楊 福，王衍金，江戰(zhàn)紅

（1.華東交通大學(xué)土木建筑學(xué)院，江西 南昌330013；2.南昌軌道交通集團(tuán)有限公司，江西 南昌330038）

隨著城市軌道交通需求的迅速擴(kuò)大，地鐵已經(jīng)成為現(xiàn)代城市不可或缺的公共交通方式，極大地緩解了地面交通壓力，方便了人們出行。乘坐地鐵不但方便快捷，而且是一種綠色環(huán)保的公共交通出行方式。然而，高能耗也是地鐵站運(yùn)營過程中面臨的實(shí)際問題，當(dāng)前地鐵站通風(fēng)空調(diào)系統(tǒng)一般按照最大負(fù)荷需求進(jìn)行設(shè)計(jì)，且很大一部分地鐵站的通風(fēng)空調(diào)系統(tǒng)在運(yùn)行過程中并未根據(jù)站內(nèi)人流量的變化進(jìn)行實(shí)時(shí)調(diào)節(jié)，導(dǎo)致地鐵站通風(fēng)空調(diào)系統(tǒng)設(shè)備負(fù)荷率低，系統(tǒng)能效比遠(yuǎn)低于設(shè)計(jì)值，能源利用效率低[1]。近年來地鐵實(shí)際運(yùn)營數(shù)據(jù)顯示，地鐵站全年空調(diào)能耗約占其全年總能耗的31%[2]。降低地鐵站通風(fēng)空調(diào)系統(tǒng)能耗是降低地鐵站運(yùn)行能耗的重要途徑。

由于地鐵站不同時(shí)段人流量變化較大，導(dǎo)致通風(fēng)空調(diào)系統(tǒng)負(fù)荷的波動，人流高峰時(shí)段和低峰時(shí)段相差甚大。要對地鐵站通風(fēng)空調(diào)系統(tǒng)采取運(yùn)行調(diào)節(jié)措施，降低運(yùn)行能耗，就必須對地鐵內(nèi)人流量及人員冷負(fù)荷進(jìn)行預(yù)測。建立準(zhǔn)確可靠的人流量預(yù)測模型，對站內(nèi)的人員冷負(fù)荷進(jìn)行計(jì)算分析，可為通風(fēng)空調(diào)系統(tǒng)的運(yùn)行調(diào)節(jié)提供重要的數(shù)據(jù)支撐。

當(dāng)前冷負(fù)荷系數(shù)法是人員冷負(fù)荷計(jì)算的主要方法[3]，該方法把得熱計(jì)算和負(fù)荷計(jì)算兩步合并成一步，通過冷負(fù)荷系數(shù)直接從各種擾量源求得分項(xiàng)逐時(shí)冷負(fù)荷。然而由于地鐵站深處地下，其圍護(hù)結(jié)構(gòu)內(nèi)表面溫度日逐時(shí)變化較小，人流量存在較大的波動性，且從室外進(jìn)入地鐵站內(nèi)時(shí)的散熱散濕狀況較為復(fù)雜，本文在對地鐵站人流量進(jìn)行預(yù)測的基礎(chǔ)上，采用人體散熱模型進(jìn)行人員冷負(fù)荷的預(yù)測計(jì)算。

1 GA-BP神經(jīng)網(wǎng)絡(luò)方法

1.1 傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法

地鐵站人流量分析和預(yù)測不但是地鐵規(guī)劃設(shè)計(jì)的基礎(chǔ)，也是地鐵運(yùn)營公司和學(xué)者們關(guān)注的重點(diǎn)，學(xué)者們也提出了一些人流量預(yù)測模型，比如時(shí)間序列分析模型（ARMA，ARIMA）[4-5]、灰色預(yù)測模型[6]等。然而，對地鐵站動態(tài)人流量的預(yù)測分析，這些方法存在一定的局限性，不具備自學(xué)習(xí)和泛化能力，預(yù)測精度也比較低，難以得到理想的預(yù)測結(jié)果。隨著人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法的興起，如BP神經(jīng)網(wǎng)絡(luò)[7-8]、支持向量機(jī)[9]等模型的應(yīng)用很好地解決了自學(xué)習(xí)和泛化能力的問題。在預(yù)測方面，BP神經(jīng)網(wǎng)絡(luò)法可以實(shí)現(xiàn)復(fù)雜的非線性問題，正是這種特點(diǎn)，使得BP神經(jīng)網(wǎng)絡(luò)法成為當(dāng)前主要的預(yù)測方法之一。

1.2 GA-BP預(yù)測模型

雖然BP神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，但也存在不足。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)法初始權(quán)值隨機(jī)賦值，容易使網(wǎng)絡(luò)陷入局部極小，導(dǎo)致全局達(dá)不到最優(yōu)[10]，這個(gè)問題使得傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型無法對地鐵站人流量進(jìn)行準(zhǔn)確穩(wěn)定的預(yù)測分析。針對該問題，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（GA-BP）對地鐵站人流量進(jìn)行預(yù)測分析，通過遺傳算法得到最優(yōu)初始權(quán)值和閾值并將其輸入到BP神經(jīng)網(wǎng)絡(luò)中。

遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，根據(jù)建立的BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，用訓(xùn)練數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到預(yù)測的輸出值，計(jì)算預(yù)測輸出和期望輸出之間的誤差，將誤差絕對值之和作為個(gè)體適應(yīng)度值F[11]

式中：n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yi為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)的期望輸出；oi為第i個(gè)節(jié)點(diǎn)的預(yù)測輸出；k為系數(shù)。

個(gè)體的選擇基于適應(yīng)度比例的選擇方法，每個(gè)個(gè)體的選擇概率pi為

式中：Fi為個(gè)體i的適應(yīng)度值，根據(jù)研究內(nèi)容，適應(yīng)度值越小越好，所以個(gè)體被選擇概率與適應(yīng)度值成反比；k為系數(shù)；N為種群個(gè)體數(shù)目。

2 人員冷負(fù)荷計(jì)算模型

人體與周圍環(huán)境的換熱是自然對流換熱、受迫對流換熱、輻射換熱以及潛熱換熱共同作用的結(jié)果，受體表溫度[12]、環(huán)境溫度、空氣流速以及風(fēng)向的影響[13]。當(dāng)風(fēng)速較小時(shí)以自然對流為主，風(fēng)速較大時(shí)以受迫對流為主[14-16]。由于地鐵站處于地下，圍護(hù)結(jié)構(gòu)內(nèi)表面溫度逐時(shí)變化較小，人體與圍護(hù)結(jié)構(gòu)內(nèi)表面的輻射換熱量轉(zhuǎn)化的冷負(fù)荷可忽略不計(jì)。研究表明，簡化人體的幾何形狀對人體與環(huán)境之間的整體熱傳遞影響不大[17]。一個(gè)身高約為1.7 m，體重約為60 kg的成年男子，其外表面積約為1.69 m2，為簡化人體與環(huán)境的復(fù)雜換熱過程，本文將人體簡化為一個(gè)高1.7 m，底面直徑為0.3 m的光滑圓柱，且人體表面溫度均勻。

2.1 人體表面受迫對流換熱

當(dāng)人體周圍空氣流速較大時(shí)，人體表面以受迫對流換熱為主，當(dāng)風(fēng)速大于0.75 m/s時(shí)，人體表面自然對流的影響可忽略不計(jì)[13]。人體表面受迫對流受環(huán)境風(fēng)速、風(fēng)向以及湍流強(qiáng)度的影響[18]

式中：N u為努謝爾特?cái)?shù)；下標(biāo)0表示湍流強(qiáng)度I為0%時(shí)的值；B為常系數(shù)；ReT為湍流能量產(chǎn)生和消耗的比率，ReT=I×Re0.5；Re為雷諾數(shù)，Re=lv/v；v為人體周圍空氣流速，m/s。

式中：I為湍流強(qiáng)度，反映脈動風(fēng)速的相對強(qiáng)度；v′為風(fēng)速的標(biāo)準(zhǔn)偏差；V為平均風(fēng)速。

N u的定義

式中：h為對流換熱系數(shù)，W/（m2·k）；l為定型尺寸；λ為導(dǎo)熱系數(shù)，W/（m·k）。

將式（6）代入式（4）得

式中：A，n為常系數(shù)，根據(jù)實(shí)驗(yàn)數(shù)據(jù)所得[18]，A=9.93，B=1.03，n=0.54。

人體表面受迫對流換熱量Qx為

式中：AD為人體外表面積。

綜合式（8）和式（11）可知，地鐵站人員與環(huán)境對流換熱量形成的逐時(shí)冷負(fù)荷Q1為

式中：nτ為逐時(shí)人流量。

2.2 人體呼吸散熱

人體呼吸散熱包含呼吸顯熱散熱和呼吸潛熱散熱兩部分[19-20]

式中：Qs，res為呼吸顯熱散熱；mres為呼吸質(zhì)量流量；Tex為呼出空氣溫度；Ta為周圍環(huán)境空氣溫度。

式中：dex為呼出空氣含濕量；da為周圍環(huán)境空氣含濕量；hfg為水的汽化潛熱。

2.3 人體皮膚表面蒸發(fā)潛熱換熱

人體皮膚表面蒸發(fā)潛熱換熱包含皮膚擴(kuò)散蒸發(fā)散熱，皮膚汗液蒸發(fā)散熱[19-20]

式中：Qe，dif為皮膚擴(kuò)散蒸發(fā)散熱；Qe，rsw為皮膚汗液蒸發(fā)散熱。

式中：wrsw為由調(diào)節(jié)性出汗引起的皮膚濕潤度；Qe，sk為皮膚表面蒸發(fā)散熱；w為皮膚表面濕潤度[21]；Qe，max為人體表面最大蒸發(fā)量，其取決于皮膚和周圍環(huán)境的水蒸氣壓力之差。

式中：Psk，s為皮膚表面的水蒸氣分壓力；Pa為環(huán)境空氣水蒸氣分壓力；Re，t為服裝與環(huán)境之間的蒸發(fā)熱阻[22]。

綜合式（9）、式（12）和式（19），地鐵站人員逐時(shí)冷負(fù)荷Q為

3 結(jié)果驗(yàn)證與分析

采用Matlab編程對地鐵站動態(tài)人員冷負(fù)荷進(jìn)行預(yù)測。由于地鐵站人流量的逐時(shí)變化，人員冷負(fù)荷也是動態(tài)變化的；因此對地鐵站內(nèi)的全天逐時(shí)人流量和人員冷負(fù)荷進(jìn)行預(yù)測計(jì)算。選用南昌地鐵1號線雙港站和地鐵大廈站2016年和2017年6月至8月的日逐時(shí)人流數(shù)據(jù)作為訓(xùn)練輸入和驗(yàn)證數(shù)據(jù)，雙港站是起始站，地鐵大廈站是中轉(zhuǎn)站。取2016年6月和7月的數(shù)據(jù)作為訓(xùn)練集輸入數(shù)據(jù)，2017年6月和7月的數(shù)據(jù)作為訓(xùn)練集輸出數(shù)據(jù)，將2016年和2017年8月的數(shù)據(jù)進(jìn)行仿真檢測網(wǎng)絡(luò)的預(yù)測準(zhǔn)確度。地鐵營運(yùn)時(shí)間為6：00至23：00，輸入神經(jīng)元數(shù)目為18，隱含層數(shù)為12，輸出神經(jīng)元數(shù)目為18，通過M atlab中的trainlm函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)為種群規(guī)模100，進(jìn)化代數(shù)500，權(quán)值和閾值的取值范圍為[-3，3]。

利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)確定其最優(yōu)權(quán)值wij，wjk和閾值θj，2個(gè)地鐵站的平均適應(yīng)度值在前期進(jìn)化時(shí)不斷降低，經(jīng)過第261代的進(jìn)化后，平均適應(yīng)度值趨于穩(wěn)定，穩(wěn)定在147，而地鐵大廈站，在進(jìn)化了153代后，平均適應(yīng)度值趨于平穩(wěn)，穩(wěn)定在178，此時(shí)的權(quán)值和閾值即為最優(yōu)初始權(quán)值和閾值。

將優(yōu)化后的最優(yōu)初始權(quán)值和閾值輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，將得到的預(yù)測人流量與實(shí)際監(jiān)測人流量值進(jìn)行比較。圖1和圖2為GA-BP方法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)法及實(shí)際監(jiān)測人流量日逐時(shí)人流量的比較結(jié)果。將得到的人流量預(yù)測結(jié)果代入人員冷負(fù)荷計(jì)算模型中，得出的人員冷負(fù)荷結(jié)果與實(shí)際監(jiān)測人流量與人員冷負(fù)荷值進(jìn)行比較。圖3和圖4是本文提出的GA-BP方法與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)法及實(shí)際監(jiān)測人流量日逐時(shí)人員冷負(fù)荷值的比較結(jié)果。

圖1 雙港站日逐時(shí)人流量對比結(jié)果Fig.1 Comparisons of the hourly passenger flow in the Shuanggang Station

圖2 地鐵大廈站日逐時(shí)人流量對比結(jié)果Fig.2 Comparisons of the hourly passenger flow in the Metro Central Station

圖3 雙港站日逐時(shí)人員冷負(fù)荷對比結(jié)果Fig.3 Comparisons of the hourly personnel cooling load in the Shuanggang Station

圖4 地鐵大廈站日逐時(shí)人員冷負(fù)荷對比結(jié)果Fig.4 Comparisons of the hourly personnel cooling load in the Metro Central Station

比較可知，在雙港站和地鐵大廈站日逐時(shí)人員冷負(fù)荷值預(yù)測結(jié)果中，GA-BP模型和BP模型所得逐時(shí)預(yù)測結(jié)果均接近實(shí)測結(jié)果，而GA-BP模型的預(yù)測結(jié)果誤差較小。GA-BP模型與BP模型誤差比較如表1所示。

通過比較可知，雙港站和地鐵大廈站的GABP模型所得預(yù)測結(jié)果都明顯更接近實(shí)測結(jié)果，相比于傳統(tǒng)BP模型，GA-BP模型預(yù)測結(jié)果更穩(wěn)定，波動幅度較小，預(yù)測誤差降低10%左右。對比雙港站和地鐵大廈站，GA-BP模型的預(yù)測結(jié)果表明，地鐵大廈站的預(yù)測誤差比雙港站偏大6.59%，其原因是地鐵大廈站是中轉(zhuǎn)站，客流量較大，且每日逐時(shí)人數(shù)波動較大，導(dǎo)致人員冷負(fù)荷波動大，預(yù)測準(zhǔn)確度降低。

在人員冷負(fù)荷預(yù)測結(jié)果的分析過程中，本文采用擬合相關(guān)系數(shù)指標(biāo)R2評價(jià)每日逐時(shí)人員冷負(fù)荷預(yù)測準(zhǔn)確度，通過計(jì)算每日逐時(shí)預(yù)測值曲線與實(shí)際值曲線的擬合程度來評價(jià)預(yù)測算法的擬合能力，R2越接近于1，則代表擬合程度越高，預(yù)測準(zhǔn)確性越好。

表1 逐時(shí)人員冷負(fù)荷預(yù)測結(jié)果平均誤差對比Tab.1 Comparative results of the hourly personnel cooling load average error for the prediction models%

分別就GA-BP方法和BP神經(jīng)網(wǎng)絡(luò)方法對人員冷負(fù)荷預(yù)測結(jié)果的擬合相關(guān)系數(shù)進(jìn)行了比較，結(jié)果如圖5和圖6所示。

圖5 雙港站人員冷負(fù)荷擬合相關(guān)系數(shù)對比Fig.5 Comparison of the fitting correlation coefficients for the personnel cooling load in the Shuanggang Station

圖6 地鐵大廈站人員冷負(fù)荷擬合相關(guān)系數(shù)對比Fig.6 Comparison of the fitting correlation coefficients for the personnel cooling load in the Metro Central Station

比較結(jié)果可知，2個(gè)地鐵站的GA-BP模型對人員冷負(fù)荷預(yù)測的擬合相關(guān)系數(shù)較為穩(wěn)定，而傳統(tǒng)BP模型的擬合相關(guān)系數(shù)波動較大，僅有部分日期的擬合相關(guān)系數(shù)較接近1.0。由此可見傳統(tǒng)BP模型人員冷負(fù)荷預(yù)測結(jié)果偏差更大，且人員冷負(fù)荷預(yù)測結(jié)果波動較大。雙港站的預(yù)測結(jié)果顯示，相比于傳統(tǒng)BP預(yù)測模型，GA-BP模型擬合相關(guān)系數(shù)R2更接近1.0，平均值為0.924 6，而BP模型的擬合相關(guān)系數(shù)平均值為0.823 9。地鐵大廈站GA-BP模型擬合相關(guān)系數(shù)平均值為0.891 7，而BP模型的擬合系數(shù)平均值為0.874 3，說明GA-BP預(yù)測模型比BP模型更準(zhǔn)確，優(yōu)化效果明顯。圖7是雙港站和地鐵大廈站的擬合相關(guān)系數(shù)比較結(jié)果，地鐵大廈站的人員冷負(fù)荷擬合度比雙港站低，擬合相關(guān)系數(shù)平均值低0.032 9，且6，9，20 d和27 d的擬合系數(shù)值偏差較大。由于地鐵大廈站是中轉(zhuǎn)站，日逐時(shí)人數(shù)波動較大，導(dǎo)致人員冷負(fù)荷波動較大，擬合度降低；因此地鐵大廈站的預(yù)測結(jié)果偏差比雙港站大。

圖7 兩站人員冷負(fù)荷擬合相關(guān)系數(shù)對比Fig.7 Comparison of the fitting correlation coefficients for the personnel cooling load in the two stations

綜上所述，GA-BP模型比傳統(tǒng)的BP模型預(yù)測效果更好，預(yù)測準(zhǔn)確性更高。但是，GA-BP模型的預(yù)測誤差仍然在10%左右，主要原因是地鐵站人數(shù)波動較大，人員冷負(fù)荷處于動態(tài)變化當(dāng)中，難以得到更加準(zhǔn)確的網(wǎng)絡(luò)模型；雖然大部分日期的逐時(shí)人員冷負(fù)荷擬合程度較好，但是仍然有部分日期的R2值偏低，在9 d和25 d后的R2值降低幅度較大，原因是人數(shù)變化太大，導(dǎo)致人員冷負(fù)荷波動較大，預(yù)測準(zhǔn)確度降低。盡管在人員波動較大時(shí)GA-BP模型的預(yù)測結(jié)果仍存在偏差，但相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型更加準(zhǔn)確，且穩(wěn)定性更佳，更加適用于地鐵站人員冷負(fù)荷的預(yù)測分析。

4 結(jié)論

地鐵站人員冷負(fù)荷的預(yù)測對于地鐵站通風(fēng)空調(diào)系統(tǒng)的節(jié)能運(yùn)行有重要意義，建立了地鐵站人員冷負(fù)荷計(jì)算模型，并采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對地鐵站的人流量和人員冷負(fù)荷進(jìn)行了預(yù)測，得出以下結(jié)論。

1）利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，提高了BP神經(jīng)網(wǎng)絡(luò)的非線性學(xué)習(xí)能力。通過與地鐵站實(shí)際運(yùn)行監(jiān)測結(jié)果和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比較發(fā)現(xiàn)，GA-BP模型的人員冷負(fù)荷預(yù)測平均誤差降低10%左右。

2）由于地鐵大廈站是中轉(zhuǎn)站，人流量相對雙港站較大，導(dǎo)致人員冷負(fù)荷波動大，對比結(jié)果表明，地鐵大廈站預(yù)測誤差比雙港站大6.59%。

3）對比BP神經(jīng)網(wǎng)絡(luò)模型，兩站人員冷負(fù)荷GA-BP預(yù)測模型結(jié)果的擬合相關(guān)系數(shù)值至少提高了0.1，且預(yù)測穩(wěn)定性更佳，更加適用于地鐵人員冷負(fù)荷的預(yù)測。