《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.doc》由會(huì)員分享，可在線閱讀，更多相關(guān)《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.doc（27頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、 遼 寧 工 業(yè) 大 學(xué)物聯(lián)網(wǎng)工程 課程設(shè)計(jì)（論文） 題目：基于信息智能處理的軌道交通節(jié)能控制系統(tǒng) 學(xué) 院： 電子與信息工程學(xué)院 專業(yè)班級(jí)： 學(xué) 號(hào)： 學(xué)生姓名： 指導(dǎo)教師： 教師職稱： 起止時(shí)間： 課程設(shè)計(jì)（論文）任務(wù)及評(píng)語學(xué) 院： 教研室：學(xué) 號(hào)學(xué)生姓名專業(yè)班級(jí)課程設(shè)計(jì)（論 文）題 目基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)課程設(shè)計(jì)（論文）任務(wù)為了達(dá)到空調(diào)系統(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

2、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。本系統(tǒng)應(yīng)用于交通節(jié)能控制系統(tǒng)，主要分為兩部分，一是硬件設(shè)計(jì)，二是軟件編寫，該同學(xué)負(fù)責(zé)軟件設(shè)計(jì)。指導(dǎo)教師評(píng)語及成績(jī)成績(jī)： 指導(dǎo)教師簽字： 年 月 日 遼寧工業(yè)大學(xué)課程設(shè)計(jì)說明書（論文）目錄 摘 要11 方案概述21.1 背景21.2 應(yīng)用領(lǐng)域31.3 國(guó)內(nèi)外研究現(xiàn)狀3 1.4 功能描述62 方案創(chuàng)新點(diǎn)與難點(diǎn)73 系統(tǒng)實(shí)現(xiàn)原理84 硬件設(shè)計(jì)95 軟件設(shè)計(jì)105.1 算法描述105.2 軟件運(yùn)用116 系統(tǒng)測(cè)試及結(jié)果176.1 地鐵站臺(tái)空調(diào)系統(tǒng)節(jié)能潛力分析176.1.1 站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算176.1.2 工作日候車乘客的散熱負(fù)荷

3、計(jì)算186.1.3 站臺(tái)非工作日候車乘客散熱負(fù)荷計(jì)算186.1.4 冷季節(jié)里的站臺(tái)空調(diào)系統(tǒng)節(jié)能量計(jì)算196.2 測(cè)量與控制方案的可行性研究196.2.1 分布式參數(shù)測(cè)量技術(shù)研究與應(yīng)用196.3 試驗(yàn)方案247 設(shè)計(jì)總結(jié)及改進(jìn)措施258 心得體會(huì)26參考文獻(xiàn)27 基于信息智能處理的軌道交通節(jié)能 控制系統(tǒng) 摘 要為了達(dá)到空調(diào)系統(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

4、地鐵空調(diào)系統(tǒng)的能源消耗。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)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(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530 萬客流，這個(gè)數(shù)字，占城市公共交通運(yùn)送比例近四成。每天超過500 萬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。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

5、較，軌道交通的能耗只相當(dāng)于小汽車的1/9，公交車的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%。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，成為降低上海城市軌道交通運(yùn)營(yíng)成本的一個(gè)有效途徑。據(jù)統(tǒng)計(jì)，地鐵能耗的84%集

6、中在車輛系統(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%。以開通的地鐵5 號(hào)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(dòng)車組普遍采用“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輛吸收，如不能被吸收則轉(zhuǎn)換為電阻或空氣制動(dòng)，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 萬度以上。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)致車站土建

7、規(guī)模大、投資高、運(yùn)行費(fèi)用大。地下車站通風(fēng)空調(diào)機(jī)房面積在12002500 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(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%。通過對(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)：在車輛系統(tǒng)用電方面，車輛制動(dòng)能量損耗缺乏有效控制，亟需在全電制動(dòng)停車控制系統(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)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)等方面開展研發(fā)和應(yīng)用，建

8、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)能耗的節(jié)能技術(shù)和產(chǎn)品。1.2 應(yīng)用領(lǐng)域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到y(tǒng)。1.3 國(guó)內(nèi)外研究現(xiàn)狀近年來，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multiagent 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，Brennan 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

9、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)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，研究基于多Agent的分布式控制系

10、統(tǒng)中智能模塊的自重構(gòu)、自修復(fù)理論與方法14、15、16、17；合肥工業(yè)大學(xué)蔣建國(guó)教授和夏娜博士開展了基于MAS 的分布式控制系統(tǒng)中的協(xié)同策略研究，并先后得到教育部基金和2005 年國(guó)家自然科學(xué)基金的資助24、25、26、10；浙江大學(xué)的劉海龍博士在其畢業(yè)論文中采用multiagent 理論方法，著重探討了動(dòng)態(tài)環(huán)境下分布式智能系統(tǒng)中的任務(wù)協(xié)作問題18。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)化的問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

11、Networks,ANN）、模糊邏輯（Fuzzy Logic,FL）相結(jié)合57，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)（GAListRequestaic.nrl.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。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，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（Evolution

12、ary Computation Repository Network）。通過這幾個(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，遺傳算法迎來了興盛發(fā)展時(shí)期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用領(lǐng)域也不斷擴(kuò)大。目前遺傳算法所涉及的主要

13、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Goldberg 教授早在1989 年就出版了目前被認(rèn)為是進(jìn)化算法最經(jīng)典、最全面的教 科書。國(guó)內(nèi)自20 世紀(jì)90 年代以來對(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，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 年代以來一直處于不斷上升的時(shí)期，特別是近年來，遺傳算法的應(yīng)用在許多領(lǐng)域

14、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，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，同時(shí)國(guó)內(nèi)相關(guān)書籍也越來越多，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、曹立明編寫的遺傳算法理論、應(yīng)用與軟件實(shí)現(xiàn)等等

15、。同時(shí)國(guó)內(nèi)也出現(xiàn)有關(guān)遺傳算法的論壇，有http:/ 百思論壇，研學(xué)論壇 等都是很好的學(xué)習(xí)交流論壇。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)中通過網(wǎng)絡(luò)通信來開發(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。分布式人工智能是近年來興起的新學(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

16、。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。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。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，以滿足來自其它智能機(jī)構(gòu)的請(qǐng)求，或何時(shí)接

17、受其它任務(wù)；在交替活動(dòng)方面，智能機(jī)構(gòu)應(yīng)用有效的方法來交替完成這些活動(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。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)控制問題的智能求解而發(fā)展起來的，通過對(duì)問題的描述、分解和分配，構(gòu)成分散的、面向特定問題的相對(duì)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)行問題求解，其思想十分適合大規(guī)?？刂茊栴}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)

18、用系統(tǒng)的下一代模型2。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)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

19、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。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)性等性能越來越高，空

20、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。1.4 功能描述此系統(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。通過對(duì)人工

21、智能控制方法的研究，達(dá)到既充分考慮候車人群對(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。2 方案創(chuàng)新點(diǎn)與難點(diǎn)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，開展其在地鐵空調(diào)系統(tǒng)節(jié)能中的應(yīng)用研究工作。其難點(diǎn)包括：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)

22、化策略(Evolutionary Strategy, ES)。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。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)與節(jié)能評(píng)估的管理方法。3 系統(tǒng)實(shí)現(xiàn)原理建立站臺(tái)溫濕度無線傳感測(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，通過實(shí)驗(yàn)數(shù)據(jù)采

23、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：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)。4 硬件設(shè)計(jì)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

24、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。5 軟件設(shè)計(jì)5.1 算法描述在多目標(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下圖5.1：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)過用模型輸出誤差進(jìn)行反饋校正以后，

25、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)。滾動(dòng)優(yōu)化計(jì)算模塊組成框圖見下圖5.2：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)。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：g=

26、0,算法求得最優(yōu)解仍在進(jìn)化 g=g+1,最優(yōu)解在 次循環(huán)內(nèi)沒有明顯改進(jìn)，且g+1gmax g=gmax,其他個(gè)體適應(yīng)度可以由參考資料中查找得到。其中j=1,2,3N該算法通過一次計(jì)算即可得到問題的非劣解集，簡(jiǎn)化了多目標(biāo)問題的優(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。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。通過人工智能的控制方法，實(shí)現(xiàn)既充分考慮候車人群對(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。5.2 軟件運(yùn)用本系統(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，下面來分別簡(jiǎn)單介紹。

27、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。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判斷是否需要報(bào)警的功能。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)的畫面情形（藍(lán)色框內(nèi)為報(bào)警區(qū)域）。下圖5.6 為對(duì)三臺(tái)變頻空調(diào)的控制，包括有開機(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)境中三個(gè)不同地域的溫度和濕度。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、無功功率及功率因數(shù)等參數(shù)。下圖5.8

28、 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）。下圖5.9 為通過對(duì)該軟件端口設(shè)置后，點(diǎn)開在線設(shè)備檢測(cè)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(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。6 系統(tǒng)測(cè)試及結(jié)果6.1 地鐵站臺(tái)空調(diào)系統(tǒng)節(jié)能潛力分析目前地鐵站臺(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)

29、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，需要分析地鐵站臺(tái)候車乘客散熱負(fù)荷的節(jié)能潛力。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6：0022：00。所統(tǒng)計(jì)的數(shù)據(jù)為站臺(tái)候車乘客數(shù)和運(yùn)行時(shí)間，統(tǒng)計(jì)情況如下圖6.1 所示。地鐵站臺(tái)的乘客散熱負(fù)荷由人均散熱負(fù)荷q 和平均人群密度決定，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)

30、上候車乘客的散熱負(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。6.1.1 站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算站臺(tái)定員時(shí)的乘客散熱負(fù)荷計(jì)算公式為：Qe = qN n T(1) 式中： Qe 列車定員時(shí)的乘客散熱負(fù)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(tái)的營(yíng)運(yùn)時(shí)間是從 6：0022：00，即 T=16 小時(shí)。N=S(2) 式中： S 站臺(tái)候車面積，m2平均人群密度，人/m2定員情況下，平均人群密度e=1 人/m2；以1600m2 候車區(qū)域(長(zhǎng)200 米，寬8 米)雙向候車的站臺(tái)為

31、例，計(jì)算候車乘客散熱負(fù)荷的節(jié)能量。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：Qe = qNe 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(fù)荷計(jì)算在工作日，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)候車人數(shù)，如下圖6.2：可測(cè)算出站臺(tái)平均人群密度：s10.5 人/m2；則工作日候車乘客散熱負(fù)荷為：Qs1 = qNs1 n T =0.1163 800 0.955 16=1421.65 （kWh）因此在工作日里，站臺(tái)全天實(shí)際的候車乘客散熱負(fù)荷的節(jié)能量：Qe Qs1=2843.31421.65=1421.65 （kWh）該節(jié)能量占站臺(tái)

32、定員時(shí)乘客散熱負(fù)荷的百分比：（Qe Qs1）/ Qe=50%6.1.3 站臺(tái)非工作日候車乘客散熱負(fù)荷計(jì)算在地鐵站臺(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)候車人數(shù)統(tǒng)計(jì)如下圖6.3：可測(cè)算出站臺(tái)平均人群密度：s20.3 人/m2；則非工作日乘客散熱負(fù)荷為：Qs2 = qNs2n T =0.1163 480 0.955 16=852.99 （kWh）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：Qe Qs2=2843.30852.99=1990.31 （kWh）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 Qs2）/ Qe=70.00%6.1.4 冷季節(jié)里的站臺(tái)空調(diào)系統(tǒng)節(jié)能量計(jì)算以

33、 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：Qss = （Qe Qs1）109+（ Qe Qs2 ）43=240543.18kWh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 416153=411264（kWh）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)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(tái)空調(diào)負(fù)荷中的乘客散熱

34、負(fù)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(yùn)營(yíng)時(shí)間內(nèi)，根據(jù)站臺(tái)實(shí)際的平均人群密度計(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%，可見對(duì)地鐵站臺(tái)空調(diào)系統(tǒng)而言，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。6.2 測(cè)量與控制方案的可行性研究6.2.1 分布式參數(shù)測(cè)量技術(shù)研究與應(yīng)用1）地鐵站臺(tái)分布式溫濕度測(cè)量技術(shù)研究與應(yīng)用建筑物內(nèi)的溫濕度信號(hào)具有可測(cè)性和可控

35、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。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)200260 號(hào))B6.3 項(xiàng)的規(guī)定：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題，采用無線傳感方式進(jìn)行數(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CP

36、U 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ZigBee 協(xié)議，同時(shí)傳輸過程采用硬件中繼方式，保障測(cè)量信號(hào)的正常傳輸。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。2） 地鐵站臺(tái)人群平均密度估計(jì)近年來隨著計(jì)算機(jī)視覺和人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展，基于智能視頻分析

37、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理。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，WSChowt 教授利用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來分析人群特征。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RB

38、F 神經(jīng)網(wǎng)絡(luò)28和自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)實(shí)現(xiàn)人群密度分析29。近年來隨著支持向量機(jī)(SVM)理論的逐步完善，其優(yōu)良的性能已經(jīng)被越來越多地應(yīng)用到人群密度的分析當(dāng)中22。通過分布在地鐵站臺(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)高斯過程。綜合利用人群的像素和紋理信息

39、。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：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)了兩個(gè)區(qū)域的圖像采集和模糊人群密度估計(jì)。3）模糊控制邏輯設(shè)計(jì)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)程序被寫入DSP 中用于執(zhí)行。采用商業(yè)化的ASIC 芯片也

40、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。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)練用來模擬模糊控制器。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

41、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，則在單位時(shí)間內(nèi)，該空調(diào)器產(chǎn)品的耗電量也就相對(duì)越少。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 12021.32010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 12021.32004，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)，制冷量在14000 W 及以下，氣候類型為T1 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G

42、B/T 77252004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?？照{(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。空調(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。(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(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(4) EER 和COP 越高，空調(diào)器能耗越小，性能比越

43、高?？照{(diào)能效比越高就越省電，家里也就越省錢。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)證還沒有出臺(tái)，國(guó)家還沒有相關(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)，并且這些數(shù)據(jù)都是從實(shí)驗(yàn)室得來的，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，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。空

44、調(diào)的能效比越高就越省電，但對(duì)家庭來說不一定會(huì)達(dá)到省錢的目的。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買差價(jià)。在日本，能效比最高的空調(diào)售價(jià)在30 萬日元以上，而一般的變頻空調(diào)的售價(jià)則為2.9 萬日元，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。買空調(diào)關(guān)鍵要看性能價(jià)格比。購買空調(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)定性，功能的先進(jìn)性以及購買價(jià)格的經(jīng)濟(jì)性與運(yùn)行的經(jīng)濟(jì)

45、性，此外還要看購買與運(yùn)行的經(jīng)濟(jì)性，也就是說功能先進(jìn)的空調(diào)能買得起并且能用的起等因素?？偠灾ㄗ钌俚腻X買最好的空調(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)。為了實(shí)現(xiàn)多機(jī)組空調(diào)系統(tǒng)的節(jié)能目標(biāo)，需要在控制參數(shù)組進(jìn)化過程中引入節(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)化過程中，通過節(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

46、，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：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)度比率相對(duì)較高，經(jīng)過數(shù)代進(jìn)化后則逐漸趨近于0，說明最終種群已經(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。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)通過人工智能的控制方法實(shí)現(xiàn)既充分考慮候車人群對(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)

47、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。6.3 試驗(yàn)方案根據(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；采用無線檢測(cè)系統(tǒng)獲得環(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)通過以太網(wǎng)實(shí)現(xiàn)智能變頻空調(diào)。試驗(yàn)方案如下圖6.6：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),無法帶到現(xiàn)場(chǎng)，在接下來的演示中我們用仿真代替。7 設(shè)計(jì)總結(jié)及改進(jìn)措施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；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；3在可控范圍內(nèi)增加加快多

48、目標(biāo)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(huì)通過這幾天的物聯(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，它無處不在。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，我們并沒有放棄，我們通過上網(wǎng)查找資料等方式，來彌補(bǔ)我們?cè)谥R(shí)方面的不足。這次課設(shè)讓我受益匪淺，無論從知識(shí)上還是其他的各個(gè)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(shè)中見過甚至接觸了物聯(lián)網(wǎng)簡(jiǎn)單模型，

49、能夠理論聯(lián)系實(shí)際的學(xué)習(xí)，開闊了眼界，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。參考文獻(xiàn) 1史忠植.智能主體及其應(yīng)用M.北京:科學(xué)出版社,2000.2 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）：123126.3 Sroval V.,Nevriva P.Distributed control systems of pipeline

50、 networks using multiagent technologiesA.Proceedings of the 2nd IFAC/IFIP/IEEE Conference on Management and Control of Production and LogisticsC.Elsevier Science,2001:10931099.4Blake M.B.Ruledriven coordonation agents:a selfconfigurable agent arthitedture for distributed controlA.Proceedings of the

51、5th Inter.Symposium on Autonomous Decentralized Systems(ISADS2001)C.IEEE Press,2001:271277.5Brennan R.W.,Fletcher M.,Norrie D.H.An agentbased approach to reconfiguration of realtime distributed control systemsJ.IEEE Transactions on Robotics and Automation,2002,18(4):444451.6Maturana F.,Staron R.,Tic

52、hy P.,et al.Autonomous agent arthitecture for industrial distributed controlA.Preceedings of the 56th Meeting of the Society for Machinery Failure Prevention TechnologyC.IEEE Press,2002:147156.7 Shehory O.,Kraus S.Coalition formation among autonomous agents:Strategy andcomplexity.In:Castel Franchis,

53、Pmuller J.(Eds.).From Reaction to Cognition,Lecture Notes in Artificial Intelligence,Berlin:Springer,1993:5772.8 Shehory O.,Kraus S.Task allocation via coalition formation among autonomousagentsA.Proc.ofIJCAI95C.Los Angeles,CA,USA:Morgan Kaufmann Publishers,1995:655661.9 Shehory O.,Kraus S.A kernelo

54、riented model for coalition formation in generalenvironments:Implementation and resultA.Proceedings of AAAI96C.Portland,1996:134140.10夏娜，蔣建國(guó)，齊美彬等.基于MultiAgent 的分布式智能視覺監(jiān)控系統(tǒng)研究J.計(jì)算機(jī)工程與應(yīng)用，2002,38（5）：434511梁泉,許小鳴,張鐘俊.多智能體系統(tǒng)協(xié)作及控制機(jī)理和基本問題分析J控制與決策,1996,11（5）:521526.12 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.

55、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(suppl.):18.14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）：144147.15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):435438.16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）:14301433.17 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）:8488.18

56、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.杭州:浙江大學(xué)信息學(xué)院控制系,2001.19劉金琨.復(fù)雜工業(yè)過程智能控制研究Ph.D Thesis.杭州:浙江大學(xué),1998.20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：中南大學(xué),2001.1121 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 2000.522 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)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)24 李召潑,張小松

57、,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25劉海東，毛保華，丁勇，賈文崢，城市軌道交通列車節(jié)能問題及方案研究 J.交通運(yùn)輸系統(tǒng)工程與信息 ，2007，7（5）：6873.26 周志雄. 地鐵空調(diào)系統(tǒng)節(jié)能探討 J. 制冷，2005，24（z1）：5558.27 VELASTIN S A，KHOUDOUR L，SUN B P L，et a1PRISMAllCA： a multisensor surveillance system for public transport networksEBOll.20090520http:/NSTUFlY.NSTL_HYl7074

58、105aspx28CHAN A B，LIANG Z S J，VASCONCELOS NPrivacy preserving crowd monitoring： Counting people without people models or trackingEBOL20090520http:/ieeexploreieeeorgxpFfreeabs_a11jsp /arnumber=458756929 WU Xinyu，LIANG Guoyuan。LEE K，et a1Crowd density estimation using texture analysi8 and learningEBOL200905201http:/ieeexplore.ieee.orgxplfreeabs_a11jsp/ arnuml)er414186730ZHANG EnweiCHEN FengA fast and robust people counting method in videosurveillanceEBOL20090520http:/ieecx ploreieeeorgxpldfreeabs_a11.Jsp /arnumbe 4415360