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.doc

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

辽宁工业大学课程设计说明书（论文）
目录

摘 要 1
1 方案概述 2
1.1 背景 2
1.2 应用领域 3
1.3 国内外研究现状 3
1.4 功能描述 6
2 方案创新点与难点 7
3 系统实现原理 8
4 硬件设计 9
5 软件设计 10
5.1 算法描述 10
5.2 软件运用 11
6 系统测试及结果 17
6.1 地铁站台空调系统节能潜力分析 17
6.1.1 站台定员时的乘客散热负荷计算 17
6.1.2 工作日候车乘客的散热负荷计算 18
6.1.3 站台非工作日候车乘客散热负荷计算 18
6.1.4 冷季节里的站台空调系统节能量计算 19
6.2 测量与控制方案的可行性研究 19
6.2.1 分布式参数测量技术研究与应用 19
6.3 试验方案 24
7 设计总结及改进措施 25
8 心得体会 26
参考文献 27

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（Artificial Neural Networks,ANN）、模糊逻辑（Fuzzy Logic,FL）相结合[5‐7]，形成了计算智能学科（Computational Intelligence,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‐[e-mail]），不定期编辑出版电子遗传算法文摘（GA Digest），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（Evolutionary Computation Repository Network）。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（Real World Computing Program）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（Distributed Computer Automated Measurement and Control System，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（Distributed Artificial Intelligence,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（Multi Agent System,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(Evolutionary Strategy, ES)。
2）基于人工智能统计回归分析理论（Statistics Regression Analysis，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况下的制冷量为：Qsc =42 ×4×16×153=411264（kWh）
因此整个制冷季节中实际的乘客散热负荷的节能量占空调系统额定制冷量的百分比为：Qss/Qsc*100%=58.94%由此可见，地铁站台空调负荷中的乘客散热负荷具有很大的节能潜力。
因此，在工作日和非工作日的地铁运营时间内，根据站台实际的平均人群密度δ计算，实际的乘客散热负荷的节能量分别占定员乘客散热负荷的50%和70%，整个制冷季节 153 天内实际的乘客散热负荷的节能量约占空调系统额定制冷量的58.49%，可见对地铁站台空调系统而言，乘客散热负荷是有很大节能潜力的。如果能改进站台多空调机组的控制策略，使空调机组产生的制冷量紧密跟随实际的站台候车乘客散热负荷，则能进一步提高地铁站台空调系统的节能量。
6.2 测量与控制方案的可行性研究
6.2.1 分布式参数测量技术研究与应用
1）地铁站台分布式温湿度测量技术研究与应用
建筑物内的温湿度信号具有可测性和可控性，但准确测量的难度在于它的分布特性，准确控制的难度在于它的数学测量模型具有模糊性和滞后性。
根据国家建设部《通风与空调工程施工质量验收规范》(建标［2002］60 号)B6.3 项的规定：

本系统可应用国内现有的“点式”温湿度测量技术。考虑试验阶段建筑物布线等问题，采用无线传感方式进行数据采集，现场测量端采用嵌入式系统完成信号采集、处理和无线传输，由接收器采集各点的温湿度信号送入上位计算机，通过分布式测量方法实时获得站台内舒适度的整体测量情况，建立地铁站台空调温湿度测量与控制的数学模型。考虑到今后的功能扩展，如空气质量检测、可燃气体含量检测和有毒有害气体检测等需要，现场测量设备采用信号处理能力较强的CPU 芯片及外围电路组成的测量端，信号传输协议采用抗干扰能力较强的Zig‐Bee 协议，同时传输过程采用硬件中继方式，保障测量信号的正常传输。
在此基础上，本系统将深入研究连续分布式光纤温湿度测量技术，建立候车站台温湿度与人体舒适度的对应关系，以实际空调量需求为目标，向控制系统提供符合实际的分布式测量数据，使控制决策更加经济合理。连续分布式光纤温湿度测量技术是未来取代目前国内普遍采用的“点式传感”的测量技术。目前在英国伦敦地铁、等得到广泛应用，同时可用于地铁站台及交通隧道火灾监测、钢轨应变测量等传感领域。
2） 地铁站台人群平均密度估计
近年来．随着计算机视觉和人工智能领域相关技术的发展，基于智能视频分析的人群密度估计和流量统计算法大量涌现。许多人群监控系统也相继在世界各地投入使用。如1995 年，伦敦地铁最早采用了人群监控系统，用以统计地铁站中的人群密度和流量统计，预防安全事故的发生。2003 年欧洲相继通过闭路电视系统进行人群流量统计，进而改善公共交通的管理。
另一方面，由于受到恐怖事件的威胁，一些国家和地区相继启动了进行基于视频分析的群体安全分析系统[22]。1999 年，W．S．Chowt 教授利用经过训练的神经网络来分析人群特征。极大地提高了人群分析的准确性，该方法已于2002 年在香港地铁系统中得到运用[27]。随着机器学习的发展．Chow 和Marana 教授分别利用分类性和自学习性能更佳的RBF 神经网络[28]和自组织映射神经网络(SOM)实现人群密度分析[29]。近年来随着支持向量机(SVM)理论的逐步完善，其优良的性能已经被越来越多地应用到人群密度的分析当中[22]。
通过分布在地铁站台上多个摄像探头采集的视频图像，根据计算机图像处理方法，通过模糊神经网络在模拟人类神经系统处理模糊信息的功能方面具有独特的优势，基于图像处理边界不明晰的模糊集合，合理地划分人群密度范围，实现图像智能分析与平均人群密度估计[23]。本系统采用统计回归的方法实现地铁站台的人群平均密度估计，该方法适用于大范围，固定场景以及固定摄像位置的情况[30]。Chan 教授将人群的流量近似为一个高斯过程。综合利用人群的像素和纹理信息。建立在景人数和人群特征的函数关系即回归方程如下：
式中第一项代表了一个总体趋势，即主要由像素信息决定：第二项代表了非线性关系．主要由纹理信息决定；第三项代表了观测噪声项。目前已在实验室建立了试验系统，初步实现了两个区域的图像采集和模糊人群密度估计。

3）模糊控制逻辑设计
模糊控制的实现基本上有两种方法。第一种方法涉及到模糊化、控制规则评价和解模糊的严格实时数学计算，这是被广泛认可的方法，在后面的应用例子中将进行描述。在模糊逻辑工具箱的帮助下，例如MATLAB 环境中的模糊逻辑工具箱，可以开发一个高效的C 程序实现模糊控制。该程序被编辑，其目标程序被写入DSP 中用于执行。采用商业化的ASIC 芯片也能实现模糊控制。第二种方法是查表法。该方法将事先已完成的所有输入/输出静态映射计算结果（包括模糊化、控制规则的评价和解模糊）存储在一个大的查询表中，用以实时执行。
有时不仅只有一张查询表，还可有各种等级（粗糙、中等、精致）的查询表。当用于精确控制时，查询表需要大量的存储空间，但其执行速度很快。人工神经网络也可被训练用来模拟模糊控制器。
6.2.2 多机组空调系统优化控制策略可行性研究
空气调节器能效限定值及能效等级是空调系统节能控制的重要评估指标。能效比是指空调器在制冷运行时，制冷量与有效输入功率之比。能效比数值的大小，实际上反映出了空调器产品每消耗1000W 电功率时，制冷量的大小。该数值的大小反映出不同空调器产品的节能情况。能效比数值越大，表明该产品使用时所需要消耗的电功率就越小，则在单位时间内，该空调器产品的耗电量也就相对越少。
2010 年2 月26 日，我国发布了新房间空调器能效标准GB 12021.3‐2010《房间空气调节器能效限定值及能效等级》，取代2004 年发布的GB 12021.3‐2004，该标准已于2010 年6 月1日实施。标准规定了房间空调器的能效限定值、能效等级、节能评价值、试验方法和检验规则。标准适用于空气冷却冷凝器、全封闭型电动机‐压缩机，制冷量在14000 W 及以下，气候类型为T1 的空调器，但不适用于移动式、转速可控型、多联式空调机组。能效比的测试方法按照GB/T 7725‐2004《房间空气调节器》进行。电热丝的能效比只能达到1:1，即消耗1 千瓦的电力，产生1 千瓦的热能。空调在所有制热产品中的能效比最高，可以达到1:3 左右，即消耗1 千瓦的电力，能够移动3 千瓦左右的热量，所以空调节能省电。空调器的能效比，就是名义制冷量(制热量)与运行功率之比，即EER 和COP。
(1) EER 是空调器的制冷性能系数，也称能效比，表示空调器的单位功率制冷量。
(2) COP 是空调器的制热性能系数，表示空调器的单位功率制热量。
(3) 数学表达式为：EER=制冷量/制冷消耗功率 COP=制热量/制热消耗功率
(4) EER 和COP 越高，空调器能耗越小，性能比越高。
空调能效比越高就越省电，家里也就越省钱。为了迎合消费者的这一消费新需求，空调厂家有关空调能效比的系数也就翻着跟头上升，从3.0 到4.0、5.0、6.0 一直到了7.0，到底要不要马上追着能效比买空调?目前我国空调市场的能效比数据比较混乱，中国空调能效比的认证还没有出台，国家还没有相关的标准，因此不好衡量。厂家在市场上宣传的数据基本上都是厂家自报的数据，并且这些数据都是从实验室得来的，带有极大的商业倾向性。此外，相关参数具有国别差异，不同国家产品之间的能效比之间存在不小的差异，比如说，中国出售的日本变频空调，其电压、冷媒都与国内的企业不同，其能效比也就不具有可比性。能效比越高并非越省钱。
空调的能效比越高就越省电，但对家庭来说不一定会达到省钱的目的。这是因为高能效比空调的成本太高，其价格是普通空调的10 倍多，并且短时期内难以下降，按照12 年的寿命计算，高能效比空调终生省下的电费难以抵消其本身的购买差价。在日本，能效比最高的空调售价在30 万日元以上，而一般的变频空调的售价则为2.9 万日元，相差了10 倍多。因为价格奇高，95%的日本家庭还是选择了一般的变频空调。由此判断，高能效比空调短时间在中国更是难进家门。
买空调关键要看性能价格比。购买空调的关键因素不是空调的能效比高不高，任何时候需要关注的是空调的性能价格比，也就是质量稳定性，功能的先进性以及购买价格的经济性与运行的经济性，此外还要看购买与运行的经济性，也就是说功能先进的空调能买得起并且能用的起等因素。总而言之，花最少的钱买最好的空调是消费者选择空调的硬道理。控制目标：在控制过程中，首先保证单台机组工作在额定工作状态，能效等级达到国家标准1 级，协调控制空调系统内各机组按照优化后的控制参数运行，使整体空调系统能效等级达到1 级。
为了实现多机组空调系统的节能目标，需要在控制参数组进化过程中引入节能激励因子F，对控制参数组的运行方式及控制目标进行调整，因此需要对现有的多目标进化算法进行改进具体思路是：在进化过程中，通过节能激励因子F 调整空调系统控制参数序列被选择的概率值，节能激励因子F 值越大，被选择的概率越大，使由节能效率高的空调机组控制参数组成的染色体组合实现优先进化。算法的仿真结果如下图6.5：

上图表明了进化算法的收敛性，在初始时进化的进度比率相对较高，经过数代进化后则逐渐趋近于0，说明最终种群已经接近Pareto 解集。算法仿真结果表明：系统的鲁棒性较强，不易陷入局部极小，而且在运行时间方面，同样达到进化算法最优解的质量水平，所用时间短，收敛速度较快。
6.2.3 地铁空调系统能量管理系统监测与节能评估可行性研究
为了实现地铁空调控制系统的柔性调节和高效节能，本系统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舒适度的需求，又满足地铁空调系统节能需要的协调控制目标，需要研究和设计一个空调系统能量管理