一種地鐵車站空間能源控制方法
【專利摘要】本發明提供一種地鐵車站空間能源控制方法，包括：獲取當前設備狀態，根據所述當前設備狀態獲得當前環境狀況；根據目標值獲得所述設備的調節量；調節所述設備的工作狀態；獲得新的設備狀態，根據所述新的設備狀態獲得新的環境狀況；判斷所述新的環境狀況和新的設備狀態是否達到目標值，若達到則結束，若沒有達到則重新根據目標值獲得所述設備的調節量，調節所述設備的工作狀態直至達到目標值為止。本發明可以在地鐵車站沒有樣本或樣本很少的情況下模擬出空間能源最優的方法，大大節省了能源。
【專利說明】
一種地鐵車站空間能源控制方法
技術領域
[0001]本發明涉及能源管理技術領域，特別涉及地鐵車站空間能源控制方法。
【背景技術】
[0002]在現有技術中，因實際環境影響因素眾多，無法之間建立設備狀況和環境狀況之間定量模型，對于具有實際數據采集功能的系統，可以通過對歷史數據的管理、查詢或插值的方式，得到當前的最近設備運行方案。
[0003]具體方法如下:
[0004]I)樣本積累。
[0005]積累穩定狀態下的樣本，機設備運行時間較長，環境狀況穩定的樣本。
[0006]樣本中包含環境狀況參數和設備運行狀態參數。
[0007]2)樣本查詢。
[0008]查詢與當前環境狀況最接近的幾組樣本，獲得相關設備運行狀態參數。
[0009]3)設備工作狀態的確定
[0010]在所查詢到的樣本中，獲取能耗最低的設備運行狀態參數。
[0011 ]但很多情況下，尤其是地鐵車站在投入運營前或初期，并不具備樣本，或樣本很少的情況下，設備的運行模式靠人為去嘗試，將造成大量能源浪費。
【發明內容】
[0012]本發明的目的在于提供一種地鐵車站空間能源控制方法，以解決現有技術在地鐵車站在投入運營前或初期，并不具備樣本，或樣本很少的情況下，設備的運行模式靠人為去嘗試，將造成大量能源浪費的問題。
[0013]為解決上述技術問題，本發明提供一種地鐵車站空間能源控制方法，其特征在于，包括:
[0014]獲取當前設備狀態，根據所述當前設備狀態獲得當前環境狀況；
[0015]根據目標值獲得所述設備的調節量；
[0016]調節所述設備的工作狀態；
[0017]獲得新的設備狀態，根據所述新的設備狀態獲得新的環境狀況；
[0018]判斷所述新的環境狀況和新的設備狀態是否達到目標值，若達到則結束，若沒有達到則重新根據目標值獲得所述設備的調節量，調節所述設備的工作狀態直至達到目標值為止。
[0019]進一步的，在所述的地鐵車站空間能源控制方法中，所述環境狀況包括:環境溫度、環境濕度、二氧化碳濃度、空氣比熱、空氣體積和客流量中的一種或多種。
[0020]進一步的，在所述的地鐵車站空間能源控制方法中，所述設備狀態包括:空調功率、空調檔位、空調效率、空調能量貢獻量、進風風機和排風風機功率、進風風機和排風風機檔位、進風風機和排風風機總風量、進風風機和排風風機效率、進風風機和排風風機能量、進風需求量和需求能量中的一種或多種。
[0021]進一步的，在所述的地鐵車站空間能源控制方法中，所述調節所述設備的工作狀態的步驟包括:
[0022]BP神經網絡構建，其中所述當前設備狀態和當前環境狀況為樣本值；
[0023]BP神經網絡訓練；
[0024]BP神經網絡預測。
[0025]進一步的，在所述的地鐵車站空間能源控制方法中，所述BP神經網絡訓練的步驟包括:
[0026]BP神經網絡初始化；
[0027]BP神經網絡訓練直至訓練結束，才進入BP神經網絡預測。
[0028]進一步的，在所述的地鐵車站空間能源控制方法中，所述BP神經網絡預測的步驟包括:
[0029]測試所述訓練好的BP神經網絡；
[0030]對所述訓練好的BP神經網絡進行BP神經網絡預測。
[0031]進一步的，在所述的地鐵車站空間能源控制方法中，在BP神經網絡預測后還包括步驟:把訓練后的BP神經網絡預測結果作為個體適應度值，通過操作尋找設備的工作狀態的目標值。
[0032]進一步的，在所述的地鐵車站空間能源控制方法中，所述操作包括:選擇操作、交叉操作及變異操作。
[0033]本發明提供的地鐵車站空間能源控制方法，具有以下有益效果:本發明可以在地鐵車站沒有樣本或樣本很少的情況下模擬出空間能源最優的方法，大大節省了能源。
【附圖說明】
[0034]圖1是本發明實施例的地鐵車站空間能源控制方法流程圖；
[0035]圖2是本發明實施例的地鐵車站空間能源控制方法的交叉操作示意圖；
[0036]圖3是本發明實施例的地鐵車站空間能源控制方法的變異操作示意圖。
【具體實施方式】
[0037]以下結合附圖和具體實施例對本發明提出的地鐵車站空間能源控制方法作進一步詳細說明。根據下面說明和權利要求書，本發明的優點和特征將更清楚。需說明的是，附圖均采用非常簡化的形式且均使用非精準的比例，僅用以方便、明晰地輔助說明本發明實施例的目的。
[0038]請參考圖1，其是本發明實施例的地鐵車站空間能源控制方法流程圖。如圖1所示，本發明提供一種地鐵車站空間能源控制方法，包括:
[0039]步驟一:獲取當前設備狀態，根據所述當前設備狀態獲得當前環境狀況;所述設備狀態包括:空調功率、空調檔位、空調效率、空調能量貢獻量、進風風機和排風風機功率、進風風機和排風風機檔位、進風風機和排風風機總風量、進風風機和排風風機效率、進風風機和排風風機能量、進風需求量和需求能量中的一種或多種。所述環境狀況包括:環境溫度、環境濕度、二氧化碳濃度、空氣比熱、空氣體積和客流量中的一種或多種。
[0040]步驟二:根據目標值獲得所述設備的調節量；
[0041 ]步驟三:調節所述設備的工作狀態；
[0042]本發明采用BP神經網絡建立能耗預測模型，其基本原理如下:
[0043]能耗預測BP神經網絡模型由輸入層、隱含層和輸出層組成，隱含層根據層數又可以分為單隱含層和多隱含層。多隱含層由多個單隱含層組成，同單隱含層相比，偶多隱含層泛化能力強，預測精度高，但是訓練時間較長。隱含層層數的選擇要從網絡精度和訓練時間上綜合考慮，對于較簡單的映射關系，在網絡精度達到要求的情況下，可以選擇單隱含層，以求加快速度;對復雜的映射關系，則可以選擇多隱含層，以期提高網絡的預測精度。
[0044]BP神經網絡構建時應注意隱含層節點數的選擇，如果隱含層含節點數太少，BP網絡不能建立復雜的映射關系，網絡預測一誤差較大。但是如果節點數過多，網絡學習時間增加，并且可能出現“過擬合”現象，就是訓練樣本頂測準確，但是其他樣本預測誤差較大。
[0045]具體的，所述調節所述設備的工作狀態的步驟包括:
[0046]BP神經網絡構建，其中所述當前設備狀態和當前環境狀況為樣本值；
[0047]BP神經網絡初始化；
[0048]BP神經網絡訓練直至訓練結束；
[0049]測試所述訓練好的BP神經網絡；
[0050]對所述訓練好的BP神經網絡進行BP神經網絡預測；
[0051]把訓練后的BP神經網絡預測結果作為個體適應度值，通過遺傳算法(操作)尋找設備的工作狀態的目標值。
[0052]遺傳算法是1962年由美國Michigan大學教授Holland提出的模擬自然界遺傳機制和生物進化論而成的一種并行隨機搜索最優化方法。它把自然界“優勝劣汰，適者生存”的生物進化原理引入優化參數形成的編碼串聯群體巾，按照所選擇的適應度函數并通過遺傳中的選擇、交叉和變異對個體進行篩選，使適應度值好的個體被保留，適應度差的個體被淘汰，新的群體既繼承了上一代的信息，又優于上一代。這樣反復循環，直至滿足條件。
[0053]具體來說操作包括以下幾個步驟:
[0054]I)選擇操作
[0055]選擇操作是指從舊群體中以一定概率選擇個體到新群體中，個體被選中的概率跟適應度值有關，個體適應度值越好，被選中的概率越大。
[0056]2)交叉操作
[0057]交叉操作是指從個休中選擇兩個個休，通過兩個染色體的交換組合，來產生新的優秀個體。交叉過程為從群體巾任選兩個染色體，隨機選擇一點或多點染色體位置進行交換口交叉操作，如圖2所示。
[0058]3)變異操作
[0059]變異操作是指從群體中任選一個個體，選擇染色體巾的一點進行變異以產生更優秀的個體，如圖3所示。
[0060]遺傳算法的基本要素包括染色體編碼方法、適應度函數、遺傳操作和運行參數。其中染色體編碼方法是指個體的編碼方法，目前包括二進制法、實數法等。二進制法是指把個體編碼成為一個二進制串，實數法是指把個體編碼成為一個實數串。
[0061]適應度函數是指根據進化目標編寫的計算個體適應度值的函數，通過適應度函數計算每個個體的適應度值，提供給選擇算子進行選擇。
[0062]遺傳操作是指選擇操作、交叉操作和變異操作。
[0063]運行參數是遺傳算法在初始化時確定的參數，主要包括群體大小M，遺傳代數G，交叉概率Pc和變異概率Pm。
[0064]步驟四:獲得新的設備狀態，根據所述新的設備狀態獲得新的環境狀況；
[0065]步驟五:判斷所述新的環境狀況和新的設備狀態是否達到目標值，若達到則結束，若沒有達到則重新根據目標值獲得所述設備的調節量，調節所述設備的工作狀態直至達到目標值為止。
[0066]上述描述僅是對本發明較佳實施例的描述，并非對本發明范圍的任何限定，本發明領域的普通技術人員根據上述揭示內容做的任何變更、修飾，均屬于權利要求書的保護范圍。
【主權項】
1.一種地鐵車站空間能源控制方法，其特征在于，包括: 獲取當前設備狀態，根據所述當前設備狀態獲得當前環境狀況； 根據目標值獲得所述設備的調節量； 調節所述設備的工作狀態； 獲得新的設備狀態，根據所述新的設備狀態獲得新的環境狀況； 判斷所述新的環境狀況和新的設備狀態是否達到目標值，若達到則結束，若沒有達到則重新根據目標值獲得所述設備的調節量，調節所述設備的工作狀態直至達到目標值為止。2.如權利要求1所述的地鐵車站空間能源控制方法，其特征在于，所述環境狀況包括:環境溫度、環境濕度、二氧化碳濃度、空氣比熱、空氣體積和客流量中的一種或多種。3.如權利要求1所述的地鐵車站空間能源控制方法，其特征在于，所述設備狀態包括:空調功率、空調檔位、空調效率、空調能量貢獻量、進風風機和排風風機功率、進風風機和排風風機檔位、進風風機和排風風機總風量、進風風機和排風風機效率、進風風機和排風風機能量、進風需求量和需求能量中的一種或多種。4.如權利要求1所述的地鐵車站空間能源控制方法，其特征在于，所述調節所述設備的工作狀態的步驟包括: BP神經網絡構建，其中所述當前設備狀態和當前環境狀況為樣本值； BP神經網絡訓練; BP神經網絡預測。5.如權利要求4所述的地鐵車站空間能源控制方法，其特征在于，所述BP神經網絡訓練的步驟包括: BP神經網絡初始化； BP神經網絡訓練直至訓練結束，才進入BP神經網絡預測。6.如權利要求5所述的地鐵車站空間能源控制方法，其特征在于，所述BP神經網絡預測的步驟包括: 測試所述訓練好的BP神經網絡； 對所述訓練好的BP神經網絡進行BP神經網絡預測。7.如權利要求4所述的地鐵車站空間能源控制方法，其特征在于，在BP神經網絡預測后還包括步驟:c把訓練后的BP神經網絡預測結果作為個體適應度值，通過操作尋找設備的工作狀態的目標值。8.如權利要求7所述的地鐵車站空間能源控制方法，其特征在于，所述操作包括:選擇操作、交叉操作及變異操作。
【文檔編號】G05B13/04GK105929688SQ201610256904
【公開日】2016年9月7日
【申請日】2016年4月22日
【發明人】王浩清, 王致杰, 呂金都, 黃麒元, 周澤坤, 吳佳妮
【申請人】上海電機學院