(guò)數(shù)代進(jìn)化后則逐漸趨近于0，說(shuō)明最終種群已經(jīng)接近Pareto 解集。算法仿真結(jié)果表明：系統(tǒng)的魯棒性較強(qiáng)，不易陷入局部極小，而且在運(yùn)行時(shí)間方面，同樣達(dá)到進(jìn)化算法最優(yōu)解的質(zhì)量水平，所用時(shí)間短，收斂速度較快。</p><p>　　6.2.3 地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測(cè)與節(jié)能評(píng)估可行性研究</p><p>　　為了實(shí)現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能，本系統(tǒng)通過(guò)人工智能的控制方

83、法實(shí)現(xiàn)既充分考慮候車(chē)人群對(duì)空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能需要的協(xié)調(diào)控制目標(biāo)，需要研究和設(shè)計(jì)一個(gè)空調(diào)系統(tǒng)能量管理系統(tǒng)節(jié)能監(jiān)測(cè)及評(píng)估系統(tǒng)作為空調(diào)控制系統(tǒng)最優(yōu)解的質(zhì)量反饋環(huán)節(jié)實(shí)現(xiàn)閉環(huán)控制。</p><p><b>　　6.3 試驗(yàn)方案</b></p><p>　　根據(jù)本系統(tǒng)研究目標(biāo)和內(nèi)容，建立實(shí)驗(yàn)室小型試驗(yàn)系統(tǒng)。采用高清晰攝像頭采集人群密度圖像；采用無(wú)線檢測(cè)系統(tǒng)獲

84、得環(huán)境溫濕度信號(hào)；采用智能電表采集空調(diào)系統(tǒng)電流、電壓和功率等用電信息；采用工業(yè)控制計(jì)算機(jī)通過(guò)以太網(wǎng)實(shí)現(xiàn)智能變頻空調(diào)。</p><p>　　試驗(yàn)方案如下圖6.6：</p><p>　　由于空調(diào)，攝像頭，智能儀表，工控機(jī)等已安裝于實(shí)驗(yàn)室小型試驗(yàn)系統(tǒng),無(wú)法帶到現(xiàn)場(chǎng)，在接下來(lái)的演示中我們用仿真代替。</p><p>　　7 設(shè)計(jì)總結(jié)及改進(jìn)措施</p><

85、p>　　1．增大人群密度檢測(cè)的精確度，便于后續(xù)更好地計(jì)算和控制；</p><p>　　2．改進(jìn)模糊控制的隸屬度函數(shù)，使電腦能進(jìn)行更有效地判斷；</p><p>　　3．在可控范圍內(nèi)增加加快多目標(biāo)優(yōu)化的收斂速度，使此方案更加節(jié)能環(huán)保。</p><p><b>　　8 心得體會(huì)</b></p><p>　　通過(guò)這幾天的

86、物聯(lián)網(wǎng)工程實(shí)訓(xùn)，讓我漸漸進(jìn)入了物聯(lián)網(wǎng)的世界。在這幾天的時(shí)間里，我們第一次進(jìn)入了物聯(lián)網(wǎng)實(shí)驗(yàn)室，由此，物聯(lián)網(wǎng)工程那一層神秘的面紗也被揭開(kāi)了。我們了解了物聯(lián)網(wǎng)工程的大體走向，了解了它的基本構(gòu)成以及基本應(yīng)用，才發(fā)現(xiàn)，在我們的生活中，它無(wú)處不在。</p><p>　　在這次課程設(shè)計(jì)中，我們遇到了許多困難，也遇到了一些知識(shí)上的盲點(diǎn)，但是，我們并沒(méi)有放棄，我們通過(guò)上網(wǎng)查找資料等方式，來(lái)彌補(bǔ)我們?cè)谥R(shí)方面的不足。</p&g

87、t;<p>　　這次課設(shè)讓我受益匪淺，無(wú)論從知識(shí)上還是其他的各個(gè)方面。我們并沒(méi)有真正的接觸過(guò)物聯(lián)網(wǎng)，只能從理論的角度去理解枯燥乏味。但在課設(shè)中見(jiàn)過(guò)甚至接觸了物聯(lián)網(wǎng)簡(jiǎn)單模型，能夠理論聯(lián)系實(shí)際的學(xué)習(xí)，開(kāi)闊了眼界，提高了物聯(lián)網(wǎng)知識(shí)的理解和水平。在這次課程設(shè)計(jì)中又讓我體會(huì)到了合作與團(tuán)結(jié)的力量，當(dāng)遇到不會(huì)或是設(shè)計(jì)不出來(lái)的地方，我們就會(huì)在QQ群里討論或者是同學(xué)之間相互幫助。團(tuán)結(jié)就是力量，無(wú)論在現(xiàn)在的學(xué)習(xí)中還是在以后的工作中，團(tuán)結(jié)都是至

88、關(guān)重要的，有了團(tuán)結(jié)會(huì)有更多的理念、更多的思維、更多的情感。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]史忠植.智能主體及其應(yīng)用[M].北京:科學(xué)出版社,2000.</p><p>　　[2] 蔡自興.艾真體‐分布式人工智能研究的新課題[J].計(jì)算機(jī)科學(xué)，2002，29（12）：123~126.</p>

89、<p>　　[3] Sroval V.,Nevriva P.Distributed control systems of pipeline networks using multi‐agent technologies[A].Proceedings of the 2nd IFAC/IFIP/IEEE Conference on Management and Control of Production and Logistic

90、s[C].Elsevier Science,2001:1093~1099.</p><p>　　[4]Blake M.B.Rule‐driven coordonation agents:a self‐configurable agent arthitedture for distributed control[A].Proceedings of the 5th Inter.Symposium on Autonom

91、ous Decentralized Systems(ISADS2001)[C].IEEE Press,2001:271~277.</p><p>　　[5]Brennan R.W.,Fletcher M.,Norrie D.H.An agent‐based approach to reconfiguration of real‐time distributed control systems[J].IEEE Tr

92、ansactions on Robotics and Automation,2002,18(4):444~451.</p><p>　　[6]Maturana F.,Staron R.,Tichy P.,et al.Autonomous agent arthitecture for industrial distributed control[A].Preceedings of the 56th Meeting

93、of the Society for Machinery Failure Prevention Technology[C].IEEE Press,2002:147~156.</p><p>　　[7] Shehory O.,Kraus S.Coalition formation among autonomous agents:Strategy and</p><p>　　complexit

94、y.In:Castel Franchis,Pmuller J.(Eds.).From Reaction to Cognition,Lecture Notes in Artificial Intelligence,Berlin:Springer,1993:57~72.</p><p>　　[8] Shehory O.,Kraus S.Task allocation via coalition formation a

95、mong autonomous</p><p>　　agents[A].Proc.ofIJCAI‐95[C].Los Angeles,CA,USA:Morgan Kaufmann Publishers,1995:655~661.</p><p>　　[9] Shehory O.,Kraus S.A kernel‐oriented model for coalition formation

96、in general</p><p>　　environments:Implementation and result[A].Proceedings of AAAI‐96[C].Portland,1996:134~140.</p><p>　　[10]夏娜，蔣建國(guó)，齊美彬等.基于Multi‐Agent 的分布式智能視覺(jué)監(jiān)控系統(tǒng)研究[J].計(jì)算機(jī)工程與應(yīng)用，2002,38（5）：43~45&

97、lt;/p><p>　　[11]梁泉,許小鳴,張鐘俊.多智能體系統(tǒng)協(xié)作及控制機(jī)理和基本問(wèn)題分析[J]控制與決策,1996,11（5）:521~526.</p><p>　　[12] 梁泉,許小鳴,張鐘俊.分布式智能控制及其系統(tǒng)[A],中國(guó)控制與決策會(huì)議[C],1995.</p><p>　　[13] 張鈸.近十年人工智能進(jìn)展[J].模式識(shí)別與人工智能,1995,8(su

98、ppl.):1~8.</p><p>　　[14]沈鋼, 許曉鳴,張文淵.連續(xù)事例推理智能控制在復(fù)雜控制系統(tǒng)中的應(yīng)用[J].中國(guó)有色金屬學(xué)報(bào)，2000，10（1）：144~147.</p><p>　　[15]楊煜普,黃新民,許曉鳴.通用部分全局規(guī)劃方法在多智能體協(xié)調(diào)控制中的應(yīng)用[J]. 上海交通大學(xué)學(xué)報(bào),1999,33(4):435~438.</p><p>　　

99、[16]費(fèi)燕瓊,馮光濤,趙錫芳等.可重組機(jī)器人運(yùn)動(dòng)學(xué)正逆解的自動(dòng)生成[J].上海交通大學(xué)學(xué)報(bào)，2000，34（10）:1430~1433.</p><p>　　[17] 費(fèi)燕瓊,況迎輝,趙錫芳等.可裝配的模塊機(jī)器人動(dòng)力學(xué)的自動(dòng)生成[J].東南大學(xué)學(xué)報(bào)，2000，30（2）:84~88.</p><p>　　[18]劉海龍.動(dòng)態(tài)環(huán)境下分布式智能系統(tǒng)的任務(wù)協(xié)作理論研究[Ph.D Thesis]

100、.杭州:浙江大學(xué)信息學(xué)院控制系,2001.</p><p>　　[19]劉金琨.復(fù)雜工業(yè)過(guò)程智能控制研究[Ph.D Thesis].杭州:浙江大學(xué),1998.</p><p>　　[20]文敦偉.面向多智能體和神經(jīng)網(wǎng)絡(luò)的智能控制研究[Ph.D Thesis].長(zhǎng)沙：中南大</p><p><b>　　學(xué),2001.11</b></p>

101、;<p>　　[21] 智能建筑VAV 空調(diào)系統(tǒng)的節(jié)能控制.劉作軍，董硯.自動(dòng)化與儀表 2000.5</p><p>　　[22] 周洪煜.基于人工智能和專家系統(tǒng)的中央空調(diào)節(jié)能運(yùn)行及故障診斷技術(shù)研究與實(shí)現(xiàn).[Ph.D Thesis] 重慶大學(xué)</p><p>　　[23] 張勁,鐘毅芳. 分布式測(cè)控系統(tǒng)框架模型研究[J]微計(jì)算機(jī)信息, 2003,(09)</p>

102、<p>　　[24] 李召潑,張小松,吳智深.大型公共建筑中央空調(diào)的節(jié)能與監(jiān)控.建筑節(jié)能.2010 年3 期</p><p>　　[25]劉海東，毛保華，丁勇，賈文崢，城市軌道交通列車(chē)節(jié)能問(wèn)題及方案研究 [J].交通運(yùn)輸系統(tǒng)工程與信息 ，2007，7（5）：68‐73.</p><p>　　[26] 周志雄. 地鐵空調(diào)系統(tǒng)節(jié)能探討 [J]. 制冷，2005，24（z1）：55‐

103、58.</p><p>　　[27] VELASTIN S A，KHOUDOUR L，SUN B P L，et a1．PRIS—MAllCA： a multi‐sensor surveillance system for public transport networks[EB／Oll.[2009‐05—20]．</p><p>　　http://lid.wanfangdata.com.c

104、n／NSTUFlY.NSTL_HYl7074105．a(chǎn)spx．</p><p>　　[28]CHAN A B，LIANG Z S J，VASCONCELOS N．Privacy preserving crowd monitoring： Counting people without people models or tracking[EB／OL]．[2009‐05—20]．</p><p>

105、;　　http://ieeexplore．ieee．org／xpFfree·abs_a11．jsp /arnumber=4587569．</p><p>　　[29] WU Xin‐yu，LIANG Guo‐‐yuan。LEE K，et a1．Crowd density estimation using texture analysi8 and learning[EB／OL]．[2009‐05‐201．

106、</p><p>　　http://ieeexplore.ieee.org／xpl／freeabs_a11．jsp/ arnuml)er‐‐4141867．</p><p>　　[30]ZHANG Enwei．CHEN Feng．A fast and robust people counting method in video</p><p>　　surveilla