基于信息智能处理的轨道交通节能控制系统

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限制系统学院：电子与信息工程学院专业班级：学号：学生姓名：指导老师：老师职称：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限制系统课程设计（论文）任务为了达到空调系统节能的限制目标，须要对系统中若干个空调机的限制采纳分布式人工智能限制策略，通过分布式人工智能方法动态地选择和运用最有效的空调机运行模式和限制参数，既充分考虑候车人群对空调舒适度的需求，又满意地铁空调系统的节能须要，实现地铁空调限制系统的柔性调整和高效节能限制，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限制系统，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。指导老师评语及成果成果：指导老师签字：年月日书目TOC\o"1-3"\h\u12245摘要 1319471方案概述 231091.1背景 2174321.2应用领域 3205231.3国内外探讨现状 377691.4功能描述 6291952方案创新点与难点 7153453系统实现原理 8205404硬件设计 9149965软件设计 10200535.1算法描述 103575.2软件运用 11105416系统测试及结果 1728416.1地铁站台空调系统节能潜力分析 17176566.1.1站台定员时的乘客散热负荷计算 17302416.1.2工作日候车乘客的散热负荷计算 1833996.1.3站台非工作日候车乘客散热负荷计算 18130926.1.4冷季节里的站台空调系统节能量计算 19322786.2测量与限制方案的可行性探讨 19113466.2.1分布式参数测量技术探讨与应用 19261976.3试验方案 24215977设计总结及改进措施 25142088心得体会 2616916参考文献 27基于信息智能处理的轨道交通节能限制系统摘要为了达到空调系统节能的限制目标，须要对系统中若干个空调机的限制采纳分布式人工智能限制策略，通过分布式人工智能方法动态地选择和运用最有效的空调机运行模式和限制参数，既充分考虑候车人群对空调舒适度的需求，又满意地铁空调系统的节能须要，实现地铁空调限制系统的柔性调整和高效节能限制，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，上海地铁日均运输超过530万客流，这个数字，占城市公共交通运输比例近四成。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旺盛。轨道交通具有运量大、速度快、平安、准点、爱护环境、节约能源和用地等特点。依据同等运力比较，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，削减用电总量，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纳“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汲取，如不能被汲取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。通风空调系统能耗凹凸与通风空调系统形式亲密相关。目前，国内地铁采纳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，其构成困难、限制繁琐，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，我们发觉：在车辆系统用电方面，车辆制动能量损耗缺乏有效限制，亟需在全电制动停车限制系统、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汲取系统，提出合理的再生电能汲取系统设置方案，有效汲取地铁车辆制动能量；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限制，采纳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限制系统所应用的领域为城市轨道交通系统。1.3国内外探讨现状近年来，已有若干将分布式人工智能理论、限制技术应用于分布式系统的探讨，并取得了肯定的成果。2000年，Srovnal教授提出了基于multi‐agent的管道网络分布式限制系统[3]；2001年，Blake教授提出了一种基于规则驱动Agent的分布式限制的自重构Agent架构[4]；2002年，Brennan教授提出了一种基于Agent的实时分布式限制系统的重构方法[5]；Maturana教授提出了一种工业分布式限制的自动Agent体系结构[6]；中国科学院院士、清华高校张钹教授分析了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限制策略，它能克服传统人工智能完全依靠先验学问建立的专用系统与环境交互及应付突变实力差的弱点，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实力[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探讨[1]；梁泉博士对多智能体系统的协作及限制作了全面的分析，提出了基于多智能体系统的分布式智能限制应用方向[11、12]；上海交通高校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，探讨基于多Agent的分布式限制系统中智能模块的自重构、自修复理论与方法[14、15、16、17]；合肥工业高校蒋建国教授和夏娜博士开展了基于MAS的分布式限制系统中的协同策略探讨，并先后得到教化部基金和2005年国家自然科学基金的资助[24、25、26、10]；浙江高校的刘海龙博士在其毕业论文中采纳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年头初为了促进不同进化算法之间的沟通而提出来的，现已成为“智能”与“优化”两个主题探讨的新热点，对组合优化的问题已有较多的探讨成果[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]。美国海军后勤探讨中心对进化计算的探讨极为重视，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沟通节点（GA‐List‐Request@），不定期编辑出版电子遗传算法文摘（GADigest），沟通有关遗传算法的最新信息。网络上与进化计算有关的信息事实上是一个有关进化计算的巨大资料库，为使探讨人员更便利地利用这些资源，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，而且可以获得自由软件，沟通科技报告等，如可获得1957年到现在的全部有关遗传算法的科技论文的书目，该书目中包括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年头，遗传算法迎来了兴盛发展时期，无论是理论探讨还是应用探讨都成了非常热门的课题。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限制、规划设计、组合优化、图象处理、信号处理、人工生命等。目前面对应用的软件产品有EVOLVER、OMEGA、PC/BEAGLE、GENERATOR、XPERTRULE、GENASYS。美国Illinois高校的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年头以来对进化计算进行了广泛探讨。特殊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探讨也取得了很多优秀成果。我国的遗传算法的探讨，从20世纪90年头以来始终处于不断上升的时期，特殊是近年来，遗传算法的应用在很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探讨，并取得了很多成果。在武汉高校软件工程国家重点试验室设有并行计算探讨室，进化计算已成为一个重要的探讨方向，目前已经出版了专著，并有很多硕士、博士探讨生围绕进化计算选题。另外，中国科学技术高校陈国良教授等出版了遗传算法的著作。西安交通高校以进化计算为主题的探讨工作也渐渐活跃起来，同时国内相关书籍也越来越多，如武汉高校刘勇、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bbs.matwav等都是很好的学习沟通论坛。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，现场总线限制系统(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、学问工程、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，探讨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，其学问、技能、目标和规划以进行高效联合求解。其探讨包括并行人工智能、分布式学问系统二大部分。分布式人工智能系统具有潜在的并行处理实力，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牢靠性，具有共享学问和资源的实力，对学问的处理速度快、实力强等特点。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，智能机构必需确定何时解题或完成任务，以及何时恳求其它智能机构来帮助完成任务；在合作方面，智能机构确定何时中断其现行工作，以满意来自其它智能机构的恳求，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，智能机构必需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限制供应了一条途径。该技术是为解决大规模困难系统限制问题的智能求解而发展起来的，通过对问题的描述、分解和安排，构成分散的、面对特定问题的相对简洁的子系统，并协调各子系统并行和相互协作地进行问题求解，其思想非常适合大规模限制问题的智能求解，是目前分布式人工智能领域的探讨热点，已被描述为设计和构建分布式困难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，人工智能限制技术近年来已渐渐应用于城市大型建筑物中心空调系统，2007年重庆高校热能工程系周洪煜博士论文探讨了基于人工智能和专家系统的中心空调整能运行及故障诊断技术与实现[20]，针对中心空调系统存在的非线性和大的滞后,采纳了创新的限制手段，在中心空调系统的运行限制中领先提出了先进的基于混合神经网络的非线性预料函数限制及SMITH预估限制算法，编制出限制算法软件并将其应用到实际对象中，达到预期的限制效果，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；河北工业高校刘作军博士在智能建筑VAV空调系统的节能限制系统中采纳分段限制方法，即分别在空调系统预冷阶段，采纳神经网络算法得出最佳预冷期；在空调系统调整限制阶段，通过前馈方式提前调整变风限制量；在提前停机限制中，采纳模糊限制的方法确定提前停机时间，取得了较好的节能限制效果[21]。目前轨道交通内空调设备的限制系统智能化不够，限制功能较简洁，缺乏学习实力；同时现场设备间只能进行简洁的协同工作，缺少有效的协调机制。单一的智能限制和分布式限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，空调限制系统进入了“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限制的提出，更要求各个机组的限制系统具有规范一样的结构功能以及良好的交互性和协作性。因此，探讨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功能描述此系统采纳物联网技术，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限制目标，对系统中若干个空调机组限制采纳分布式人工智能限制策略，通过分布式人工智能方法动态地选择和运用最有效的空调机运行模式和限制参数组。通过对人工智能限制方法的探讨，达到既充分考虑候车人群对空调系统的需求，又满意地铁空调系统节能目标的协调限制策略，最终实现地铁空调机组的优化调整和高效节能。2方案创新点与难点方案创新点为本系统将重点探讨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探讨工作。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），探讨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，使由空调机组限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来分析理论（StatisticsRegressionAnalysis，SRA），探讨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；探讨依据人群密度估计等级进行温湿度限制的模糊逻辑和限制策略。3）基于数据融合和数据挖掘技术对所获数据进行选择、探究和融合处理，探讨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限制策略，通过试验数据采集工作，建立地铁站台温湿度测量、人群平均密度与多空调机组限制参数的数学模型。限制系统方框图如图3.1：图中，人工智能限制器依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限制信号，即空调需求量输入信号。人工智能MAS进化限制器依据站台空调需求信号和节能激励进化计算结果，输出最优限制参数组限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限制效果，实现按需自动调整空调机组的节能限制目标。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、放射器,温湿度传感器……在这部分设计中，应将各部分电路细致连接，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，探讨和制定空调机组限制参数组序列的进化策略，建立多目标优化限制试验系统，使由空调机组限制参数组成的染色体序列依据系统的节能限制目标滚动比较、选择进化，实现节能限制参数组优先进化的人工智能限制策略；进化限制策略的组成模块示意图见下图5.1：上图中，限制算法基于模型算法限制(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。它采纳基于脉冲响应的非参数模型作为内部模型，用限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，应输出到各单元限制系统的优化限制参数组，完成整个限制循环。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纳了多目标进化算法，核心技术是限制系统依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嘉奖。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，依据求得的最优解的状况对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≤gmaxg=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。通过人工智能的限制方法，实现既充分考虑候车人群对空调系统温湿度的需求，又满意地铁空调系统节能须要的协调限制目标，实现地铁空调限制系统的柔性调整和高效节能。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，下面来分别简洁介绍。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状况。下图5.4为北京汉邦高科公司的视频监控软件有能够依据视频中人群密度的大小来推断是否须要报警的功能。下图5.5为设置该软件中人群平均密度水平分析的功能，设定须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限制，包括有开机、关机的限制，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。该软件能够在工业限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视察各个设备的运作状况，也能够限制各个在线的设备。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依据额定工况计算的，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改变的，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。为了探讨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，须要分析地铁站台候车乘客散热负荷的节能潜力。依据统计资料，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，统计状况如下图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确定，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则是不断改变的。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，m2δ—平均人群密度，人/m2定员状况下，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，依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状况下，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，依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。假如能改进站台多空调机组的限制策略，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测量与限制方案的可行性探讨6.2.1分布式参数测量技术探讨与应用1）地铁站台分布式温湿度测量技术探讨与应用建筑物内的温湿度信号具有可测性和可控性，但精确测量的难度在于它的分布特性，精确限制的难度在于它的数学测量模型具有模糊性和滞后性。依据国家建设部《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，采纳无线传感方式进行数据采集，现场测量端采纳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状况，建立地铁站台空调温湿度测量与限制的数学模型。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须要，现场测量设备采纳信号处理实力较强的CPU芯片及外围电路组成的测量端，信号传输协议采纳抗干扰实力较强的Zig‐Bee协议，同时传输过程采纳硬件中继方式，保障测量信号的正常传输。在此基础上，本系统将深化探讨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，向限制系统供应符合实际的分布式测量数据，使限制决策更加经济合理。连续分布式光纤温湿度测量技术是将来取代目前国内普遍采纳的“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。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。很多人群监控系统也相继在世界各地投入运用。如1995年，伦敦地铁最早采纳了人群监控系统，用以统计地铁站中的人群密度和流量统计，预防平安事故的发生。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，由于受到恐怖事务的威逼，一些国家和地区相继启动了进行基于视频分析的群体平安分析系统[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精确性，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，依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]。本系统采纳统计回来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状况[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来方程如下：式中第一项代表了一个总体趋势，即主要由像素信息确定：其次项代表了非线性关系．主要由纹理信息确定；第三项代表了观测噪声项。目前已在试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）模糊限制逻辑设计模糊限制的实现基本上有两种方法。第一种方法涉及到模糊化、限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程序实现模糊限制。该程序被编辑，其目标程序被写入DSP中用于执行。采纳商业化的ASIC芯片也能实现模糊限制。其次种方法是查表法。该方法将事先已完成的全部输入/输出静态映射计算结果（包括模糊化、限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。当用于精确限制时，查询表须要大量的存储空间，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限制器。6.2.2多机组空调系统优化限制策略可行性探讨空气调整器能效限定值及能效等级是空调系统节能限制的重要评估指标。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，事实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状况。能效比数值越大，表明该产品运用时所须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，我国发布了新居间空调器能效标准GB12021.3‐2010《房间空气调整器能效限定值及能效等级》，取代2004年发布的GB12021.3‐2004，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14000W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。能效比的测试方法依据GB/T7725‐2004《房间空气调整器》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。空调在全部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，所以空调整能省电。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始终到了7.0，究竟要不要立刻追着能效比买空调?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。厂家在市场上宣扬的数据基本上都是厂家自报的数据，并且这些数据都是从试验室得来的，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，但对家庭来说不肯定会达到省钱的目的。这是因为高能效比空调的成本太高，其价格是一般空调的10倍多，并且短时期内难以下降，依据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。由此推断，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，任何时候须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。限制目标：在限制过程中，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，协调限制空调系统内各机组依据优化后的限制参数运行，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，须要在限制参数组进化过程中引入节能激励因子F，对限制参数组的运行方式及限制目标进行调整，因此须要对现有的多目标进化算法进行改进详细思路是：在进化过程中，通过节能激励因子F调整空调系统限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限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：上图表明白进化算法的收敛性，在初始时进化的进度比率相对较高，经过数代进化后则渐渐趋近于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，不易陷入局部微小，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探讨为了实现地铁空调限制系统的柔性调整和高效节能，本系统通过人工智能的限制方法实现既充分考虑候车人群对空调舒适度的需求，又满意地铁空调系统节能须要的协调限制目标，须要探讨和设计一个空调系统能量管理系统节能监测及评估系统作为空调限制系统最优解的质量反馈环节实现闭环限制。6.3试验方案依据本系统探讨目标和内容，建立试验室小型试验系统。采纳高清楚摄像头采集人群密度图像；采纳无线检测系统获得环境温湿度信号；采纳智能电表采集空调系统电流、电压和功率等用电信息；采纳工业限制计算机通过以太网实现智能变频空调。试验方案如下图6.6：由于空调，摄像头，智能仪表，工控机等已安装于试验室小型试验系统,无法带到现场，在接下来的演示中我们用仿真代替。7设计总结及改进措施1．增大人群密度检测的精确度，便于后续更好地计算和限制；2．改进模糊限制的隶属度函数，使电脑能进行更有效地推断；3．在可控范围内增加加快多目标优化的收敛速度，使此方案更加节能环保。8心得体会通过这几天的物联网工程实训，让我慢慢进入了物联网的世界。在这几天的时间里，我们第一次进入了物联网试验室，由此，物联网工程那一层神奇的面纱也被揭开了。我们了解了物联网工程的大体走向，了解了它的基本构成以及基本应用，才发觉，在我们的生活中，它无处不在。在这次课程设计中，我们遇到了很多困难，也遇到了一些学问上的盲点，但是，我们并没有放弃，我们通过上网查找资料等方式，来弥补我们在学问方面的不足。这次课设让我受益匪浅，无论从学问上还是其他的各个方面。我们并没有真正的接触过物联网，只能从理论的角度去理解枯燥乏味。但在课设中见过甚至接触了物联网简洁模型，能够理论联系实际的学习，开阔了眼界，提高了物联网学问的理解和水平。在这次课程设计中又让我体会到了合作与团结的力气，当遇到不会或是设计不出来的地方，我们就会在QQ群里探讨或者是同学之间相互帮助。团结就是力气，无论在现在的学习中还是在以后的工作中，团结都是至关重要的，有了团结会有更多的理念、更多的思维、更多的情感。参考文献[1]史忠植.智能主体及其应用[M].北京:科学出版社,2000.[2]蔡自兴.艾真体‐分布式人工智能探讨的新课题[J].计算机科学，2002，29（12）：123~126.[3]SrovalV.,NevrivaP.Distributedcontrolsystemsofpipelinenetworksusingmulti‐agenttechnologies[A].Proceedingsofthe2ndIFAC/IFIP/IEEEConferenceonManagementandControlofProductionandLogistics[C].ElsevierScience,2001:1093~1099.[4]BlakeM.B.Rule‐drivencoordonationagents:aself‐configurableagentarthitedturefordistributedcontrol[A].Proceedingsofthe5thInter.SymposiumonAutonomousDecentralizedSystems(ISADS2001)[C].IEEEPress,2001:271~277.[5]BrennanR.W.,FletcherM.,NorrieD.H.Anagent‐basedapproachtoreconfigurationofreal‐timedistributedcontrolsystems[J].IEEETransactionsonRoboticsandAutomation,2002,18(4):444~451.[6]MaturanaF.,StaronR.,TichyP.,etal.Autonomousagentarthitectureforindustrialdistributedcontrol[A].Preceedingsofthe56thMeetingoftheSocietyforMachineryFailurePreventionTechnology[C].IEEEPress,2002:147~156.[7]ShehoryO.,KrausS.Coalitionformationamongautonomousagents:Strategyandcomplexity.In:CastelFranchis,PmullerJ.(Eds.).FromReactiontoCognition,LectureNotesinArtificialIntelligence,Berlin:Springer,1993:57~72.[8]ShehoryO.,KrausS.Taskallocationviacoalitionformationamongautonomousagents[A].Proc.ofIJCAI‐95[C].LosAngeles,CA,USA:MorganKaufmannPublishers,1995:655~661.[9]ShehoryO.,KrausS.Akernel‐orientedmodelforcoalition