牛 茜,蔣 琴,王 瑤,趙宏宇,陳彥如

1(西南交通大學 計算機與人工智能學院,成都 611756)

2(西南交通大學 經濟管理學院,成都 610031)

高鐵站室內候車環(huán)境的熱舒適度直接影響乘客的候車體驗.通過空調系統可以有效調節(jié)室內熱舒適度.但高鐵站室內環(huán)境受到諸多因素影響[1],傳統人工設定固定溫度運行空調系統,存在能耗較高的缺點[2,3].由于神經網絡技術具有自適應能力、并行處理和高度魯棒性的特點[4],本文基于神經網絡技術,選擇四川省成都市某高鐵站為研究對象,以表征室內環(huán)境舒適度的指標—predicted mean vote (PMV)[5–7]、空調能耗綜合值為目標,采用JavaEE 架構及Python 服務器,開發(fā)設計了高鐵站多聯機空調節(jié)能控制軟件系統.

利用Energy Plus 仿真軟件建立真實高鐵站建筑模型及多聯機空調系統(包含獨立熱交換機系統)模型,進行一整年424 種工況的仿真,以PMV 熱舒適度和空調節(jié)能為指標,從百萬條仿真數據中提取控制規(guī)則,訓練神經網絡控制器[8].在冬季和夏季典型工況條件下,比較人工固定設置溫度與智能控制設置空調參數的能耗,預期得出神經網絡智能控制不僅舒適而且節(jié)能的結論.

1 Energy Plus 仿真與數據收集

本文實際調研處于夏熱冬冷熱區(qū)的成都某高鐵站,利用調研得到的環(huán)境參數、建筑結構參數、地理位置參數,建立該高鐵站熱工環(huán)境[9].設定高鐵站冬季-夏季溫度組合、多聯機-熱交換機開啟數量的組合,利用Energy Plus 平臺仿真模擬該高鐵站空調系統在不同工況下一年的能耗情況,并結合實際調研的環(huán)境參數進行對比和修正[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 個區(qū)域,其中候車區(qū)的尺寸為78 m×26 m×5 m.結合高鐵站的地理位置參數和建筑結構參數,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 文件導入Energy Lanch 用于Energy Plus 平臺仿真復現高鐵站實際環(huán)境下的能耗情況.

該車站的空調系統包括地源熱泵系統、獨立新風系統以及全空氣空調系統,房間里布置有5 臺多聯機和8 臺熱交換機兩種溫控設備,模擬溫控設備工作時段為07:00–23:00.由于不同個體對熱舒適度感知存在差異,本研究設置8 種冬季-夏季空調設定溫度的組合,如表1所示.組合兩種溫控設備不同的開啟臺數,如表2所示,得到5+8+40=53 種工況,結合8 種溫度設置范圍,共設置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,為期1年,每個工況得到24×365=8 760 條仿真數據.

表1 冬季-夏季溫度組合 (℃)

表2 溫控設備開啟臺數的組合

仿真模型將室內外環(huán)境參數及空調參數共8 個參數作為輸入數據,包括室外溫度、室內溫度、室內濕度、室內二氧化碳濃度、多聯機開啟臺數、多聯機設置溫度、熱交換機開啟臺數和客流密度.Energy Plus通過仿真模型得到的實例數據為后續(xù)神經網絡控制器提供訓練數據集.

2 神經網絡控制器

神經網絡控制器參數由訓練的分類器獲得.用分類器對各參數及各環(huán)境下的舒適度和能耗等級做分類,根據分類結果篩選出舒適度最高且能耗等級低的數據,對這些數據訓練神經網絡,輸入環(huán)境參數,輸出控制參數.

將室外干球溫度、室內溫度、濕度、CO2濃度、客流量5 列數據,作為神經網絡訓練的數據集,得到3 個模型,分別為多聯機開啟數量、熱交換機開啟數量、空調溫度決策模型.如圖1所示,神經網絡的輸入為室外干球溫度、室內溫度、濕度、CO2濃度和客流量,輸出只有一個.3 個神經網絡的輸出分別為多聯機開啟數量、熱交換機開啟數量、空調溫度,均定義6 層網絡,輸入層節(jié)點數為5和隱藏層節(jié)點數分別為64、32、16、8,輸入層和隱藏層以ReLU 函數作為激活函數,最后一層采用Softmax 作為輸出,節(jié)點為1[11,12].由于訓練3 個模型使用的神經網絡相同,故用圖1統一表示,其輸出節(jié)點表示3 個模型的輸出分別為多聯機開啟數量、熱交換機開啟數量、空調溫度.

圖1 神經網絡層次圖

神經網絡控制器實際模擬控制流程如圖2所示,首先讀取傳感器實時監(jiān)測到的環(huán)境參數,即室外干球溫度、室內溫度、CO2濃度、濕度、客流量.服務器將環(huán)境參數存儲到數據庫中并在瀏覽器的監(jiān)控界面實時顯示.環(huán)境監(jiān)測子系統實時監(jiān)測是否出現數據異?；騻鞲衅鞴收系忍厥馇闆r,并可以將異常情況反饋到監(jiān)控界面進行可視化.

圖2 控制流程圖

每隔1 h 計算服務器的神經網絡訓練模塊以環(huán)境參數作為模型輸入參數進行訓練,通過3 個神經網絡訓練模型輸出對應的空調參數,即多聯機開啟臺數、熱交換機開啟臺數和空調設置溫度.輸出的控制規(guī)則存儲到數據庫中并在瀏覽器的參數設置界面顯示,最終傳送到空調執(zhí)行控制系統執(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)的室內環(huán)境參數無法直接獲取,需要通過算法模型預測得到.由Energy Plus 仿真獲得的天氣數據用來訓練模型,首次輸入的環(huán)境參數為Energy Plus 仿真數據,后續(xù)輸入參數除室外干球溫度需讀取天氣數據文件外,室內環(huán)境參數都為經過調用神經網絡訓練模型得出的空調控制參數結合當前時刻的環(huán)境參數預測得到.

圖3 仿真流程圖

Energy Plus 軟件仿真采集大量數據,將高鐵站室內不滿意預測百分比(PPD) 作為目標函數,室外天氣、客流密度、室內溫度、室內濕度、室內CO2濃度、空調設置溫度、空調臺數和熱交換機臺數為模型輸入參數,通過深度森林模型,輸出在不同工況下的室內不滿意預測百分比(PPD)[13].

3 軟件系統設計

該高鐵站多聯機空調節(jié)能控制軟件系統以Java Enterprise Edition (JavaEE)為開發(fā)標準,系統整體架構如圖4所示,按照系統功能的特點,拆分出瀏覽器模塊、Web 服務器模塊、深度學習計算服務器模塊、MySQL 數據庫模塊、數據采集集中模塊、空調控制執(zhí)行模塊,各模塊獨立部署,耦合性降低,有利于提高系統的穩(wěn)定性[14].

圖4 系統整體架構

本系統利用JavaEE的3 層體系結構即表示層、中間層和數據層來完成程序功能的開發(fā)[15]:表現層由瀏覽器端可視化界面設計實現,Web 服務器和深度學習服務器作為中間層與其余模塊交互,數據層通過對MySQL 數據庫的操作實現.

本系統瀏覽器端的可視化界面利用表現層技術實現,包括:HTML 技術、JavaScript 技術、Vue.js 技術等[15].瀏覽器的室內外環(huán)境參數監(jiān)控界面和空調及熱交換機參數監(jiān)控與設計頁面分別可以實時顯示Web瀏覽器中室內外環(huán)境監(jiān)控子系統接收的環(huán)境參數和空調及熱交換機控制子系統的控制方案.

中間層的深度學習服務器作為本系統的核心,通過室內外環(huán)境監(jiān)控子系統接收的環(huán)境參數作為輸入,經過計算服務器中的神經網絡訓練模塊輸出控制規(guī)則.空調及熱交換機控制子系統接收輸出結果,將控制規(guī)則在空調與熱交換機參數監(jiān)控與設置界面顯示,同時調用空調控制執(zhí)行單元,實現智能控制.

數據庫模塊選取主流的MySQL 來設計.MySQL數據庫和Web 服務器、計算服務器進行數據交互,存儲數據與測試結果.基于JavaEE 構架的系統數據層,用到JDBC 操作數據庫中的表和數據,通過JDBC 大幅度降低關系數據庫發(fā)送SQL 語句的難度[16].

4 模擬控制實驗與測試

由于夏季和冬季室內環(huán)境參數變化較大,為實現高鐵站舒適則對空調系統的調節(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 個月監(jiān)測的數據作為參考數據對神經網絡控制器進行模擬測試.

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、室內溫度、濕度、CO2濃度、客流量數據,分別采用神經網絡控制器控制與傳統高鐵站的空調系統固定參數設置的控制方法(半開、全開)進行節(jié)能對比.

4.1 數據處理

將數據集輸入模型進行訓練前,需要對其進行預處理,按月份將數據分為4 組,并進行缺失值與異常值的處理[11].數據預處理后的數據集如表3所示.

表3 實驗數據集的樣本、特征、問題屬性數量

4.2 節(jié)能對比

以室外干球溫度、室內溫度、濕度、CO2濃度、客流量5 列數據為參數輸入系統,分別在全開(開啟5 臺多聯機和8 臺熱交換機)和半開(開啟2 臺多聯機和4 臺熱交換機)以及神經網絡控制器控制情況下計算能耗,全開和半開固定設置空調溫度為夏季23 ℃,冬季22 ℃,輸出數據按照日期生成62 (7月和8月)+60 (1月和2月)=122 份,輸出室外干球溫度、室內平均溫度、CO2濃度、濕度、客流量、能耗、PMV、空調參數.

為保持變量的唯一性,選取PMV 相同條件下的能耗值,計算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 份數據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 份數據的平均值為夏季每日平均能耗,結果如表4所示.

表4 全開、半開、自動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、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、自動模式下每時刻的能耗對比如圖5所示.

由圖5和表4可知,3 種控制方案中,由神經網絡控制器控制的自動模式的性能最佳,更滿足節(jié)能要求.

圖5 全開、半開、自動模式在夏季的能耗對比圖

由于在下午12–17 點這段時間中天氣最炎熱,3 種控制方式的能耗會在這段時間中達到最大值.半開和全開模式下在一天中設定相同的空調系統參數,而自動控制模式不同于半開和全開,當室內環(huán)境達到舒適度的時候,空調系統關閉,此時能耗降至0,于整體上實現節(jié)能.

5 總結

本文以某高鐵站為研究對象,基于神經網絡技術,以實現適宜PMV、節(jié)省能耗為目標,開發(fā)設計了高鐵站多聯機空調節(jié)能控制軟件系統.通過在夏季和冬季典型工況條件下對比人工固定設置空調調節(jié)參數和神經網絡模型智能控制調節(jié)參數在一天24 h中的能耗和PMV 對比可知,智能控制調節(jié)參數比傳統的人工設置模式更加節(jié)能舒適.

本文所選研究對象所采用的多聯機不是傳統的空調系統,但是所選用的控制方法同樣適用于典型的空調系統.后期在系統正式運用時會采用C 語言代替Python 語言用Matlab 與Energy Plus 聯合實現實現神經網絡控制器.