神經(jīng)網(wǎng)絡(luò)技術(shù)在高鐵站多聯(lián)機(jī)空調(diào)節(jié)能控制中的應(yīng)用①

牛 茜,蔣 琴,王 瑤,趙宏宇,陳彥如

1(西南交通大學(xué) 計(jì)算機(jī)與人工智能學(xué)院,成都 611756)

2(西南交通大學(xué) 經(jīng)濟(jì)管理學(xué)院,成都 610031)

高鐵站室內(nèi)候車環(huán)境的熱舒適度直接影響乘客的候車體驗(yàn).通過空調(diào)系統(tǒng)可以有效調(diào)節(jié)室內(nèi)熱舒適度.但高鐵站室內(nèi)環(huán)境受到諸多因素影響[1],傳統(tǒng)人工設(shè)定固定溫度運(yùn)行空調(diào)系統(tǒng),存在能耗較高的缺點(diǎn)[2,3].由于神經(jīng)網(wǎng)絡(luò)技術(shù)具有自適應(yīng)能力、并行處理和高度魯棒性的特點(diǎn)[4],本文基于神經(jīng)網(wǎng)絡(luò)技術(shù),選擇四川省成都市某高鐵站為研究對(duì)象,以表征室內(nèi)環(huán)境舒適度的指標(biāo)—predicted mean vote (PMV)[5–7]、空調(diào)能耗綜合值為目標(biāo),采用JavaEE 架構(gòu)及Python 服務(wù)器,開發(fā)設(shè)計(jì)了高鐵站多聯(lián)機(jī)空調(diào)節(jié)能控制軟件系統(tǒng).

利用Energy Plus 仿真軟件建立真實(shí)高鐵站建筑模型及多聯(lián)機(jī)空調(diào)系統(tǒng)(包含獨(dú)立熱交換機(jī)系統(tǒng))模型,進(jìn)行一整年424 種工況的仿真,以PMV 熱舒適度和空調(diào)節(jié)能為指標(biāo),從百萬條仿真數(shù)據(jù)中提取控制規(guī)則,訓(xùn)練神經(jīng)網(wǎng)絡(luò)控制器[8].在冬季和夏季典型工況條件下,比較人工固定設(shè)置溫度與智能控制設(shè)置空調(diào)參數(shù)的能耗,預(yù)期得出神經(jīng)網(wǎng)絡(luò)智能控制不僅舒適而且節(jié)能的結(jié)論.

1 Energy Plus 仿真與數(shù)據(jù)收集

本文實(shí)際調(diào)研處于夏熱冬冷熱區(qū)的成都某高鐵站,利用調(diào)研得到的環(huán)境參數(shù)、建筑結(jié)構(gòu)參數(shù)、地理位置參數(shù),建立該高鐵站熱工環(huán)境[9].設(shè)定高鐵站冬季-夏季溫度組合、多聯(lián)機(jī)-熱交換機(jī)開啟數(shù)量的組合,利用Energy Plus 平臺(tái)仿真模擬該高鐵站空調(diào)系統(tǒng)在不同工況下一年的能耗情況,并結(jié)合實(shí)際調(diào)研的環(huán)境參數(shù)進(jìn)行對(duì)比和修正[10].

該車站為高架車站,站廳層高6 m,吊頂1 m,可大致分為辦公區(qū)、候車區(qū)、離站區(qū)3 個(gè)區(qū)域,其中候車區(qū)的尺寸為78 m×26 m×5 m.結(jié)合高鐵站的地理位置參數(shù)和建筑結(jié)構(gòu)參數(shù),在SketchUp 軟件中建立了該高鐵站的三維模型,再在IDFEditor中修改IDF 文件,最后將IDF 文件導(dǎo)入Energy Lanch 用于Energy Plus 平臺(tái)仿真復(fù)現(xiàn)高鐵站實(shí)際環(huán)境下的能耗情況.

該車站的空調(diào)系統(tǒng)包括地源熱泵系統(tǒng)、獨(dú)立新風(fēng)系統(tǒng)以及全空氣空調(diào)系統(tǒng),房間里布置有5 臺(tái)多聯(lián)機(jī)和8 臺(tái)熱交換機(jī)兩種溫控設(shè)備,模擬溫控設(shè)備工作時(shí)段為07:00–23:00.由于不同個(gè)體對(duì)熱舒適度感知存在差異,本研究設(shè)置8 種冬季-夏季空調(diào)設(shè)定溫度的組合,如表1所示.組合兩種溫控設(shè)備不同的開啟臺(tái)數(shù),如表2所示,得到5+8+40=53 種工況,結(jié)合8 種溫度設(shè)置范圍,共設(shè)置424 種工況.在仿真模型中,每隔1 h 仿真一次室外環(huán)境參數(shù),為期1年,每個(gè)工況得到24×365=8 760 條仿真數(shù)據(jù).

表1 冬季-夏季溫度組合 (℃)

表2 溫控設(shè)備開啟臺(tái)數(shù)的組合

仿真模型將室內(nèi)外環(huán)境參數(shù)及空調(diào)參數(shù)共8 個(gè)參數(shù)作為輸入數(shù)據(jù),包括室外溫度、室內(nèi)溫度、室內(nèi)濕度、室內(nèi)二氧化碳濃度、多聯(lián)機(jī)開啟臺(tái)數(shù)、多聯(lián)機(jī)設(shè)置溫度、熱交換機(jī)開啟臺(tái)數(shù)和客流密度.Energy Plus通過仿真模型得到的實(shí)例數(shù)據(jù)為后續(xù)神經(jīng)網(wǎng)絡(luò)控制器提供訓(xùn)練數(shù)據(jù)集.

2 神經(jīng)網(wǎng)絡(luò)控制器

神經(jīng)網(wǎng)絡(luò)控制器參數(shù)由訓(xùn)練的分類器獲得.用分類器對(duì)各參數(shù)及各環(huán)境下的舒適度和能耗等級(jí)做分類,根據(jù)分類結(jié)果篩選出舒適度最高且能耗等級(jí)低的數(shù)據(jù),對(duì)這些數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò),輸入環(huán)境參數(shù),輸出控制參數(shù).

將室外干球溫度、室內(nèi)溫度、濕度、CO2濃度、客流量5 列數(shù)據(jù),作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集,得到3 個(gè)模型,分別為多聯(lián)機(jī)開啟數(shù)量、熱交換機(jī)開啟數(shù)量、空調(diào)溫度決策模型.如圖1所示,神經(jīng)網(wǎng)絡(luò)的輸入為室外干球溫度、室內(nèi)溫度、濕度、CO2濃度和客流量,輸出只有一個(gè).3 個(gè)神經(jīng)網(wǎng)絡(luò)的輸出分別為多聯(lián)機(jī)開啟數(shù)量、熱交換機(jī)開啟數(shù)量、空調(diào)溫度,均定義6 層網(wǎng)絡(luò),輸入層節(jié)點(diǎn)數(shù)為5和隱藏層節(jié)點(diǎn)數(shù)分別為64、32、16、8,輸入層和隱藏層以ReLU 函數(shù)作為激活函數(shù),最后一層采用Softmax 作為輸出,節(jié)點(diǎn)為1[11,12].由于訓(xùn)練3 個(gè)模型使用的神經(jīng)網(wǎng)絡(luò)相同,故用圖1統(tǒng)一表示,其輸出節(jié)點(diǎn)表示3 個(gè)模型的輸出分別為多聯(lián)機(jī)開啟數(shù)量、熱交換機(jī)開啟數(shù)量、空調(diào)溫度.

圖1 神經(jīng)網(wǎng)絡(luò)層次圖

神經(jīng)網(wǎng)絡(luò)控制器實(shí)際模擬控制流程如圖2所示,首先讀取傳感器實(shí)時(shí)監(jiān)測(cè)到的環(huán)境參數(shù),即室外干球溫度、室內(nèi)溫度、CO2濃度、濕度、客流量.服務(wù)器將環(huán)境參數(shù)存儲(chǔ)到數(shù)據(jù)庫中并在瀏覽器的監(jiān)控界面實(shí)時(shí)顯示.環(huán)境監(jiān)測(cè)子系統(tǒng)實(shí)時(shí)監(jiān)測(cè)是否出現(xiàn)數(shù)據(jù)異?；騻鞲衅鞴收系忍厥馇闆r,并可以將異常情況反饋到監(jiān)控界面進(jìn)行可視化.

圖2 控制流程圖

每隔1 h 計(jì)算服務(wù)器的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊以環(huán)境參數(shù)作為模型輸入?yún)?shù)進(jìn)行訓(xùn)練,通過3 個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型輸出對(duì)應(yīng)的空調(diào)參數(shù),即多聯(lián)機(jī)開啟臺(tái)數(shù)、熱交換機(jī)開啟臺(tái)數(shù)和空調(diào)設(shè)置溫度.輸出的控制規(guī)則存儲(chǔ)到數(shù)據(jù)庫中并在瀏覽器的參數(shù)設(shè)置界面顯示,最終傳送到空調(diào)執(zhí)行控制系統(tǒng)執(zhí)行控制規(guī)則.

仿真流程如圖3所示.在具體仿真過程中,下一狀態(tài)的室內(nèi)環(huán)境參數(shù)無法直接獲取,需要通過算法模型預(yù)測(cè)得到.由Energy Plus 仿真獲得的天氣數(shù)據(jù)用來訓(xùn)練模型,首次輸入的環(huán)境參數(shù)為Energy Plus 仿真數(shù)據(jù),后續(xù)輸入?yún)?shù)除室外干球溫度需讀取天氣數(shù)據(jù)文件外,室內(nèi)環(huán)境參數(shù)都為經(jīng)過調(diào)用神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型得出的空調(diào)控制參數(shù)結(jié)合當(dāng)前時(shí)刻的環(huán)境參數(shù)預(yù)測(cè)得到.

圖3 仿真流程圖

Energy Plus 軟件仿真采集大量數(shù)據(jù),將高鐵站室內(nèi)不滿意預(yù)測(cè)百分比(PPD) 作為目標(biāo)函數(shù),室外天氣、客流密度、室內(nèi)溫度、室內(nèi)濕度、室內(nèi)CO2濃度、空調(diào)設(shè)置溫度、空調(diào)臺(tái)數(shù)和熱交換機(jī)臺(tái)數(shù)為模型輸入?yún)?shù),通過深度森林模型,輸出在不同工況下的室內(nèi)不滿意預(yù)測(cè)百分比(PPD)[13].

3 軟件系統(tǒng)設(shè)計(jì)

該高鐵站多聯(lián)機(jī)空調(diào)節(jié)能控制軟件系統(tǒng)以Java Enterprise Edition (JavaEE)為開發(fā)標(biāo)準(zhǔn),系統(tǒng)整體架構(gòu)如圖4所示,按照系統(tǒng)功能的特點(diǎn),拆分出瀏覽器模塊、Web 服務(wù)器模塊、深度學(xué)習(xí)計(jì)算服務(wù)器模塊、MySQL 數(shù)據(jù)庫模塊、數(shù)據(jù)采集集中模塊、空調(diào)控制執(zhí)行模塊,各模塊獨(dú)立部署,耦合性降低,有利于提高系統(tǒng)的穩(wěn)定性[14].

圖4 系統(tǒng)整體架構(gòu)

本系統(tǒng)利用JavaEE的3 層體系結(jié)構(gòu)即表示層、中間層和數(shù)據(jù)層來完成程序功能的開發(fā)[15]:表現(xiàn)層由瀏覽器端可視化界面設(shè)計(jì)實(shí)現(xiàn),Web 服務(wù)器和深度學(xué)習(xí)服務(wù)器作為中間層與其余模塊交互,數(shù)據(jù)層通過對(duì)MySQL 數(shù)據(jù)庫的操作實(shí)現(xiàn).

本系統(tǒng)瀏覽器端的可視化界面利用表現(xiàn)層技術(shù)實(shí)現(xiàn),包括:HTML 技術(shù)、JavaScript 技術(shù)、Vue.js 技術(shù)等[15].瀏覽器的室內(nèi)外環(huán)境參數(shù)監(jiān)控界面和空調(diào)及熱交換機(jī)參數(shù)監(jiān)控與設(shè)計(jì)頁面分別可以實(shí)時(shí)顯示W(wǎng)eb瀏覽器中室內(nèi)外環(huán)境監(jiān)控子系統(tǒng)接收的環(huán)境參數(shù)和空調(diào)及熱交換機(jī)控制子系統(tǒng)的控制方案.

中間層的深度學(xué)習(xí)服務(wù)器作為本系統(tǒng)的核心,通過室內(nèi)外環(huán)境監(jiān)控子系統(tǒng)接收的環(huán)境參數(shù)作為輸入,經(jīng)過計(jì)算服務(wù)器中的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊輸出控制規(guī)則.空調(diào)及熱交換機(jī)控制子系統(tǒng)接收輸出結(jié)果,將控制規(guī)則在空調(diào)與熱交換機(jī)參數(shù)監(jiān)控與設(shè)置界面顯示,同時(shí)調(diào)用空調(diào)控制執(zhí)行單元,實(shí)現(xiàn)智能控制.

數(shù)據(jù)庫模塊選取主流的MySQL 來設(shè)計(jì).MySQL數(shù)據(jù)庫和Web 服務(wù)器、計(jì)算服務(wù)器進(jìn)行數(shù)據(jù)交互,存儲(chǔ)數(shù)據(jù)與測(cè)試結(jié)果.基于JavaEE 構(gòu)架的系統(tǒng)數(shù)據(jù)層,用到JDBC 操作數(shù)據(jù)庫中的表和數(shù)據(jù),通過JDBC 大幅度降低關(guān)系數(shù)據(jù)庫發(fā)送SQL 語句的難度[16].

4 模擬控制實(shí)驗(yàn)與測(cè)試

由于夏季和冬季室內(nèi)環(huán)境參數(shù)變化較大,為實(shí)現(xiàn)高鐵站舒適則對(duì)空調(diào)系統(tǒng)的調(diào)節(jié)控制能力有更高的要求,因此本文選擇在1月、2月、7月、8月這4 個(gè)月監(jiān)測(cè)的數(shù)據(jù)作為參考數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行模擬測(cè)試.

通過采集某高鐵站2019年7月、8月(62 天)和2020年1月、2月 (60 天)的客流密度、室內(nèi)溫度、濕度、CO2濃度、客流量數(shù)據(jù),分別采用神經(jīng)網(wǎng)絡(luò)控制器控制與傳統(tǒng)高鐵站的空調(diào)系統(tǒng)固定參數(shù)設(shè)置的控制方法(半開、全開)進(jìn)行節(jié)能對(duì)比.

4.1 數(shù)據(jù)處理

將數(shù)據(jù)集輸入模型進(jìn)行訓(xùn)練前,需要對(duì)其進(jìn)行預(yù)處理,按月份將數(shù)據(jù)分為4 組,并進(jìn)行缺失值與異常值的處理[11].數(shù)據(jù)預(yù)處理后的數(shù)據(jù)集如表3所示.

表3 實(shí)驗(yàn)數(shù)據(jù)集的樣本、特征、問題屬性數(shù)量

4.2 節(jié)能對(duì)比

以室外干球溫度、室內(nèi)溫度、濕度、CO2濃度、客流量5 列數(shù)據(jù)為參數(shù)輸入系統(tǒng),分別在全開(開啟5 臺(tái)多聯(lián)機(jī)和8 臺(tái)熱交換機(jī))和半開(開啟2 臺(tái)多聯(lián)機(jī)和4 臺(tái)熱交換機(jī))以及神經(jīng)網(wǎng)絡(luò)控制器控制情況下計(jì)算能耗,全開和半開固定設(shè)置空調(diào)溫度為夏季23 ℃,冬季22 ℃,輸出數(shù)據(jù)按照日期生成62 (7月和8月)+60 (1月和2月)=122 份,輸出室外干球溫度、室內(nèi)平均溫度、CO2濃度、濕度、客流量、能耗、PMV、空調(diào)參數(shù).

為保持變量的唯一性,選取PMV 相同條件下的能耗值,計(jì)算1、2、7、8月的每日總能耗,將1、2月每日總能耗相加求這60 份數(shù)據(jù)的平均值作為冬季每日的平均能耗;將7、8月每日總能耗相加求這62 份數(shù)據(jù)的平均值為夏季每日平均能耗,結(jié)果如表4所示.

表4 全開、半開、自動(dòng)模式下的平均能耗值(kW·h/日)

由表4可知,冬季制熱工況比夏季制冷工況更為耗能.

為凸顯自動(dòng)、半開和全開3 種控制方式的區(qū)別,本文選取夏天7月27日在全開、半開、自動(dòng)模式下每時(shí)刻的能耗對(duì)比如圖5所示.

由圖5和表4可知,3 種控制方案中,由神經(jīng)網(wǎng)絡(luò)控制器控制的自動(dòng)模式的性能最佳,更滿足節(jié)能要求.

圖5 全開、半開、自動(dòng)模式在夏季的能耗對(duì)比圖

由于在下午12–17 點(diǎn)這段時(shí)間中天氣最炎熱,3 種控制方式的能耗會(huì)在這段時(shí)間中達(dá)到最大值.半開和全開模式下在一天中設(shè)定相同的空調(diào)系統(tǒng)參數(shù),而自動(dòng)控制模式不同于半開和全開,當(dāng)室內(nèi)環(huán)境達(dá)到舒適度的時(shí)候,空調(diào)系統(tǒng)關(guān)閉,此時(shí)能耗降至0,于整體上實(shí)現(xiàn)節(jié)能.

5 總結(jié)

本文以某高鐵站為研究對(duì)象,基于神經(jīng)網(wǎng)絡(luò)技術(shù),以實(shí)現(xiàn)適宜PMV、節(jié)省能耗為目標(biāo),開發(fā)設(shè)計(jì)了高鐵站多聯(lián)機(jī)空調(diào)節(jié)能控制軟件系統(tǒng).通過在夏季和冬季典型工況條件下對(duì)比人工固定設(shè)置空調(diào)調(diào)節(jié)參數(shù)和神經(jīng)網(wǎng)絡(luò)模型智能控制調(diào)節(jié)參數(shù)在一天24 h中的能耗和PMV 對(duì)比可知,智能控制調(diào)節(jié)參數(shù)比傳統(tǒng)的人工設(shè)置模式更加節(jié)能舒適.

本文所選研究對(duì)象所采用的多聯(lián)機(jī)不是傳統(tǒng)的空調(diào)系統(tǒng),但是所選用的控制方法同樣適用于典型的空調(diào)系統(tǒng).后期在系統(tǒng)正式運(yùn)用時(shí)會(huì)采用C 語言代替Python 語言用Matlab 與Energy Plus 聯(lián)合實(shí)現(xiàn)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)控制器.