基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)

遼寧工業(yè)大學物聯(lián)網(wǎng)工程課程設計（論文）題目：基于信息智能處理的軌道交通節(jié)能限制系統(tǒng)學院：電子與信息工程學院專業(yè)班級：學號：學生姓名：指導老師：老師職稱：起止時間：課程設計（論文）任務及評語學院：教研室：學號學生姓名專業(yè)班級課程設計（論文）題目基于信息智能處理的軌道交通節(jié)能限制系統(tǒng)課程設計（論文）任務為了達到空調(diào)系統(tǒng)節(jié)能的限制目標，須要對系統(tǒng)中若干個空調(diào)機的限制采納分布式人工智能限制策略，通過分布式人工智能方法動態(tài)地選擇和運用最有效的空調(diào)機運行模式和限制參數(shù)，既充分考慮候車人群對空調(diào)舒適度的需求，又滿意地鐵空調(diào)系統(tǒng)的節(jié)能須要，實現(xiàn)地鐵空調(diào)限制系統(tǒng)的柔性調(diào)整和高效節(jié)能限制，最大限度地降低地鐵空調(diào)系統(tǒng)的能源消耗。本系統(tǒng)應用于交通節(jié)能限制系統(tǒng)，主要分為兩部分，一是硬件設計，二是軟件編寫，該同學負責軟件設計。指導老師評語及成果成果：指導老師簽字：年月日書目TOC\o"1-3"\h\u12245摘要 1319471方案概述 231091.1背景 2174321.2應用領域 3205231.3國內(nèi)外探討現(xiàn)狀 377691.4功能描述 6291952方案創(chuàng)新點與難點 7153453系統(tǒng)實現(xiàn)原理 8205404硬件設計 9149965軟件設計 10200535.1算法描述 103575.2軟件運用 11105416系統(tǒng)測試及結果 1728416.1地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析 17176566.1.1站臺定員時的乘客散熱負荷計算 17302416.1.2工作日候車乘客的散熱負荷計算 1833996.1.3站臺非工作日候車乘客散熱負荷計算 18130926.1.4冷季節(jié)里的站臺空調(diào)系統(tǒng)節(jié)能量計算 19322786.2測量與限制方案的可行性探討 19113466.2.1分布式參數(shù)測量技術探討與應用 19261976.3試驗方案 24215977設計總結及改進措施 25142088心得體會 2616916參考文獻 27基于信息智能處理的軌道交通節(jié)能限制系統(tǒng)摘要為了達到空調(diào)系統(tǒng)節(jié)能的限制目標，須要對系統(tǒng)中若干個空調(diào)機的限制采納分布式人工智能限制策略，通過分布式人工智能方法動態(tài)地選擇和運用最有效的空調(diào)機運行模式和限制參數(shù)，既充分考慮候車人群對空調(diào)舒適度的需求，又滿意地鐵空調(diào)系統(tǒng)的節(jié)能須要，實現(xiàn)地鐵空調(diào)限制系統(tǒng)的柔性調(diào)整和高效節(jié)能限制，最大限度地降低地鐵空調(diào)系統(tǒng)的能源消耗。關鍵詞:節(jié)能、優(yōu)化、分布式人工智能、地鐵空調(diào)系統(tǒng)1方案概述1.1背景在上海這座2200多萬人口的特大型城市，解決出行問題，越來越多的人依靠發(fā)達的軌道交通網(wǎng)絡。截至目前，上海地鐵全路網(wǎng)共有11條運營線路，全長425公里，共有273座車站分布在15個行政區(qū)域。今年一季度，上海地鐵日均運輸超過530萬客流，這個數(shù)字，占城市公共交通運輸比例近四成。每天超過500萬人次的客流順暢地穿梭在這個城市腳下，有效地緩解了地面的交通壓力，更將城市外延不斷拓寬，由此帶動城市發(fā)展與經(jīng)濟旺盛。軌道交通具有運量大、速度快、平安、準點、愛護環(huán)境、節(jié)約能源和用地等特點。依據(jù)同等運力比較，軌道交通的能耗只相當于小汽車的1/9，公交車的1/2，但由于運量大，其總耗電量相當大。但從各城市軌道交通的建設經(jīng)營現(xiàn)狀看，大多數(shù)軌道交通處于政府補貼狀態(tài)，贏利水平低，目前只有香港、倫敦、東京等少數(shù)幾個城市軌道交通運營盈利。據(jù)測算，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12%。上海市政府每年給上海城市軌道交通的運營虧損補貼多達數(shù)億元。降低上海城市軌道交通運行能耗，削減用電總量，成為降低上海城市軌道交通運營成本的一個有效途徑。據(jù)統(tǒng)計，地鐵能耗的84%集中在車輛系統(tǒng)和通風空調(diào)系統(tǒng)兩個方面，其分別占地鐵能耗的53%和31%。以開通的地鐵5號線為例，其車輛系統(tǒng)用電每年約8000萬度左右。目前城市軌道交通電動車組普遍采納“再生制動＋電阻制動＋機械制動”的制動方式，制動能量可達到牽引能量的30%以上，部分再生制動的能量可以被線路上相鄰車輛汲取，如不能被汲取則轉(zhuǎn)換為電阻或空氣制動，制動能量被白白消耗，初步估算該部分耗能占制動能量的40%左右，5號線該部分能量達960萬度以上。通風空調(diào)系統(tǒng)能耗凹凸與通風空調(diào)系統(tǒng)形式親密相關。目前，國內(nèi)地鐵采納的通風空調(diào)系統(tǒng)還僅限于傳統(tǒng)的單一功能、分散獨立式的區(qū)間隧道與車站通風空調(diào)系統(tǒng)，其構成困難、限制繁瑣，導致車站土建規(guī)模大、投資高、運行費用大。地下車站通風空調(diào)機房面積在1200～2500平方米左右，占車站總建筑面積的12%～30%。據(jù)廣州地鐵公司的統(tǒng)計數(shù)據(jù)顯示，地鐵通風空調(diào)能耗已占到了地鐵總能耗的約50%。通過對上海城市軌道交通運行能耗的調(diào)研后，我們發(fā)覺：在車輛系統(tǒng)用電方面，車輛制動能量損耗缺乏有效限制，亟需在全電制動停車限制系統(tǒng)、再生制動能量利用關鍵設備及應用等方面開展研發(fā)和應用，建立牽引供電系統(tǒng)再生電能汲取系統(tǒng)，提出合理的再生電能汲取系統(tǒng)設置方案，有效汲取地鐵車輛制動能量；在通風空調(diào)系統(tǒng)方面，缺乏有效的節(jié)能技術和運行方式，亟需在通風空調(diào)系統(tǒng)中實施優(yōu)化限制，采納新型節(jié)能通風空調(diào)系統(tǒng)等方面開展研發(fā)和應用，建立適合上海地區(qū)的地鐵通風空調(diào)系統(tǒng)，大力推廣應用降低現(xiàn)有地鐵通風空調(diào)能耗的節(jié)能技術和產(chǎn)品。1.2應用領域基于信息智能處理的軌道交通節(jié)能限制系統(tǒng)所應用的領域為城市軌道交通系統(tǒng)。1.3國內(nèi)外探討現(xiàn)狀近年來，已有若干將分布式人工智能理論、限制技術應用于分布式系統(tǒng)的探討，并取得了肯定的成果。2000年，Srovnal教授提出了基于multi‐agent的管道網(wǎng)絡分布式限制系統(tǒng)[3]；2001年，Blake教授提出了一種基于規(guī)則驅(qū)動Agent的分布式限制的自重構Agent架構[4]；2002年，Brennan教授提出了一種基于Agent的實時分布式限制系統(tǒng)的重構方法[5]；Maturana教授提出了一種工業(yè)分布式限制的自動Agent體系結構[6]；中國科學院院士、清華高校張鈸教授分析了Books反應式智能的思想，提出了基于傳感器的智能體和多自主體的智能限制策略，它能克服傳統(tǒng)人工智能完全依靠先驗學問建立的專用系統(tǒng)與環(huán)境交互及應付突變實力差的弱點，使智能系統(tǒng)具備在動態(tài)、事先不完全知道的環(huán)境中正常運行的實力[3、4]；國內(nèi)學者史忠植長期從事智能主體、分布智能的理論和應用系統(tǒng)探討[1]；梁泉博士對多智能體系統(tǒng)的協(xié)作及限制作了全面的分析，提出了基于多智能體系統(tǒng)的分布式智能限制應用方向[11、12]；上海交通高校的許曉鳴教授和費燕瓊教授2003年獲得國家自然科學基金資助，探討基于多Agent的分布式限制系統(tǒng)中智能模塊的自重構、自修復理論與方法[14、15、16、17]；合肥工業(yè)高校蔣建國教授和夏娜博士開展了基于MAS的分布式限制系統(tǒng)中的協(xié)同策略探討，并先后得到教化部基金和2005年國家自然科學基金的資助[24、25、26、10]；浙江高校的劉海龍博士在其畢業(yè)論文中采納multi‐agent理論方法，著重探討了動態(tài)環(huán)境下分布式智能系統(tǒng)中的任務協(xié)作問題[18]。分布式人工智能理論中的進化計算是20世紀90年頭初為了促進不同進化算法之間的溝通而提出來的，現(xiàn)已成為“智能”與“優(yōu)化”兩個主題探討的新熱點，對組合優(yōu)化的問題已有較多的探討成果[4]。目前進化計算已和人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks,ANN）、模糊邏輯（FuzzyLogic,FL）相結合[5‐7]，形成了計算智能學科（ComputationalIntelligence,CI）[8.9]。美國海軍后勤探討中心對進化計算的探討極為重視，于1985年首先在電子網(wǎng)絡上建立了全球性的有關遺傳算法的信息溝通節(jié)點（GA‐List‐Request@），不定期編輯出版電子遺傳算法文摘（GADigest），溝通有關遺傳算法的最新信息。網(wǎng)絡上與進化計算有關的信息事實上是一個有關進化計算的巨大資料庫，為使探討人員更便利地利用這些資源，在交互網(wǎng)絡上建立了幾個比較大的節(jié)點，稱為ENCORE（EvolutionaryComputationRepositoryNetwork）。通過這幾個節(jié)點中的任一個，不僅可以了解到網(wǎng)絡上主要的有關進化計算的信息，而且可以獲得自由軟件，溝通科技報告等，如可獲得1957年到現(xiàn)在的全部有關遺傳算法的科技論文的書目，該書目中包括2500多篇文獻。另外，日本新的計算機發(fā)展規(guī)劃RWC（RealWorldComputingProgram）也把遺傳算法、進化計算作為主要支撐技術之一，用來進行信息的集成、學習及組織等。進入80年頭，遺傳算法迎來了興盛發(fā)展時期，無論是理論探討還是應用探討都成了非常熱門的課題。尤其是遺傳算法的應用領域也不斷擴大。目前遺傳算法所涉及的主要領域有自動限制、規(guī)劃設計、組合優(yōu)化、圖象處理、信號處理、人工生命等。目前面對應用的軟件產(chǎn)品有EVOLVER、OMEGA、PC/BEAGLE、GENERATOR、XPERTRULE、GENASYS。美國Illinois高校的Goldberg教授早在1989年就出版了目前被認為是進化算法最經(jīng)典、最全面的教科書。國內(nèi)自20世紀90年頭以來對進化計算進行了廣泛探討。特殊是將進化計算的方法與原理應用在不同的工程領域，取得了令人矚目的成就，對進化計算的理論基礎探討也取得了很多優(yōu)秀成果。我國的遺傳算法的探討，從20世紀90年頭以來始終處于不斷上升的時期，特殊是近年來，遺傳算法的應用在很多領域取得了令人矚目的成果。國內(nèi)二級以上學術刊物有關遺傳算法的文章不斷增加。國內(nèi)很多專家、學者等在這方面作了大量探討，并取得了很多成果。在武漢高校軟件工程國家重點試驗室設有并行計算探討室，進化計算已成為一個重要的探討方向，目前已經(jīng)出版了專著，并有很多碩士、博士探討生圍繞進化計算選題。另外，中國科學技術高校陳國良教授等出版了遺傳算法的著作。西安交通高校以進化計算為主題的探討工作也漸漸活躍起來，同時國內(nèi)相關書籍也越來越多，如武漢高校劉勇、康力山等與1995年出版的《非數(shù)值并行計算‐遺傳算法》；周明、孫樹棟等于1996年出版的《遺傳算法原理及應用》；2002年王小平、曹立明編寫的《遺傳算法‐理論、應用與軟件實現(xiàn)》等等。同時國內(nèi)也出現(xiàn)有關遺傳算法的論壇，有://百思論壇，研學論壇bbs.matwav等都是很好的學習溝通論壇。分布式測控系統(tǒng)（DistributedComputerAutomatedMeasurementandControlSystem，DCAMCS）是指在獨立計算機的集合系統(tǒng)中通過網(wǎng)絡通信來開發(fā)、部署、管理和維護，以資源共享和協(xié)同工作為主要應用目標的分布式應用系統(tǒng)。它具有較強的實時性和空間約束性等特點，現(xiàn)場總線限制系統(tǒng)(FCS)是目前結構最典型、工業(yè)應用最廣泛的分布式測控系統(tǒng)[2]。分布式人工智能是近年來興起的新學科，是人工智能、學問工程、分布式計算、并行處理、計算機網(wǎng)絡和通訊技術交叉發(fā)展的產(chǎn)物。分布式人工智能運用人工智能技術，探討一組在地理上分散的、松散耦合的智能機構如何協(xié)調(diào)和組織，其學問、技能、目標和規(guī)劃以進行高效聯(lián)合求解。其探討包括并行人工智能、分布式學問系統(tǒng)二大部分。分布式人工智能系統(tǒng)具有潛在的并行處理實力，單個智能機構具有較高的自治性，整個系統(tǒng)具有較大的可擴展性和較高的牢靠性，具有共享學問和資源的實力，對學問的處理速度快、實力強等特點。其固有問題大致可分為如下四類：規(guī)則、合作、交替活動及信息采集等。其中，在規(guī)劃方面，智能機構必需確定何時解題或完成任務，以及何時懇求其它智能機構來幫助完成任務；在合作方面，智能機構確定何時中斷其現(xiàn)行工作，以滿意來自其它智能機構的懇求，或何時接受其它任務；在交替活動方面，智能機構應用有效的方法來交替完成這些活動。在信息采集方面，由于環(huán)境的動態(tài)特性及智能機構傳送信息的異步性，智能機構必需能夠確定何時以及用何種方法來更新自己的狀態(tài)，這種更新常用的方法有計算方法和通訊方法兩種。分布式人工智能的理論和技術發(fā)展為分布式測控系統(tǒng)實現(xiàn)人工智能限制供應了一條途徑。該技術是為解決大規(guī)模困難系統(tǒng)限制問題的智能求解而發(fā)展起來的，通過對問題的描述、分解和安排，構成分散的、面對特定問題的相對簡潔的子系統(tǒng)，并協(xié)調(diào)各子系統(tǒng)并行和相互協(xié)作地進行問題求解，其思想非常適合大規(guī)模限制問題的智能求解，是目前分布式人工智能領域的探討熱點，已被描述為設計和構建分布式困難工程應用系統(tǒng)的下一代模型[2]。隨著國家節(jié)能減排政策和落實要求，人工智能限制技術近年來已漸漸應用于城市大型建筑物中心空調(diào)系統(tǒng)，2007年重慶高校熱能工程系周洪煜博士論文探討了基于人工智能和專家系統(tǒng)的中心空調(diào)整能運行及故障診斷技術與實現(xiàn)[20]，針對中心空調(diào)系統(tǒng)存在的非線性和大的滯后,采納了創(chuàng)新的限制手段，在中心空調(diào)系統(tǒng)的運行限制中領先提出了先進的基于混合神經(jīng)網(wǎng)絡的非線性預料函數(shù)限制及SMITH預估限制算法，編制出限制算法軟件并將其應用到實際對象中，達到預期的限制效果，經(jīng)過實際運行對比測算，其節(jié)電效果達到30%以上，產(chǎn)生了良好經(jīng)濟的效益；河北工業(yè)高校劉作軍博士在智能建筑VAV空調(diào)系統(tǒng)的節(jié)能限制系統(tǒng)中采納分段限制方法，即分別在空調(diào)系統(tǒng)預冷階段，采納神經(jīng)網(wǎng)絡算法得出最佳預冷期；在空調(diào)系統(tǒng)調(diào)整限制階段，通過前饋方式提前調(diào)整變風限制量；在提前停機限制中，采納模糊限制的方法確定提前停機時間，取得了較好的節(jié)能限制效果[21]。目前軌道交通內(nèi)空調(diào)設備的限制系統(tǒng)智能化不夠，限制功能較簡潔，缺乏學習實力；同時現(xiàn)場設備間只能進行簡潔的協(xié)同工作，缺少有效的協(xié)調(diào)機制。單一的智能限制和分布式限制在集群式空調(diào)系統(tǒng)應用中均遇到不少難題，例如系統(tǒng)中單體優(yōu)化基礎上的全局優(yōu)化問題、單體或群體效用激勵機制的建立和實施等，影響到它們在軌道交通集群式空調(diào)系統(tǒng)中的推廣應用。隨著用戶對系統(tǒng)的實時性、自動性、智能性和網(wǎng)絡性等性能越來越高，空調(diào)限制系統(tǒng)進入了“分布式智能化時代”。尤其是圍繞整體系統(tǒng)按需供應的節(jié)能目標，對于集群式空調(diào)系統(tǒng)中的各個機組在動態(tài)環(huán)境下進行協(xié)調(diào)限制的提出，更要求各個機組的限制系統(tǒng)具有規(guī)范一樣的結構功能以及良好的交互性和協(xié)作性。因此，探討適合軌道交通空調(diào)系統(tǒng)要求的分布式智能測技術日益顯得必要和迫切。1.4功能描述此系統(tǒng)采納物聯(lián)網(wǎng)技術，將多組空調(diào)和電腦等經(jīng)紅外傳感器，嵌入式網(wǎng)關有機的組合在一起，由物聯(lián)網(wǎng)服務器將識別的信息經(jīng)過綜合處理與配方。便可實現(xiàn)地鐵空調(diào)系統(tǒng)節(jié)能的限制目標，對系統(tǒng)中若干個空調(diào)機組限制采納分布式人工智能限制策略，通過分布式人工智能方法動態(tài)地選擇和運用最有效的空調(diào)機運行模式和限制參數(shù)組。通過對人工智能限制方法的探討，達到既充分考慮候車人群對空調(diào)系統(tǒng)的需求，又滿意地鐵空調(diào)系統(tǒng)節(jié)能目標的協(xié)調(diào)限制策略，最終實現(xiàn)地鐵空調(diào)機組的優(yōu)化調(diào)整和高效節(jié)能。2方案創(chuàng)新點與難點方案創(chuàng)新點為本系統(tǒng)將重點探討和力求拓展基于分布式人工智能（DistributedArtificialIntelligence,DAI）理論，開展其在地鐵空調(diào)系統(tǒng)節(jié)能中的應用探討工作。其難點包括：1)將由多個獨立運行的多空調(diào)機組成的地鐵空調(diào)系統(tǒng)作為多智體系統(tǒng)（MultiAgentSystem,MAS），探討提高空調(diào)系統(tǒng)能效的協(xié)調(diào)運行機制，在進化算法中引入節(jié)能激勵因子，使由空調(diào)機組限制參數(shù)組成的染色體組合實現(xiàn)優(yōu)先進化的人工智能進化策略(EvolutionaryStrategy,ES)。2）基于人工智能統(tǒng)計回來分析理論（StatisticsRegressionAnalysis，SRA），探討視頻信號智能檢測與分析技術及其在地鐵站臺人群平均密度估算中的應用；探討依據(jù)人群密度估計等級進行溫濕度限制的模糊邏輯和限制策略。3）基于數(shù)據(jù)融合和數(shù)據(jù)挖掘技術對所獲數(shù)據(jù)進行選擇、探究和融合處理，探討和制定地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測與節(jié)能評估的管理方法。3系統(tǒng)實現(xiàn)原理建立站臺溫濕度無線傳感測量試驗系統(tǒng)，應用視頻圖像模糊神經(jīng)網(wǎng)絡自學習方法和圖像智能分析技術，實現(xiàn)站臺溫濕度分布測量、人群平均密度估計和模糊限制策略，通過試驗數(shù)據(jù)采集工作，建立地鐵站臺溫濕度測量、人群平均密度與多空調(diào)機組限制參數(shù)的數(shù)學模型。限制系統(tǒng)方框圖如圖3.1：圖中，人工智能限制器依據(jù)站臺人群平均密度估計結果，按很多、較多、正常、較少、很少5個等級隸屬度函數(shù)輸出模糊限制信號，即空調(diào)需求量輸入信號。人工智能MAS進化限制器依據(jù)站臺空調(diào)需求信號和節(jié)能激勵進化計算結果，輸出最優(yōu)限制參數(shù)組限制各空調(diào)機組的變頻器運行，通過站臺溫濕度傳感網(wǎng)絡反饋環(huán)節(jié)獲得限制效果，實現(xiàn)按需自動調(diào)整空調(diào)機組的節(jié)能限制目標。4硬件設計所用硬件：一體化智能球兩個,工業(yè)電腦一臺,海爾空調(diào)三臺,智能儀表,紅外接收、放射器,溫濕度傳感器……在這部分設計中，應將各部分電路細致連接，了解每一部分的特點，以及每一部分在整個設計中所起到的作用。5軟件設計5.1算法描述在多目標進化算法中引入節(jié)能激勵因子F，探討和制定空調(diào)機組限制參數(shù)組序列的進化策略，建立多目標優(yōu)化限制試驗系統(tǒng)，使由空調(diào)機組限制參數(shù)組成的染色體序列依據(jù)系統(tǒng)的節(jié)能限制目標滾動比較、選擇進化，實現(xiàn)節(jié)能限制參數(shù)組優(yōu)先進化的人工智能限制策略；進化限制策略的組成模塊示意圖見下圖5.1：上圖中，限制算法基于模型算法限制(MAC)由4個基本模塊組成主要包括內(nèi)部模型、能耗計量反饋校正、滾動優(yōu)化計算和能耗參考輸入軌跡四個部分。它采納基于脈沖響應的非參數(shù)模型作為內(nèi)部模型，用限制參數(shù)組作為輸入輸出信息，經(jīng)過用模型輸出誤差進行反饋校正以后，再與節(jié)能指標參考輸入軌跡進行比較，應用二次型性能指標進行滾動優(yōu)化，然后再計算出當前時刻下，應輸出到各單元限制系統(tǒng)的優(yōu)化限制參數(shù)組，完成整個限制循環(huán)。滾動優(yōu)化計算模塊組成框圖見下圖5.2：其中的滾動優(yōu)化計算模塊采納了多目標進化算法，核心技術是限制系統(tǒng)依據(jù)進化算法每代產(chǎn)生大量可行解和隱含的并行性這一特點設計一種決策優(yōu)化方法，基于排序的表現(xiàn)矩陣測度可行解，對節(jié)能目標總體表現(xiàn)好壞的向量進行比較和嘉獎。引入節(jié)能激勵因子F實現(xiàn)參數(shù)組序列優(yōu)先進化，以此提高該組參數(shù)的個體適應度，實現(xiàn)優(yōu)先進化；節(jié)能激勵因子；其中:g是激勵因子的代數(shù)，每次循環(huán)結束，依據(jù)求得的最優(yōu)解的狀況對g進行調(diào)整。其數(shù)學表達式為：g=0,算法求得最優(yōu)解仍在進化g=g+1,最優(yōu)解在次循環(huán)內(nèi)沒有明顯改進，且g+1≤gmaxg=gmax,其他個體適應度可以由參考資料中查找得到。其中j=1,2,3…N該算法通過一次計算即可得到問題的非劣解集，簡化了多目標問題的優(yōu)化求解步驟。優(yōu)化算法的主要步驟有適應度計算、進化概率計算和最優(yōu)解決策輸出。附圖1是地鐵10號線宋園路的大系統(tǒng)（站臺）空調(diào)系統(tǒng)圖。通過人工智能的限制方法，實現(xiàn)既充分考慮候車人群對空調(diào)系統(tǒng)溫濕度的需求，又滿意地鐵空調(diào)系統(tǒng)節(jié)能須要的協(xié)調(diào)限制目標，實現(xiàn)地鐵空調(diào)限制系統(tǒng)的柔性調(diào)整和高效節(jié)能。5.2軟件運用本系統(tǒng)在進行小規(guī)模的試驗時用到了如下的幾個主要軟件，下面來分別簡潔介紹。如下圖5.3所示，這個是北京漢邦高科公司的視頻監(jiān)控軟件界面圖，可以通過該軟件同時監(jiān)測2一體式球形攝像機的工作狀況。下圖5.4為北京漢邦高科公司的視頻監(jiān)控軟件有能夠依據(jù)視頻中人群密度的大小來推斷是否須要報警的功能。下圖5.5為設置該軟件中人群平均密度水平分析的功能，設定須要報警的區(qū)域時的畫面情形（藍色框內(nèi)為報警區(qū)域）。下圖5.6為對三臺變頻空調(diào)的限制，包括有開機、關機的限制，溫度的調(diào)控，同時也能檢測到當前環(huán)境中三個不同地域的溫度和濕度。下圖5.7為丹東華通測控公司的智能儀表在線監(jiān)控軟件。該軟件能夠在工業(yè)限制計算機上看到實時的三相電壓、電流、有功功率、無功功率及功率因數(shù)等參數(shù)。下圖5.8為丹東華通測控公司的智能儀表在線監(jiān)控軟件的通訊端口的設置（當前設為com6）。下圖5.9為通過對該軟件端口設置后，點開在線設備檢測的功能，將看到在線的智能電表。下圖5.10為智能電表的三相的各種參數(shù)。下圖5.11組態(tài)軟件，該軟件可以將不同通訊方式的設備連接在一起，從而可以同時的實時的視察各個設備的運作狀況，也能夠限制各個在線的設備。這樣就可以達到多目標的優(yōu)化處理和對本系統(tǒng)節(jié)能性能評估的目的。6系統(tǒng)測試及結果6.1地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析目前地鐵站臺的空調(diào)負荷都是依據(jù)額定工況計算的，乘客散熱負荷也是按站臺定員條件進行計算。然而在實際運行時地鐵站臺的乘客數(shù)量是不斷改變的，并且大部分時間內(nèi)少于定員人數(shù)，所以在乘客散熱負荷中存在著節(jié)能潛力。為了探討乘客散熱負荷的節(jié)能量，進而實現(xiàn)地鐵站臺空調(diào)系統(tǒng)的節(jié)能，須要分析地鐵站臺候車乘客散熱負荷的節(jié)能潛力。依據(jù)統(tǒng)計資料，上海地鐵的實時客流量具有明顯的峰值時間，大部分時間內(nèi)乘客人數(shù)少于定員人數(shù)。統(tǒng)計時間為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)計的數(shù)據(jù)為站臺候車乘客數(shù)和運行時間，統(tǒng)計狀況如下圖6.1所示。地鐵站臺的乘客散熱負荷由人均散熱負荷q和平均人群密度δ確定，人均散熱負荷q可以參照有關的標準，而站臺平均人群密度δ則是不斷改變的。以實際統(tǒng)計的客流量為基礎，計算地鐵站臺上候車乘客的散熱負荷，并與額定工況下的定員散熱負荷進行比較，分析整個制冷季節(jié)的乘客散熱負荷的節(jié)能潛力。6.1.1站臺定員時的乘客散熱負荷計算站臺定員時的乘客散熱負荷計算公式為：Qe=q·N·n·T(1)式中：Qe—列車定員時的乘客散熱負荷，kWh；N—候車乘客數(shù)量，人；q—人均散熱量，取0.1163kW/人；n—集群系數(shù)，n=0.955；T—額定工況下站臺的營運時間是從6：00~22：00，即T=16小時。N=S·δ(2)式中：S—站臺候車面積，m2δ—平均人群密度，人/m2定員狀況下，平均人群密度δe=1人/m2；以1600m2候車區(qū)域(長200米，寬8米)雙向候車的站臺為例，計算候車乘客散熱負荷的節(jié)能量。則全天運行時間內(nèi)站臺定員時的乘客散熱負荷為：Qe=q·Ne·n·T=0.1163×1600×0.955×16=2843.30（kWh）6.1.2工作日候車乘客的散熱負荷計算在工作日，依據(jù)每天營運時間內(nèi)該站臺在不同時段內(nèi)的站臺候車人數(shù)，如下圖6.2：可測算出站臺平均人群密度：δs1≈0.5人/m2；則工作日候車乘客散熱負荷為：Qs1=q·Ns1·n·T=0.1163×800×0.955×16=1421.65（kWh）因此在工作日里，站臺全天實際的候車乘客散熱負荷的節(jié)能量：Qe‐Qs1=2843.3‐1421.65=1421.65（kWh）該節(jié)能量占站臺定員時乘客散熱負荷的百分比：（Qe‐Qs1）/Qe=50%6.1.3站臺非工作日候車乘客散熱負荷計算在地鐵站臺非工作日實際狀況下，每天營運時間T內(nèi)的站臺候車人數(shù)統(tǒng)計如下圖6.3：可測算出站臺平均人群密度：δs2≈0.3人/m2；則非工作日乘客散熱負荷為：Qs2=q·Ns2·n·T=0.1163×480×0.955×16=852.99（kWh）因此在非工作日里，站臺全天實際的乘客散熱負荷的節(jié)能量：Qe‐Qs2=2843.30‐852.99=1990.31（kWh）該節(jié)能量占站臺定員時乘客散熱負荷的百分比：（Qe‐Qs2）/Qe=70.00%6.1.4冷季節(jié)里的站臺空調(diào)系統(tǒng)節(jié)能量計算以每年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，所以整個制冷季乘客散熱負荷的節(jié)能量：Qss=（Qe‐Qs1）·109+（Qe‐Qs2）·43=240543.18kWh該地鐵站臺設計裝備4個空調(diào)機組，在額定工況下每一個機組的制冷量為42kW。假定站臺空調(diào)系統(tǒng)3個機組全天運行，則整個制冷季節(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）因此整個制冷季節(jié)中實際的乘客散熱負荷的節(jié)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，地鐵站臺空調(diào)負荷中的乘客散熱負荷具有很大的節(jié)能潛力。因此，在工作日和非工作日的地鐵運營時間內(nèi)，依據(jù)站臺實際的平均人群密度δ計算，實際的乘客散熱負荷的節(jié)能量分別占定員乘客散熱負荷的50%和70%，整個制冷季節(jié)153天內(nèi)實際的乘客散熱負荷的節(jié)能量約占空調(diào)系統(tǒng)額定制冷量的58.49%，可見對地鐵站臺空調(diào)系統(tǒng)而言，乘客散熱負荷是有很大節(jié)能潛力的。假如能改進站臺多空調(diào)機組的限制策略，使空調(diào)機組產(chǎn)生的制冷量緊密跟隨實際的站臺候車乘客散熱負荷，則能進一步提高地鐵站臺空調(diào)系統(tǒng)的節(jié)能量。6.2測量與限制方案的可行性探討6.2.1分布式參數(shù)測量技術探討與應用1）地鐵站臺分布式溫濕度測量技術探討與應用建筑物內(nèi)的溫濕度信號具有可測性和可控性，但精確測量的難度在于它的分布特性，精確限制的難度在于它的數(shù)學測量模型具有模糊性和滯后性。依據(jù)國家建設部《通風與空調(diào)工程施工質(zhì)量驗收規(guī)范》(建標［2002］60號)B6.3項的規(guī)定：本系統(tǒng)可應用國內(nèi)現(xiàn)有的“點式”溫濕度測量技術?？紤]試驗階段建筑物布線等問題，采納無線傳感方式進行數(shù)據(jù)采集，現(xiàn)場測量端采納嵌入式系統(tǒng)完成信號采集、處理和無線傳輸，由接收器采集各點的溫濕度信號送入上位計算機，通過分布式測量方法實時獲得站臺內(nèi)舒適度的整體測量狀況，建立地鐵站臺空調(diào)溫濕度測量與限制的數(shù)學模型?？紤]到今后的功能擴展，如空氣質(zhì)量檢測、可燃氣體含量檢測和有毒有害氣體檢測等須要，現(xiàn)場測量設備采納信號處理實力較強的CPU芯片及外圍電路組成的測量端，信號傳輸協(xié)議采納抗干擾實力較強的Zig‐Bee協(xié)議，同時傳輸過程采納硬件中繼方式，保障測量信號的正常傳輸。在此基礎上，本系統(tǒng)將深化探討連續(xù)分布式光纖溫濕度測量技術，建立候車站臺溫濕度與人體舒適度的對應關系，以實際空調(diào)量需求為目標，向限制系統(tǒng)供應符合實際的分布式測量數(shù)據(jù)，使限制決策更加經(jīng)濟合理。連續(xù)分布式光纖溫濕度測量技術是將來取代目前國內(nèi)普遍采納的“點式傳感”的測量技術。目前在英國倫敦地鐵、等得到廣泛應用，同時可用于地鐵站臺及交通隧道火災監(jiān)測、鋼軌應變測量等傳感領域。地鐵站臺人群平均密度估計近年來．隨著計算機視覺和人工智能領域相關技術的發(fā)展，基于智能視頻分析的人群密度估計和流量統(tǒng)計算法大量涌現(xiàn)。很多人群監(jiān)控系統(tǒng)也相繼在世界各地投入運用。如1995年，倫敦地鐵最早采納了人群監(jiān)控系統(tǒng)，用以統(tǒng)計地鐵站中的人群密度和流量統(tǒng)計，預防平安事故的發(fā)生。2003年歐洲相繼通過閉路電視系統(tǒng)進行人群流量統(tǒng)計，進而改善公共交通的管理。另一方面，由于受到恐怖事務的威逼，一些國家和地區(qū)相繼啟動了進行基于視頻分析的群體平安分析系統(tǒng)[22]。1999年，W．S．Chowt教授利用經(jīng)過訓練的神經(jīng)網(wǎng)絡來分析人群特征。極大地提高了人群分析的精確性，該方法已于2002年在香港地鐵系統(tǒng)中得到運用[27]。隨著機器學習的發(fā)展．Chow和Marana教授分別利用分類性和自學習性能更佳的RBF神經(jīng)網(wǎng)絡[28]和自組織映射神經(jīng)網(wǎng)絡(SOM)實現(xiàn)人群密度分析[29]。近年來隨著支持向量機(SVM)理論的逐步完善，其優(yōu)良的性能已經(jīng)被越來越多地應用到人群密度的分析當中[22]。通過分布在地鐵站臺上多個攝像探頭采集的視頻圖像，依據(jù)計算機圖像處理方法，通過模糊神經(jīng)網(wǎng)絡在模擬人類神經(jīng)系統(tǒng)處理模糊信息的功能方面具有獨特的優(yōu)勢，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，實現(xiàn)圖像智能分析與平均人群密度估計[23]。本系統(tǒng)采納統(tǒng)計回來的方法實現(xiàn)地鐵站臺的人群平均密度估計，該方法適用于大范圍，固定場景以及固定攝像位置的狀況[30]。Chan教授將人群的流量近似為一個高斯過程。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)關系即回來方程如下：式中第一項代表了一個總體趨勢，即主要由像素信息確定：其次項代表了非線性關系．主要由紋理信息確定；第三項代表了觀測噪聲項。目前已在試驗室建立了試驗系統(tǒng)，初步實現(xiàn)了兩個區(qū)域的圖像采集和模糊人群密度估計。3）模糊限制邏輯設計模糊限制的實現(xiàn)基本上有兩種方法。第一種方法涉及到模糊化、限制規(guī)則評價和解模糊的嚴格實時數(shù)學計算，這是被廣泛認可的方法，在后面的應用例子中將進行描述。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，可以開發(fā)一個高效的C程序?qū)崿F(xiàn)模糊限制。該程序被編輯，其目標程序被寫入DSP中用于執(zhí)行。采納商業(yè)化的ASIC芯片也能實現(xiàn)模糊限制。其次種方法是查表法。該方法將事先已完成的全部輸入/輸出靜態(tài)映射計算結果（包括模糊化、限制規(guī)則的評價和解模糊）存儲在一個大的查詢表中，用以實時執(zhí)行。有時不僅只有一張查詢表，還可有各種等級（粗糙、中等、精致）的查詢表。當用于精確限制時，查詢表須要大量的存儲空間，但其執(zhí)行速度很快。人工神經(jīng)網(wǎng)絡也可被訓練用來模擬模糊限制器。6.2.2多機組空調(diào)系統(tǒng)優(yōu)化限制策略可行性探討空氣調(diào)整器能效限定值及能效等級是空調(diào)系統(tǒng)節(jié)能限制的重要評估指標。能效比是指空調(diào)器在制冷運行時，制冷量與有效輸入功率之比。能效比數(shù)值的大小，事實上反映出了空調(diào)器產(chǎn)品每消耗1000W電功率時，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)能狀況。能效比數(shù)值越大，表明該產(chǎn)品運用時所須要消耗的電功率就越小，則在單位時間內(nèi)，該空調(diào)器產(chǎn)品的耗電量也就相對越少。2010年2月26日，我國發(fā)布了新居間空調(diào)器能效標準GB12021.3‐2010《房間空氣調(diào)整器能效限定值及能效等級》，取代2004年發(fā)布的GB12021.3‐2004，該標準已于2010年6月1日實施。標準規(guī)定了房間空調(diào)器的能效限定值、能效等級、節(jié)能評價值、試驗方法和檢驗規(guī)則。標準適用于空氣冷卻冷凝器、全封閉型電動機‐壓縮機，制冷量在14000W及以下，氣候類型為T1的空調(diào)器，但不適用于移動式、轉(zhuǎn)速可控型、多聯(lián)式空調(diào)機組。能效比的測試方法依據(jù)GB/T7725‐2004《房間空氣調(diào)整器》進行。電熱絲的能效比只能達到1:1，即消耗1千瓦的電力，產(chǎn)生1千瓦的熱能?？照{(diào)在全部制熱產(chǎn)品中的能效比最高，可以達到1:3左右，即消耗1千瓦的電力，能夠移動3千瓦左右的熱量，所以空調(diào)整能省電。空調(diào)器的能效比，就是名義制冷量(制熱量)與運行功率之比，即EER和COP。(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。(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。(3)數(shù)學表達式為：EER=制冷量/制冷消耗功率COP=制熱量/制熱消耗功率(4)EER和COP越高，空調(diào)器能耗越小，性能比越高。空調(diào)能效比越高就越省電，家里也就越省錢。為了迎合消費者的這一消費新需求，空調(diào)廠家有關空調(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始終到了7.0，究竟要不要立刻追著能效比買空調(diào)?目前我國空調(diào)市場的能效比數(shù)據(jù)比較混亂，中國空調(diào)能效比的認證還沒有出臺，國家還沒有相關的標準，因此不好衡量。廠家在市場上宣揚的數(shù)據(jù)基本上都是廠家自報的數(shù)據(jù)，并且這些數(shù)據(jù)都是從試驗室得來的，帶有極大的商業(yè)傾向性。此外，相關參數(shù)具有國別差異，不同國家產(chǎn)品之間的能效比之間存在不小的差異，比如說，中國出售的日本變頻空調(diào)，其電壓、冷媒都與國內(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。空調(diào)的能效比越高就越省電，但對家庭來說不肯定會達到省錢的目的。這是因為高能效比空調(diào)的成本太高，其價格是一般空調(diào)的10倍多，并且短時期內(nèi)難以下降，依據(jù)12年的壽命計算，高能效比空調(diào)終生省下的電費難以抵消其本身的購買差價。在日本，能效比最高的空調(diào)售價在30萬日元以上，而一般的變頻空調(diào)的售價則為2.9萬日元，相差了10倍多。因為價格奇高，95%的日本家庭還是選擇了一般的變頻空調(diào)。由此推斷，高能效比空調(diào)短時間在中國更是難進家門。買空調(diào)關鍵要看性能價格比。購買空調(diào)的關鍵因素不是空調(diào)的能效比高不高，任何時候須要關注的是空調(diào)的性能價格比，也就是質(zhì)量穩(wěn)定性，功能的先進性以及購買價格的經(jīng)濟性與運行的經(jīng)濟性，此外還要看購買與運行的經(jīng)濟性，也就是說功能先進的空調(diào)能買得起并且能用的起等因素?？偠灾?，花最少的錢買最好的空調(diào)是消費者選擇空調(diào)的硬道理。限制目標：在限制過程中，首先保證單臺機組工作在額定工作狀態(tài)，能效等級達到國家標準1級，協(xié)調(diào)限制空調(diào)系統(tǒng)內(nèi)各機組依據(jù)優(yōu)化后的限制參數(shù)運行，使整體空調(diào)系統(tǒng)能效等級達到1級。為了實現(xiàn)多機組空調(diào)系統(tǒng)的節(jié)能目標，須要在限制參數(shù)組進化過程中引入節(jié)能激勵因子F，對限制參數(shù)組的運行方式及限制目標進行調(diào)整，因此須要對現(xiàn)有的多目標進化算法進行改進詳細思路是：在進化過程中，通過節(jié)能激勵因子F調(diào)整空調(diào)系統(tǒng)限制參數(shù)序列被選擇的概率值，節(jié)能激勵因子F值越大，被選擇的概率越大，使由節(jié)能效率高的空調(diào)機組限制參數(shù)組成的染色體組合實現(xiàn)優(yōu)先進化。算法的仿真結果如下圖6.5：上圖表明白進化算法的收斂性，在初始時進化的進度比率相對較高，經(jīng)過數(shù)代進化后則漸漸趨近于0，說明最終種群已經(jīng)接近Pareto解集。算法仿真結果表明：系統(tǒng)的魯棒性較強，不易陷入局部微小，而且在運行時間方面，同樣達到進化算法最優(yōu)解的質(zhì)量水平，所用時間短，收斂速度較快。6.2.3地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測與節(jié)能評估可行性探討為了實現(xiàn)地鐵空調(diào)限制系統(tǒng)的柔性調(diào)整和高效節(jié)能，本系統(tǒng)通過人工智能的限制方法實現(xiàn)既充分考慮候車人群對空調(diào)舒適度的需求，又滿意地鐵空調(diào)系統(tǒng)節(jié)能須要的協(xié)調(diào)限制目標，須要探討和設計一個空調(diào)系統(tǒng)能量管理系統(tǒng)節(jié)能監(jiān)測及評估系統(tǒng)作為空調(diào)限制系統(tǒng)最優(yōu)解的質(zhì)量反饋環(huán)節(jié)實現(xiàn)閉環(huán)限制。6.3試驗方案依據(jù)本系統(tǒng)探討目標和內(nèi)容，建立試驗室小型試驗系統(tǒng)。采納高清楚攝像頭采集人群密度圖像；采納無線檢測系統(tǒng)獲得環(huán)境溫濕度信號；采納智能電表采集空調(diào)系統(tǒng)電流、電壓和功率等用電信息；采納工業(yè)限制計算機通過以太網(wǎng)實現(xiàn)智能變頻空調(diào)。試驗方案如下圖6.6：由于空調(diào)，攝像頭，智能儀表，工控機等已安裝于試驗室小型試驗系統(tǒng),無法帶到現(xiàn)場，在接下來的演示中我們用仿真代替。7設計總結及改進措施1．增大人群密度檢測的精確度，便于后續(xù)更好地計算和限制；2．改進模糊限制的隸屬度函數(shù)，使電腦能進行更有效地推斷；3．在可控范圍內(nèi)增加加快多目標優(yōu)化的收斂速度，使此方案更加節(jié)能環(huán)保。8心得體會通過這幾天的物聯(lián)網(wǎng)工程實訓，讓我慢慢進入了物聯(lián)網(wǎng)的世界。在這幾天的時間里，我們第一次進入了物聯(lián)網(wǎng)試驗室，由此，物聯(lián)網(wǎng)工程那一層神奇的面紗也被揭開了。我們了解了物聯(lián)網(wǎng)工程的大體走向，了解了它的基本構成以及基本應用，才發(fā)覺，在我們的生活中，它無處不在。在這次課程設計中，我們遇到了很多困難，也遇到了一些學問上的盲點，但是，我們并沒有放棄，我們通過上網(wǎng)查找資料等方式，來彌補我們在學問方面的不足。這次課設讓我受益匪淺，無論從學問上還是其他的各個方面。我們并沒有真正的接觸過物聯(lián)網(wǎng)，只能從理論的角度去理解枯燥乏味。但在課設中見過甚至接觸了物聯(lián)網(wǎng)簡潔模型，能夠理論聯(lián)系實際的學習，開闊了眼界，提高了物聯(lián)網(wǎng)學問的理解和水平。在這次課程設計中又讓我體會到了合作與團結的力氣，當遇到不會或是設計不出來的地方，我們就會在QQ群里探討或者是同學之間相互幫助。團結就是力氣，無論在現(xiàn)在的學習中還是在以后的工作中，團結都是至關重要的，有了團結會有更多的理念、更多的思維、更多的情感。參考文獻[1]史忠植.智能主體及其應用[M].北京:科學出版社,2000.[2]蔡自興.艾真體‐分布式人工智能探討的新課題[J].計算機科學，2002，29（12）：123~126.[3]SrovalV.,NevrivaP.Distributedcontrolsystemsofpipelinenetworksusingmulti‐agenttechnologies[A].Proceedingsofthe2ndIFAC/IFIP/IEEEConferenceonManagementandControlofProductionandLogistics[C].ElsevierScience,2001:1093~1099.[4]BlakeM.B.Rule‐drivencoordonationagents:aself‐configurableagentarthitedturefordistributedcontrol[A].Proceedingsofthe5thInter.SymposiumonAutonomousDecentralizedSystems(ISADS2001)[C].IEEEPress,2001:271~277.[5]BrennanR.W.,FletcherM.,NorrieD.H.Anagent‐basedapproachtoreconfigurationofreal‐timedistributedcontrolsystems[J].IEEETransactionsonRoboticsandAutomation,2002,18(4):444~451.[6]MaturanaF.,StaronR.,TichyP.,etal.Autonomousagentarthitectureforindustrialdistributedcontrol[A].Preceedingsofthe56thMeetingoftheSocietyforMachineryFailurePreventionTechnology[C].IEEEPress,2002:147~156.[7]ShehoryO.,KrausS.Coalitionformationamongautonomousagents:Strategyandcomplexity.In:CastelFranchis,PmullerJ.(Eds.).FromReactiontoCognition,LectureNotesinArtificialIntelligence,Berlin:Springer,1993:57~72.[8]ShehoryO.,KrausS.Taskallocationviacoalitionformationamongautonomousagents[A].Proc.ofIJCAI‐95[C].LosAngeles,CA,USA:MorganKaufmannPublishers,1995:655~661.[9]ShehoryO.,KrausS.Akernel‐orientedmodelforcoalition