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（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： </p><p>

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

3、/p><p>　　課程設(shè)計（論文）任務(wù)及評語</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)新點與難點7</p&g

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

6、統(tǒng)測試及結(jié)果17</p><p>　　6.1 地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析17</p><p>　　6.1.1 站臺定員時的乘客散熱負(fù)荷計算17</p><p>　　6.1.2 工作日候車乘客的散熱負(fù)荷計算18</p><p>　　6.1.3 站臺非工作日候車乘客散熱負(fù)荷計算18</p><p>　　6.1.

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

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)，需要對系統(tǒng)中若干個空調(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態(tài)地選擇和使用最有效的空調(diào)機(jī)運行模式和控制參數(shù)，既充分考慮候車人群對空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)的節(jié)能需要，實現(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，上海地鐵日均運送超過530 萬客流，這

11、個數(shù)字，占城市公共交通運送比例近四成。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(jì)繁榮。</p><p>　　軌道交通具有運量大、速度快、安全、準(zhǔn)點、保護(hù)環(huán)境、節(jié)約能源和用地等特點。按照同等運力比較，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(dá)12%。</p><p>　　上海市政府每年給上海城市軌道交通的運營虧損補(bǔ)貼多達(dá)數(shù)億元。降低上海城市軌道交通運行能耗，減少用電總量，成為降

13、低上海城市軌道交通運營成本的一個有效途徑。</p><p>　　據(jù)統(tǒng)計，地鐵能耗的84%集中在車輛系統(tǒng)和通風(fēng)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用“再生制動＋電阻制動＋機(jī)械制動”的制動方式，制動能量可達(dá)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吸收，如不能被吸收則轉(zhuǎn)換為電阻或空氣制動

14、，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(dá)960 萬度以上。</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)致車站土建規(guī)模大、投資高、運行費用大。地下車站通風(fēng)空調(diào)機(jī)房面積在1200～2500 平方米左右，占車站總建筑面積的12%～30

15、%。據(jù)廣州地鐵公司的統(tǒng)計數(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>　　通過對上海城市軌道交通運行能耗的調(diào)研后，我們發(fā)現(xiàn)：在車輛系統(tǒng)用電方面，車輛制動能量損耗缺乏有效控制，亟需在全電制動停車控制系統(tǒng)、再生制動能量利用關(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、和運行方式，亟需在通風(fēng)空調(diào)系統(tǒng)中實施優(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)域為城市軌道交通系

17、統(tǒng)。</p><p>　　1.3 國內(nèi)外研究現(xiàn)狀</p><p>　　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 的實時分布式控制系統(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Agent 體系結(jié)構(gòu)[6]；中國科學(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知識建立的專用系統(tǒng)與環(huán)境交互及應(yīng)付突變能力差的弱點，使智能系統(tǒng)具備在動態(tài)、事先不完全知道的環(huán)境中正常運行的能力[3、4]；國內(nèi)學(xué)者史忠植長

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)的許曉鳴教授和費燕瓊教授2003 年獲得國家自然科學(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”兩個主題研究的新熱點，對組合優(yōu)化的

20、問題已有較多的研究成果[4]。目前進(jìn)化計算已和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks,ANN）、模糊邏輯（Fuzzy Logic,FL）相結(jié)合[5‐7]，形成了計算智能學(xué)科（Computational Intelligence,CI）[8.9]。美國海軍后勤研究中心對進(jìn)化計算的研究極為重視，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（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)化計算有關(guān)的信息實際上是一個有關(guān)進(jìn)化計算的巨大資料庫，為使研究人員更方便地利用這些資源，在交互網(wǎng)絡(luò)上建立了幾個比較大的節(jié)點，稱為ENCORE（Evolutionary Computation Repository Network）。通過這幾個節(jié)點中的任一個，不僅可以了解到網(wǎng)絡(luò)上主要

22、的有關(guān)進(jìn)化計算的信息，而且可以獲取自由軟件，交流科技報告等，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，日本新的計算機(jī)發(fā)展規(guī)劃RWC（Real World Computing Program）也把遺傳算法、進(jìn)化計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)

23、域也不斷擴(kuò)大。目前遺傳算法所涉及的主要領(lǐng)域有自動控制、規(guī)劃設(shè)計、組合優(yōu)化、圖象處理、信號處理、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Illinois 大學(xué)的Gol</p><p>　　國內(nèi)自20 世紀(jì)90 年代以來對進(jìn)化計算進(jìn)行了廣泛研究。特別是將進(jìn)化計算的方法與原理應(yīng)用在不同的工程領(lǐng)域，取得了令人矚目的成就

24、，對進(jìn)化計算的理論基礎(chǔ)研究也取得了很多優(yōu)秀成果。我國的遺傳算法的研究，從20 世紀(jì)90 年代以來一直處于不斷上升的時期，特別是近年來，遺傳算法的應(yīng)用在許多領(lǐng)域取得了令人矚目的成果。國內(nèi)二級以上學(xué)術(shù)刊物有關(guān)遺傳算法的文章不斷增加。國內(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)軟件工程國家重點實驗室設(shè)有并行計算研究室，進(jìn)化計算已成為一個重要的研究方向，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)化計算選題。另外

25、，中國科學(xué)技術(shù)大學(xué)陳國良教授等出版了遺傳算法的著作。西安交通大學(xué)以進(jìn)化計算為主題的研究工作也逐漸活躍起來，同時國內(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)用與軟件實現(xiàn)》等等。同時國內(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>　　分布式測控系統(tǒng)（Distributed Computer Automated Measurement and Control System，DCAMCS）是指在獨立計算機(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)的實時性和空間約束性等特點，現(xiàn)場總線控制系統(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控系統(tǒng)[2]。<

27、/p><p>　　分布式人工智能是近年來興起的新學(xué)科，是人工智能、知識工程、分布式計算、并行處理、計算機(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、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，單個智能機(jī)構(gòu)具有

28、較高的自治性，整個系統(tǒng)具有較大的可擴(kuò)展性和較高的可靠性，具有共享知識和資源的能力，對知識的處理速度快、能力強(qiáng)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。</p><p>　　其中，在規(guī)劃方面，智能機(jī)構(gòu)必須確定何時解題或完成任務(wù)，以及何時請求其它智能機(jī)構(gòu)來協(xié)助完成任務(wù)；在合作方面，智能機(jī)構(gòu)確定何時中斷其現(xiàn)行工作，以滿足來自其它智能機(jī)構(gòu)的請求，或何時接受其它任務(wù)；在交替活動方面，智能機(jī)構(gòu)

29、應(yīng)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(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。</p><p>　　分布式人工智能的理論和技術(shù)發(fā)展為分布式測控系統(tǒng)實現(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

30、簡單的子系統(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)模控制問題的智能求解，是目前分布式人工智能領(lǐng)域的研究熱點，已被描述為設(shè)計和構(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>　　隨著國家節(jié)能減排政策和落實要求，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)能運行及故障診斷技術(shù)

31、與實現(xiàn)[20]， 針對中央空調(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)用到實際對象中，達(dá)到預(yù)期的控制效果，經(jīng)過實際運行對比測算，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，控制功能較簡單，缺乏學(xué)習(xí)能力；同時現(xiàn)場設(shè)備間只能進(jìn)行簡單的協(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

33、題、單體或群體效用激勵機(jī)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(yīng)用。隨著用戶對系統(tǒng)的實時性、自動性、智能性和網(wǎng)絡(luò)性等性能越來越高，空調(diào)控制系統(tǒng)進(jìn)入了“分布式智能化時代”。尤其是圍繞整體系統(tǒng)按需供應(yīng)的節(jié)能目標(biāo)，對于集群式空調(diào)系統(tǒng)中的各個機(jī)組在動態(tài)環(huán)境下進(jìn)行協(xié)調(diào)控制的提出，更要求各個機(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)能的控制目標(biāo)，對系統(tǒng)中若干個空調(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態(tài)地選擇和使用最有效的空調(diào)機(jī)運行模式和控制參數(shù)組。通過對

35、人工智能控制方法的研究，達(dá)到既充分考慮候車人群對空調(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)新點與難點</p><p>　　方案創(chuàng)新點為本系統(tǒng)將重點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

36、工作。</p><p><b>　　其難點包括：</b></p><p>　　1)將由多個獨立運行的多空調(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)運行機(jī)制，在進(jìn)化算法中引入節(jié)能激勵因子，使由空調(diào)機(jī)組控制參數(shù)組成的染色體組合實現(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)計回歸分析理論（Statistics Regression Analysis，SRA），研究視頻信號智能檢測與分析技術(shù)及其在地鐵站臺人群平均密度估算中的應(yīng)用；研究根據(jù)人群密度估計等級進(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

38、與節(jié)能評估的管理方法。</p><p><b>　　3 系統(tǒng)實現(xiàn)原理</b></p><p>　　建立站臺溫濕度無線傳感測量試驗系統(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)，實現(xiàn)站臺溫濕度分布測量、人群平均密度估計和模糊控制策略，通過實驗數(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(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)站臺人群平均密度估計結(jié)果，按很多、較多、正常、較少、很少5 個等級隸屬度函數(shù)輸出模糊控制信號，即空調(diào)需求量輸入信號。人工智能MAS 進(jìn)化控制器根據(jù)站臺空調(diào)需求信號和節(jié)能激勵進(jìn)化計算結(jié)果，輸出最優(yōu)控制參數(shù)組控制各空調(diào)機(jī)組的變頻器運行，通過站臺溫濕度傳感網(wǎng)絡(luò)反饋環(huán)節(jié)獲得控制效果，實現(xiàn)按需自動調(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</b></p><p>　　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、發(fā)射器,溫濕度傳感器……</p><p>　　在這部分設(shè)計中，應(yīng)將各部分電路仔細(xì)連接，了解每一部分的特點，以及每一部分在整個設(shè)計中所起到的作用。</p><p><b>　　5 軟件設(shè)計</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)滾動比較、選擇進(jìn)化，實現(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：</p><p>

42、;　　上圖中，控制算法基于模型算法控制(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，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)行滾動優(yōu)化，然后再計算出當(dāng)前時刻下，應(yīng)輸出到各單元控制系統(tǒng)的優(yōu)化控制參數(shù)組，完成整個控制循環(huán)。</p><p&g

43、t;　　滾動優(yōu)化計算模塊組成框圖見下圖5.2：</p><p>　　其中的滾動優(yōu)化計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設(shè)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(biāo)總體表現(xiàn)好壞的向量進(jìn)行比較和獎勵。</p><p>　　引入節(jié)能激勵因子F 實現(xiàn)參數(shù)組序列優(yōu)先進(jìn)化，以此提高該組參數(shù)的個體適應(yīng)度，實現(xiàn)優(yōu)先進(jìn)化；節(jié)能

44、激勵因子；其中:g 是激勵因子的代數(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)沒有明顯改進(jìn)，且g+1≤gmax </p><p><b>　　g=gmax,其他</b></p><p>

45、　　個體適應(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>　　該算法通過一次計算即可得到問題的非劣解集，簡化了多目標(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)度計算、進(jìn)化概率計算和最優(yōu)解決策輸出。</p><p>　　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。通過人工智能的控制方法，實現(xiàn)既充分考慮候車人群

46、對空調(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 軟件運用</b></p><p>　　本系統(tǒng)在進(jìn)行小規(guī)模的試驗時用到了如下的幾個主要軟件，下面來分別簡單介紹。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(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判斷是否需要報警的功能。</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)定需要報警的區(qū)域時的畫面情形（藍(lán)色框內(nèi)為報警區(qū)域）。</p><p>　　下圖5.6 為對三臺變頻空調(diào)的控制，包括有開機(jī)、關(guān)機(jī)的控制，溫度的調(diào)控，同時也能檢測到當(dāng)前環(huán)

48、境中三個不同地域的溫度和濕度。</p><p>　　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)控制計算機(jī)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)。</p><p>　　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(shè)置（當(dāng)前設(shè)為com6）。</p><p>　　下圖5.9 為通過對該軟件端口設(shè)置后，

49、點開在線設(shè)備檢測的功能，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，從而可以同時的實時的觀察各個設(shè)備的運作情況，也能夠控制各個在線的設(shè)備。這樣就可以達(dá)到多目標(biāo)的優(yōu)化處理和對本系統(tǒng)節(jié)能性能評估的目的。</p><p><b>　　6

50、 系統(tǒng)測試及結(jié)果</b></p><p>　　6.1 地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析</p><p>　　目前地鐵站臺的空調(diào)負(fù)荷都是按照額定工況計算的，乘客散熱負(fù)荷也是按站臺定員條件進(jìn)行計算。然而在實際運行時地鐵站臺的乘客數(shù)量是不斷變化的，并且大部分時間內(nèi)少于定員人數(shù)，所以在乘客散熱負(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)而實現(xiàn)地鐵站臺空調(diào)系統(tǒng)的節(jié)能，需要分析地鐵站

51、臺候車乘客散熱負(fù)荷的節(jié)能潛力。</p><p>　　根據(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)計情況如下圖6.1 所示。</p><p>　　地鐵站臺的乘客散熱負(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)，而站臺平均人群密度δ則是不斷變化的。以實際統(tǒng)計的客流量為基礎(chǔ)，計算地鐵站臺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 站臺定員時的乘客散熱負(fù)荷計算</p><p>　　站臺定員時的乘客散熱負(fù)荷計算公式為：</p><p>

53、　　Qe = q·N ·n ·T</p><p>　　(1) 式中： Qe —列車定員時的乘客散熱負(fù)荷，kWh；</p><p>　　N —候車乘客數(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 —額定工況下站臺的營運時間是從 6：00~22：00，即 T=16 小時。N=S·δ</p><p>　　(2) 式中： S —站臺候車面積，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 候車區(qū)域(長200 米，寬8 米)雙向候</p>

55、<p>　　車的站臺為例，計算候車乘客散熱負(fù)荷的節(jié)能量。</p><p>　　則全天運行時間內(nèi)站臺定員時的乘客散熱負(fù)荷為：</p><p>　　Qe = q·Ne ·n ·T =0.1163 ×1600 ×0.955 ×16=2843.30（kWh）</p><p>　　6.1.2 工作日候車乘

56、客的散熱負(fù)荷計算</p><p>　　在工作日，根據(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：</p><p>　　可測算出站臺平均人群密度：δs1≈0.5 人/m2；</p><p>　　則工作日候車乘客散熱負(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，站臺全天實際的候車乘客散熱負(fù)荷的節(jié)能量：</p><p>　　Qe‐ Qs1=2843.3‐1421.65=1421.65 （kWh）</p><p>　　該節(jié)能量占站臺定員時乘客散熱負(fù)荷的百分比：（Qe‐ Qs1）/ Qe=50%</p

58、><p>　　6.1.3 站臺非工作日候車乘客散熱負(fù)荷計算</p><p>　　在地鐵站臺非工作日實際情況下，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：</p><p>　　可測算出站臺平均人群密度：</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，站臺全天實際的乘客散熱負(fù)荷的節(jié)能量：</p><p>　　Qe‐ Qs2=2843.30‐852.99=1990.31 （kWh）</p><p>　　該節(jié)能量占站臺定員時乘客散熱負(fù)

60、荷的百分比：（Qe‐ Qs2）/ Qe=70.00%</p><p>　　6.1.4 冷季節(jié)里的站臺空調(diào)系統(tǒng)節(jié)能量計算</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>　　該地鐵站臺設(shè)計裝備4 個空調(diào)機(jī)組，在額定工況下每一個機(jī)組的制冷量為 42kW 。假定站臺空調(diào)系統(tǒng)3 個機(jī)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）</p><p>　　因此整個制冷季節(jié)中實際的乘客散熱負(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，地鐵站臺空調(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營時間內(nèi)，根據(jù)站臺實際的平均人群密度δ計算，實際的乘客散熱負(fù)荷的節(jié)能量分別占定員乘客散熱負(fù)荷的50%和70%，整個制冷季節(jié) 153 天內(nèi)實際的乘客散熱負(fù)荷的節(jié)能量約占空調(diào)系統(tǒng)額定制冷量的58.49%，可見對地鐵站臺空調(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際的站臺候車乘客散熱負(fù)荷，則能進(jìn)一步提高地鐵站臺空調(diào)系統(tǒng)的節(jié)能量。</p><p>　　6.2 測量與控制方案的可行性研究</p><p>　　6.2.1 分布式參數(shù)測量技術(shù)研究與應(yīng)用</p><p>　　1）地鐵站臺分布式溫濕度測量技術(shù)研究與應(yīng)用</p>

64、;<p>　　建筑物內(nèi)的溫濕度信號具有可測性和可控性，但準(zhǔn)確測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)測量模型具有模糊性和滯后性。</p><p>　　根據(jù)國家建設(shè)部《通風(fēng)與空調(diào)工程施工質(zhì)量驗收規(guī)范》(建標(biāo)［2002］60 號)B6.3 項的規(guī)定：</p><p>　　本系統(tǒng)可應(yīng)用國內(nèi)現(xiàn)有的“點式”溫濕度測量技術(shù)?？紤]試驗階段建筑物布線等問題，采用無線傳感方式進(jìn)行

65、數(shù)據(jù)采集，現(xiàn)場測量端采用嵌入式系統(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(jī)，通過分布式測量方法實時獲得站臺內(nèi)舒適度的整體測量情況，建立地鐵站臺空調(diào)溫濕度測量與控制的數(shù)學(xué)模型?？紤]到今后的功能擴(kuò)展，如空氣質(zhì)量檢測、可燃?xì)怏w含量檢測和有毒有害氣體檢測等需要，現(xiàn)場測量設(shè)備采用信號處理能力較強(qiáng)的CPU 芯片及外圍電路組成的測量端，信號傳輸協(xié)議采用抗干擾能力較強(qiáng)的Zig‐Bee 協(xié)議，同時傳輸過程采用硬件中繼方式，

66、保障測量信號的正常傳輸。</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量技術(shù)，建立候車站臺溫濕度與人體舒適度的對應(yīng)關(guān)系，以實際空調(diào)量需求為目標(biāo)，向控制系統(tǒng)提供符合實際的分布式測量數(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量技術(shù)是未來取代目前國內(nèi)普遍采用的“點式傳感”的測量技術(shù)。目前在英國倫敦地鐵、等得到廣泛應(yīng)用，同時可用于地鐵站臺及交通隧道火災(zāi)監(jiān)測、鋼軌應(yīng)變測量等傳感領(lǐng)域。&l

67、t;/p><p>　　地鐵站臺人群平均密度估計</p><p>　　近年來．隨著計算機(jī)視覺和人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展，基于智能視頻分析的人群密度估計和流量統(tǒng)計算法大量涌現(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)計地鐵站中的人群密度和流量統(tǒng)計，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，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，一些國家和地區(qū)相繼啟動了進(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]。</p><p>　　通過分布在地鐵站臺上多個攝像探頭采集的視頻圖像，根據(jù)計算機(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

70、統(tǒng)采用統(tǒng)計回歸的方法實現(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情況[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(guān)系即回歸方程如下：</p><p>　　式中第一項代表了一個總體趨勢，即主要由像素信息決定：第二項代表了非線性關(guān)系．主要由紋理信息決定；第三項代表了觀測噪聲項。目前已在實驗室建立了試驗系統(tǒng)，初步實現(xiàn)

71、了兩個區(qū)域的圖像采集和模糊人群密度估計。</p><p>　　3）模糊控制邏輯設(shè)計</p><p>　　模糊控制的實現(xiàn)基本上有兩種方法。第一種方法涉及到模糊化、控制規(guī)則評價和解模糊的嚴(yán)格實時數(shù)學(xué)計算，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D

72、SP 中用于執(zhí)行。采用商業(yè)化的ASIC 芯片也能實現(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)映射計算結(jié)果（包括模糊化、控制規(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。</p><p>　　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(dāng)用于精確控制時，查詢表需要大量的存儲空間，但其執(zhí)行速度很快。人工神經(jīng)網(wǎng)絡(luò)也可被訓(xùn)練用來模擬模糊控制器。</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是空調(diào)系統(tǒng)節(jié)能控制的重要評估指標(biāo)。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，實際上反映出了空調(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)能情況。能效比數(shù)值越大，表明該產(chǎn)品使用時所需要消耗的電功率就越小，則在單位

74、時間內(nèi)，該空調(diào)器產(chǎn)品的耗電量也就相對越少。</p><p>　　2010 年2 月26 日，我國發(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》，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、節(jié)能評價值、試驗方法和檢驗規(guī)則。標(biāo)準(zhǔn)適用于空氣冷卻冷凝器、全封閉型電動機(jī)‐壓縮機(jī)，制冷量

75、在14000 W 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(jī)組。能效比的測試方法按照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?？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。為了迎合消費者的這一消費新需求，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(rèn)證還沒有出臺，國家還沒有相關(guān)的標(biāo)準(zhǔn)，因此不好衡量。廠家在市場上宣傳的數(shù)據(jù)基本上都是廠家自報的數(shù)據(jù)，并且

78、這些數(shù)據(jù)都是從實驗室得來的，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。</p><p>　　空調(diào)的能效比越高就越省電，但對家庭來說不一定會達(dá)到省錢的目的。這是因為高能效比空調(diào)的成本太高，其價格是普通空調(diào)的10 倍多，并且短時期內(nèi)難以下降，按照12 年的

79、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)。由此判斷，高能效比空調(diào)短時間在中國更是難進(jìn)家門。</p><p>　　買空調(diào)關(guān)鍵要看性能價格比。購買空調(diào)的關(guān)鍵因素不是空調(diào)的能效比高不高，任何時候需要關(guān)注的是空調(diào)的性能價格比，也就是質(zhì)量穩(wěn)定

80、性，功能的先進(jìn)性以及購買價格的經(jīng)濟(jì)性與運行的經(jīng)濟(jì)性，此外還要看購買與運行的經(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?，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?？刂颇繕?biāo)：在控制過程中，首先保證單臺機(jī)組工作在額定工作狀態(tài)，能效等級達(dá)到國家標(biāo)準(zhǔn)1 級，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)運行，使整體空調(diào)系統(tǒng)能效等級達(dá)到1 級。</p><p>　　為了實現(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)化過程中引入節(jié)能激勵因子F，對控制參數(shù)組的運行方式及控制目標(biāo)進(jìn)行調(diào)整，因此需要對現(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，在初始時進(jìn)化的進(jìn)度比

82、率相對較高，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，而且在運行時間方面，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)測與節(jié)能評估可行性研究</p><p>　　為了實現(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

83、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)控制系統(tǒng)最優(yōu)解的質(zhì)量反饋環(huán)節(jié)實現(xiàn)閉環(huán)控制。</p><p><b>　　6.3 試驗方案</b></p><p>　　根據(jù)本系統(tǒng)研究目標(biāo)和內(nèi)容，建立實驗室小型試驗系統(tǒng)。采用高清晰攝像頭采集人群密度圖像；采用無線檢測系統(tǒng)獲

84、得環(huán)境溫濕度信號；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)控制計算機(jī)通過以太網(wǎng)實現(xiàn)智能變頻空調(diào)。</p><p>　　試驗方案如下圖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。</p><p>　　7 設(shè)計總結(jié)及改進(jìn)措施</p><

85、p>　　1．增大人群密度檢測的精確度，便于后續(xù)更好地計算和控制；</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</b></p><p>　　通過這幾天的

86、物聯(lián)網(wǎng)工程實訓(xùn)，讓我漸漸進(jìn)入了物聯(lián)網(wǎng)的世界。在這幾天的時間里，我們第一次進(jìn)入了物聯(lián)網(wǎng)實驗室，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。</p><p>　　在這次課程設(shè)計中，我們遇到了許多困難，也遇到了一些知識上的盲點，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(bǔ)我們在知識方面的不足。</p&g

87、t;<p>　　這次課設(shè)讓我受益匪淺，無論從知識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(shè)中見過甚至接觸了物聯(lián)網(wǎng)簡單模型，能夠理論聯(lián)系實際的學(xué)習(xí)，開闊了眼界，提高了物聯(lián)網(wǎng)知識的理解和水平。在這次課程設(shè)計中又讓我體會到了合作與團(tuán)結(jié)的力量，當(dāng)遇到不會或是設(shè)計不出來的地方，我們就會在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

88、關(guān)重要的，有了團(tuán)結(jié)會有更多的理念、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，齊美彬等.基于Multi‐Agent 的分布式智能視覺監(jiān)控系統(tǒng)研究[J].計算機(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],中國控制與決策會議[C],1995.</p><p>　　[13] 張鈸.近十年人工智能進(jìn)展[J].模式識別與人工智能,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].中國有色金屬學(xué)報，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,1999,33(4):435~438.</p><p>　　

99、[16]費燕瓊,馮光濤,趙錫芳等.可重組機(jī)器人運動學(xué)正逆解的自動生成[J].上海交通大學(xué)學(xué)報，2000，34（10）:1430~1433.</p><p>　　[17] 費燕瓊,況迎輝,趙錫芳等.可裝配的模塊機(jī)器人動力學(xué)的自動生成[J].東南大學(xué)學(xué)報，2000，30（2）:84~88.</p><p>　　[18]劉海龍.動態(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)能運行及故障診斷技術(shù)研究與實現(xiàn).[Ph.D Thesis] 重慶大學(xué)</p><p>　　[23] 張勁,鐘毅芳. 分布式測控系統(tǒng)框架模型研究[J]微計算機(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，城市軌道交通列車節(jié)能問題及方案研究 [J].交通運輸系統(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