能评报告基于信息智能处理的轨道交通节能控制系统物联网工程课程设计论文.docx
《能评报告基于信息智能处理的轨道交通节能控制系统物联网工程课程设计论文.docx》由会员分享，可在线阅读，更多相关《能评报告基于信息智能处理的轨道交通节能控制系统物联网工程课程设计论文.docx（31页珍藏版）》请在冰点文库上搜索。
能评报告基于信息智能处理的轨道交通节能控制系统物联网工程课程设计论文
辽宁工业大学
物联网工程课程设计（论文）
题目：
基于信息智能处理的轨道交通节能控制系统
学院：
电子与信息工程学院
专业班级：
学号：
学生姓名：
指导教师：
教师职称：
起止时间：
课程设计（论文）任务及评语
学院：
教研室：
学号
学生姓名
专业班级
课程设计（论文）题目
基于信息智能处理的轨道交通节能控制系统
课程设计（论文）任务
为了达到空调系统节能的控制目标，需要对系统中若干个空调机的控制采用分布式人工智能控制策略，通过分布式人工智能方法动态地选择和使用最有效的空调机运行模式和控制参数，既充分考虑候车人群对空调舒适度的需求，又满足地铁空调系统的节能需要，实现地铁空调控制系统的柔性调节和高效节能控制，最大限度地降低地铁空调系统的能源消耗。
本系统应用于交通节能控制系统，主要分为两部分，一是硬件设计，二是软件编写，该同学负责软件设计。
指导教师评语及成绩
成绩：
指导教师签字：
年月日
基于信息智能处理的轨道交通节能
控制系统
摘要
为了达到空调系统节能的控制目标，需要对系统中若干个空调机的控制采用分布式人工智能控制策略，通过分布式人工智能方法动态地选择和使用最有效的空调机运行模式和控制参数，既充分考虑候车人群对空调舒适度的需求，又满足地铁空调系统的节能需要，实现地铁空调控制系统的柔性调节和高效节能控制，最大限度地降低地铁空调系统的能源消耗。
关键词:
节能、优化、分布式人工智能、地铁空调系统
1方案概述
1.1背景
在上海这座2200多万人口的特大型城市，解决出行问题，越来越多的人依靠发达的轨道交通网络。
截至目前，上海地铁全路网共有11条运营线路，全长425公里，共有273座车站分布在15个行政区域。
今年一季度，上海地铁日均运送超过530万客流，这个数字，占城市公共交通运送比例近四成。
每天超过500万人次的客流顺畅地穿梭在这个城市脚下，有效地缓解了地面的交通压力，更将城市外延不断拓宽，由此带动城市发展与经济繁荣。
轨道交通具有运量大、速度快、安全、准点、保护环境、节约能源和用地等特点。
按照同等运力比较，轨道交通的能耗只相当于小汽车的1/9，公交车的1/2，但由于运量大，其总耗电量相当大。
但从各城市轨道交通的建设经营现状看，大多数轨道交通处于政府补贴状态，赢利水平低，目前只有香港、伦敦、东京等少数几个城市轨道交通运营盈利。
据测算，2008年上海轨道交通线网规划用电为6.5亿度，约占上海市用电总量的1%；到2015年，上海轨道交通线网规划用电为13.9亿度，约占上海市用电总量的1.2%，年耗电量增幅平均达12%。
上海市政府每年给上海城市轨道交通的运营亏损补贴多达数亿元。
降低上海城市轨道交通运行能耗，减少用电总量，成为降低上海城市轨道交通运营成本的一个有效途径。
据统计，地铁能耗的84%集中在车辆系统和通风空调系统两个方面，其分别占地铁能耗的53%和31%。
以开通的地铁5号线为例，其车辆系统用电每年约8000万度左右。
目前城市轨道交通电动车组普遍采用“再生制动＋电阻制动＋机械制动”的制动方式，制动能量可达到牵引能量的30%以上，部分再生制动的能量可以被线路上相邻车辆吸收，如不能被吸收则转换为电阻或空气制动，制动能量被白白消耗，初步估算该部分耗能占制动能量的40%左右，5号线该部分能量达960万度以上。
通风空调系统能耗高低与通风空调系统形式密切相关。
目前，国内地铁采用的通风空调系统还仅限于传统的单一功能、分散独立式的区间隧道与车站通风空调系统，其构成复杂、控制繁琐，导致车站土建规模大、投资高、运行费用大。
地下车站通风空调机房面积在1200～2500平方米左右，占车站总建筑面积的12%～30%。
据广州地铁公司的统计数据显示，地铁通风空调能耗已占到了地铁总能耗的约50%。
通过对上海城市轨道交通运行能耗的调研后，我们发现：
在车辆系统用电方面，车辆制动能量损耗缺乏有效控制，亟需在全电制动停车控制系统、再生制动能量利用关键设备及应用等方面开展研发和应用，建立牵引供电系统再生电能吸收系统，提出合理的再生电能吸收系统设置方案，有效吸收地铁车辆制动能量；在通风空调系统方面，缺乏有效的节能技术和运行方式，亟需在通风空调系统中实施优化控制，采用新型节能通风空调系统等方面开展研发和应用，建立适合上海地区的地铁通风空调系统，大力推广应用降低现有地铁通风空调能
耗的节能技术和产品。
1.2应用领域
基于信息智能处理的轨道交通节能控制系统所应用的领域为城市轨道交通系统。
1.3国内外研究现状
近年来，已有若干将分布式人工智能理论、控制技术应用于分布式系统的研究，并取得了一定的成果。
2000年，Srovnal教授提出了基于multi‐agent的管道网络分布式控制系统[3]；2001年，Blake教授提出了一种基于规则驱动Agent的分布式控制的自重构Agent架构[4]；2002年，Brennan教授提出了一种基于Agent的实时分布式控制系统的重构方法[5]；Maturana教授提出了一种工业分布式控制的自动Agent体系结构[6]；中国科学院院士、清华大学张钹教授分析了Books反应式智能的思想，提出了基于传感器的智能体和多自主体的智能控制策略，它能克服传统人工智能完全依赖先验知识建立的专用系统与环境交互及应付突变能力差的弱点，使智能系统具备在动态、事先不完全知道的环境中正常运行的能力[3、4]；国内学者史忠植长期从事智能主体、分布智能的理论和应用系统研究[1]；梁泉博士对多智能体系统的协作及控制作了全面的分析，提出了基于多智能体系统的分布式智能控制应用方向[11、12]；上海交通大学的许晓鸣教授和费燕琼教授2003年获得国家自然科学基金资助，研究基于多Agent的分布式控制系统中智能模块的自重构、自修复理论与方法[14、15、16、17]；合肥工业大学蒋建国教授和夏娜博士开展了基于MAS的分布式控制系统中的协同策略研究，并先后得到教育部基金和2005年国家自然科学基金的资助[24、25、26、10]；浙江大学的刘海龙博士在其毕业论文中采用multi‐agent理论方法，着重探讨了动态环境下分布式智能系统中的任务协作问题[18]。
分布式人工智能理论中的进化计算是20世纪90年代初为了促进不同进化算法之间的交流而提出来的，现已成为“智能”与“优化”两个主题研究的新热点，对组合优化的问题已有较多的研究成果[4]。
目前进化计算已和人工神经网络（ArtificialNeuralNetworks,ANN）、模糊逻辑（FuzzyLogic,FL）相结合[5‐7]，形成了计算智能学科（ComputationalIntelligence,CI）[8.9]。
美国海军后勤研究中心对进化计算的研究极为重视，于1985年首先在电子网络上建立了全球性的有关遗传算法的信息交流节点（GA‐List‐Request@aic.nrl.navy.mil），不定期编辑出版电子遗传算法文摘（GADigest），交流有关遗传算法的最新信息。
网络上与进化计算有关的信息实际上是一个有关进化计算的巨大资料库，为使研究人员更方便地利用这些资源，在交互网络上建立了几个比较大的节点，称为ENCORE（EvolutionaryComputationRepositoryNetwork）。
通过这几个节点中的任一个，不仅可以了解到网络上主要的有关进化计算的信息，而且可以获取自由软件，交流科技报告等，如可获得1957年到现在的所有有关遗传算法的科技论文的目录，该目录中包括2500多篇文献。
另外，日本新的计算机发展规划RWC（RealWorldComputingProgram）也把遗传算法、进化计算作为主要支撑技术之一，用来进行信息的集成、学习及组织等。
进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用领域也不断扩大。
目前遗传算法所涉及的主要领域有自动控制、规划设计、组合优化、图象处理、信号处理、人工生命等。
目前面向应用的软件产品有EVOLVER、OMEGA、PC/BEAGLE、GENERATOR、XPERTRULE、GENASYS。
美国Illinois大学的Goldberg教授早在1989年就出版了目前被认为是进化算法最经典、最全面的教科书。
国内自20世纪90年代以来对进化计算进行了广泛研究。
特别是将进化计算的方法与原理应用在不同的工程领域，取得了令人瞩目的成就，对进化计算的理论基础研究也取得了很多优秀成果。
我国的遗传算法的研究，从20世纪90年代以来一直处于不断上升的时期，特别是近年来，遗传算法的应用在许多领域取得了令人瞩目的成果。
国内二级以上学术刊物有关遗传算法的文章不断增加。
国内很多专家、学者等在这方面作了大量研究，并取得了很多成果。
在武汉大学软件工程国家重点实验室设有并行计算研究室，进化计算已成为一个重要的研究方向，目前已经出版了专著，并有许多硕士、博士研究生围绕进化计算选题。
另外，中国科学技术大学陈国良教授等出版了遗传算法的著作。
西安交通大学以进化计算为主题的研究工作也逐渐活跃起来，同时国内相关书籍也越来越多，如武汉大学刘勇、康力山等与1995年出版的《非数值并行计算‐遗传算法》；周明、孙树栋等于1996年出版的《遗传算法原理及应用》；2002年王小平、曹立明编写的《遗传算法‐理论、应用与软件实现》等等。
同时国内也出现有关遗传算法的论坛，有百思论坛，研学论坛等都是很好的学习交流论坛。
分布式测控系统（DistributedComputerAutomatedMeasurementandControlSystem，DCAMCS）是指在独立计算机的集合系统中通过网络通信来开发、部署、管理和维护，以资源共享和协同工作为主要应用目标的分布式应用系统。
它具有较强的实时性和空间约束性等特点，现场总线控制系统（FCS）是目前结构最典型、工业应用最广泛的分布式测控系统[2]。
分布式人工智能是近年来兴起的新学科，是人工智能、知识工程、分布式计算、并行处理、计算机网络和通讯技术交叉发展的产物。
分布式人工智能运用人工智能技术，研究一组在地理上分散的、松散耦合的智能机构如何协调和组织，其知识、技能、目标和规划以进行高效联合求解。
其研究包括并行人工智能、分布式知识系统二大部分。
分布式人工智能系统具有潜在的并行处理能力，单个智能机构具有较高的自治性，整个系统具有较大的可扩展性和较高的可靠性，具有共享知识和资源的能力，对知识的处理速度快、能力强等特点。
其固有问题大致可分为如下四类：
规则、合作、交替活动及信息采集等。
其中，在规划方面，智能机构必须确定何时解题或完成任务，以及何时请求其它智能机构来协助完成任务；在合作方面，智能机构确定何时中断其现行工作，以满足来自其它智能机构的请求，或何时接受其它任务；在交替活动方面，智能机构应用有效的方法来交替完成这些活动。
在信息采集方面，由于环境的动态特性及智能机构传送信息的异步性，智能机构必须能够确定何时以及用何种方法来更新自己的状态，这种更新常用的方法有计算方法和通讯方法两种。
分布式人工智能的理论和技术发展为分布式测控系统实现人工智能控制提供了一条途径。
该技术是为解决大规模复杂系统控制问题的智能求解而发展起来的，通过对问题的描述、分解和分配，构成分散的、面向特定问题的相对简单的子系统，并协调各子系统并行和相互协作地进行问题求解，其思想十分适合大规模控制问题的智能求解，是目前分布式人工智能领域的研究热点，已被描述为设计和构建分布式复杂工程应用系统的下一代模型[2]。
随着国家节能减排政策和落实要求，人工智能控制技术近年来已逐渐应用于城市大型建筑物中央空调系统，2007年重庆大学热能工程系周洪煜博士论文研究了基于人工智能和专家系统的中央空调节能运行及故障诊断技术与实现[20]，针对中央空调系统存在的非线性和大的滞后,采用了创新的控制手段，在中央空调系统的运行控制中率先提出了先进的基于混合神经网络的非线性预测函数控制及SMITH预估控制算法，编制出控制算法软件并将其应用到实际对象中，达到预期的控制效果，经过实际运行对比测算，其节电效果达到30%以上，产生了良好经济的效益；河北工业大学刘作军博士在智能建筑VAV空调系统的节能控制系统中采用分段控制方法，即分别在空调系统预冷阶段，采用神经网络算法得出最佳预冷期；在空调系统调节控制阶段，通过前馈方式提前调节变风控制量；在提前停机控制中，采用模糊控制的方法确定提前停机时间，取得了较好的节能控制效果[21]。
目前轨道交通内空调设备的控制系统智能化不够，控制功能较简单，缺乏学习能力；同时现场设备间只能进行简单的协同工作，缺少有效的协调机制。
单一的智能控制和分布式控制在集群式空调系统应用中均遇到不少难题，例如系统中单体优化基础上的全局优化问题、单体或群体效用激励机制的建立和实施等，影响到它们在轨道交通集群式空调系统中的推广应用。
随着用户对系统的实时性、自动性、智能性和网络性等性能越来越高，空调控制系统进入了“分布式智能化时代”。
尤其是围绕整体系统按需供应的节能目标，对于集群式空调系统中的各个机组在动态环境下进行协调控制的提出，更要求各个机组的控制系统具有规范一致的结构功能以及良好的交互性和协作性。
因此，研究适合轨道交通空调系统要求的分布式智能测技术日益显得必要和迫切。
1.4功能描述
此系统采用物联网技术，将多组空调和电脑等经红外传感器，嵌入式网关有机的组合在一起，由物联网服务器将识别的信息经过综合处理与配方。
便可实现地铁空调系统节能的控制目标，对系统中若干个空调机组控制采用分布式人工智能控制策略，通过分布式人工智能方法动态地选择和使用最有效的空调机运行模式和控制参数组。
通过对人工智能控制方法的研究，达到既充分考虑候车人群对空调系统的需求，又满足地铁空调系统节能目标的协调控制策略，最终实现地铁空调机组的优化调节和高效节能。
2方案创新点与难点
方案创新点为本系统将重点研究和力求拓展基于分布式人工智能（DistributedArtificialIntelligence,DAI）理论，开展其在地铁空调系统节能中的应用研究工作。
其难点包括：
1）将由多个独立运行的多空调机组成的地铁空调系统作为多智体系统（MultiAgentSystem,MAS），研究提高空调系统能效的协调运行机制，在进化算法中引入节能激励因子，使由空调机组控制参数组成的染色体组合实现优先进化的人工智能进化策略（EvolutionaryStrategy,ES）。
2）基于人工智能统计回归分析理论（StatisticsRegressionAnalysis，SRA），研究视频信号智能检测与分析技术及其在地铁站台人群平均密度估算中的应用；研究根据人群密度估计等级进行温湿度控制的模糊逻辑和控制策略。
3）基于数据融合和数据挖掘技术对所获数据进行选择、探索和融合处理，研究和制定地铁空调系统能量管理系统监测与节能评估的管理方法。
3系统实现原理
建立站台温湿度无线传感测量试验系统，应用视频图像模糊神经网络自学习方法和图像智能分析技术，实现站台温湿度分布测量、人群平均密度估计和模糊控制策略，通过实验数据采集工作，建立地铁站台温湿度测量、人群平均密度与多空调机组控制参数的数学模型。
控制系统方框图如图3.1：
图中，人工智能控制器根据站台人群平均密度估计结果，按很多、较多、正常、较少、很少5个等级隶属度函数输出模糊控制信号，即空调需求量输入信号。
人工智能MAS进化控制器根据站台空调需求信号和节能激励进化计算结果，输出最优控制参数组控制各空调机组的变频器运行，通过站台温湿度传感网络反馈环节获得控制效果，实现按需自动调节空调机组的节能控制目标。
4硬件设计
所用硬件：
一体化智能球两个,工业电脑一台,海尔空调三台,智能仪表,红外接收、发射器,温湿度传感器……
在这部分设计中，应将各部分电路仔细连接，了解每一部分的特点，以及每一部分在整个设计中所起到的作用。
5软件设计
5.1算法描述
在多目标进化算法中引入节能激励因子F，研究和制定空调机组控制参数组序列的进化策略，建立多目标优化控制试验系统，使由空调机组控制参数组成的染色体序列依据系统的节能控制目标滚动比较、选择进化，实现节能控制参数组优先进化的人工智能控制策略；进化控制策略的组成模块示意图见下图5.1：
上图中，控制算法基于模型算法控制（MAC）由4个基本模块组成主要包括内部模型、能耗计量反馈校正、滚动优化计算和能耗参考输入轨迹四个部分。
它采用基于脉冲响应的非参数模型作为内部模型，用控制参数组作为输入输出信息，经过用模型输出误差进行反馈校正以后，再与节能指标参考输入轨迹进行比较，应用二次型性能指标进行滚动优化，然后再计算出当前时刻下，应输出到各单元控制系统的优化控制参数组，完成整个控制循环。
滚动优化计算模块组成框图见下图5.2：
其中的滚动优化计算模块采用了多目标进化算法，核心技术是控制系统根据进化算法每代产生大量可行解和隐含的并行性这一特点设计一种决策优化方法，基于排序的表现矩阵测度可行解，对节能目标总体表现好坏的向量进行比较和奖励。
引入节能激励因子F实现参数组序列优先进化，以此提高该组参数的个体适应度
，实现优先进化；节能激励因子
；其中:
g是激励因子的代数，每次循环结束，根据求得的最优解的情况对g进行调整。
其数学表达式为：
g=0,算法求得最优解仍在进化
g=g+1,最优解在次循环内没有明显改进，且g+1≤gmax
g=gmax,其他
个体适应度可以由参考资料中查找得到。
其中j=1,2,3…N
该算法通过一次计算即可得到问题的非劣解集，简化了多目标问题的优化求解步骤。
优化算法的主要步骤有适应度计算、进化概率计算和最优解决策输出。
附图1是地铁10号线宋园路的大系统（站台）空调系统图。
通过人工智能的控制方法，实现既充分考虑候车人群对空调系统温湿度的需求，又满足地铁空调系统节能需要的协调控制目标，实现地铁空调控制系统的柔性调节和高效节能。
5.2软件运用
本系统在进行小规模的试验时用到了如下的几个主要软件，下面来分别简单介绍。
如下图5.3所示，这个是北京汉邦高科公司的视频监控软件界面图，可以通过该软件同时监测2一体式球形摄像机的工作情况。
下图5.4为北京汉邦高科公司的视频监控软件有能够根据视频中人群密度的大小来判断是否需要报警的功能。
下图5.5为设置该软件中人群平均密度水平分析的功能，设定需要报警的区域时的画面情形（蓝色框内为报警区域）。
下图5.6为对三台变频空调的控制，包括有开机、关机的控制，温度的调控，同时也能检测到当前环境中三个不同地域的温度和湿度。
下图5.7为丹东华通测控公司的智能仪表在线监控软件。
该软件能够在工业控制计算机上看到实时的三相电压、电流、有功功率、无功功率及功率因数等参数。
下图5.8为丹东华通测控公司的智能仪表在线监控软件的通讯端口的设置（当前设为com6）。
下图5.9为通过对该软件端口设置后，点开在线设备检测的功能，将看到在线的智能电表。
下图5.10为智能电表的三相的各种参数。
下图5.11组态软件，该软件可以将不同通讯方式的设备连接在一起，从而可以同时的实时的观察各个设备的运作情况，也能够控制各个在线的设备。
这样就可以达到多目标的优化处理和对本系统节能性能评估的目的。
6系统测试及结果
6.1地铁站台空调系统节能潜力分析
目前地铁站台的空调负荷都是按照额定工况计算的，乘客散热负荷也是按站台定员条件进行计算。
然而在实际运行时地铁站台的乘客数量是不断变化的，并且大部分时间内少于定员人数，所以在乘客散热负荷中存在着节能潜力。
为了研究乘客散热负荷的节能量，进而实现地铁站台空调系统的节能，需要分析地铁站台候车乘客散热负荷的节能潜力。
根据统计资料，上海地铁的实时客流量具有明显的峰值时间，大部分时间内乘客人数少于定员人数。
统计时间为2010年6月24日、25日（工作日）和26日、27日（非工作日），每天从6：
00‐22：
00。
所统计的数据为站台候车乘客数和运行时间，统计情况如下图6.1所示。
地铁站台的乘客散热负荷由人均散热负荷q和平均人群密度δ决定，人均散热负荷q可以参照有关的标准，而站台平均人群密度δ则是不断变化的。
以实际统计的客流量为基础，计算地铁站台上候车乘客的散热负荷，并与额定工况下的定员散热负荷进行比较，分析整个制冷季节的乘客散热负荷的节能潜力。
6.1.1站台定员时的乘客散热负荷计算
站台定员时的乘客散热负荷计算公式为：
Qe=q·N·n·T
（1）式中：
Qe—列车定员时的乘客散热负荷，kWh；
N—候车乘客数量，人；
q—人均散热量，取0.1163kW/人；
n—集群系数，n=0.955；
T—额定工况下站台的营运时间是从6：
00~22：
00，即T=16小时。
N=S·δ
（2）式中：
S—站台候车面积，m2
δ—平均人群密度，人/m2
定员情况下，平均人群密度δe=1人/m2；以1600m2候车区域（长200米，宽8米）双向候
车的站台为例，计算候车乘客散热负荷的节能量。
则全天运行时间内站台定员时的乘客散热负荷为：
Qe=q·Ne·n·T=0.1163×1600×0.955×16=2843.30（kWh）
6.1.2工作日候车乘客的散热负荷计算
在工作日，根据每天营运时间内该站台在不同时段内的站台候车人数，如下图6.2：
可测算出站台平均人群密度：
δs1≈0.5人/m2；
则工作日候车乘客散热负荷为：
Qs1=q·Ns1·n·T=0.1163×800×0.955×16=1421.65（kWh）
因此在工作日里，站台全天实际的候车乘客散热负荷的节能量：
Qe‐Qs1=2843.3‐1421.65=1421.65（kWh）
该节能量占站台定员时乘客散热负荷的百分比：
（Qe‐Qs1）/Qe=50%
6.1.3站台非工作日候车乘客散热负荷计算
在地铁站台非工作日实际情况下，每天营运时间T内的站台候车人数统计如下图6.3：
可测算出站台平均人群密度：
δs2≈0.3人/m2；则非工作日乘客散热负荷为：
Qs2=q·Ns2·n·T=0.1163×480×0.955×16=852.99（kWh）
因此在非工作日里，站台全天实际的乘客散热负荷的节能量：
Qe‐Qs2=2843.30‐852.99=1990.31（kWh）
该节能量占站台定员时乘客散热负荷的百分比：
（Qe‐Qs2）/Qe=70.00%
6.1.4冷季节里的站台空调系统节能量计算
以每年5月1日到9月30日为制冷季节，一共153天，其中工作日109天，非工作日43天，所以整个制冷季乘客散热负荷的节能量：
Qss=（Qe‐Qs1）·109+（Qe‐Qs2）·43=240543.18kWh
该地铁站台设计装备4个空调机组，在额定工况下每一个机组的制冷量为42kW。
假定站台空调系统3个机组全天运行，则整个制冷季节中空调系统在额定工
升级会员 