CN109130767B - 基于客流的轨道交通车站通风空调系统的智能控制方法 - Google Patents

Abstract

本发明提供了一种基于客流的轨道交通车站通风空调系统的智能控制方法。该方法包括：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据；根据通风空调系统负荷的理论计算方法，利用已知数据计算得到通风空调系统负荷的理论计算值；构建基于动态客流的通风空调系统负荷计算模型；根据模型计算出通风空调系统的短时预测负荷；制定通风空调系统的控制策略，提出基于预测控制与时变客流特征的车站通风空调系统智能控制方法。本发明通过利用客流预测和客流仿真技术获得未来短时间内的客流数据，从而根据构建的模型计算未来短时间内的系统预测负荷，以使得车站通风空调控制系统能够提前应对未来短时间内的站内温度波动。

Description

基于客流的轨道交通车站通风空调系统的智能控制方法

技术领域

本发明涉及轨道交通领域，尤其涉及一种基于客流的轨道交通车站通风空调系统的智能控制方法。

背景技术

随着经济发展水平提高，城市化进程不断加快，城市规模进一步扩大，交通需求也随之高速增长，城市交通需求与供给间的矛盾已经成为广泛存在的问题。由于城市轨道交通相比城市道路交通具有安全舒适、快速环保、运能大等优势，各个城市都大力发展城市轨道交通以缓解城市道路交通压力，但是城市轨道交通系统是一个城市的耗能大户，耗能高已成为阻碍城市轨道交通发展的重要原因之一，因此城市轨道交通在节能降耗方面仍有较大的潜力。

城市轨道交通系统是一个复杂的大系统，由众多的小系统构成，包括车辆系统、设备系统、信号系统、消防系统、供电系统、车站系统等，主要的能耗形式为电能和水资源。其中，车站系统的重中之重——车站通风空调系统的设备功率大、能耗高，其耗电量约占车站总耗电量的40％—50％，是节约能耗和降低费用的重要对象。

车站通风空调系统具有以下特点：车站热环境在不断改变，站内负荷也时刻在变化，这对整个车站通风空调系统的调节干扰很大；空气调节的过程高度非线性，各执行机构的运行特性也呈非线性特征；车站站厅和站台空间大，温度变化缓慢，车站通风空调系统进行调节后站内环境不能马上改变。总而言之，车站通风空调系统具有易干扰性、高度非线性、滞后性等特性。

现在城市轨道交通车站的车站通风空调系统的控制方法包括闭环控制和开环控制，目前主流的控制方法是闭环控制。

闭环控制基于对实际温度变化的监测，在车站内典型区域设置温度探测器，设定制冷量、新风量分档和控制温度，通过实时对比探测的实际温度与设定的控制温度，自动调节制冷量、新风量档位，控制风机、水泵和阀门等环空设备。

上述城市轨道交通车站的车站通风空调系统的闭环控制方法存在以下诸多缺点：

首先，闭环控制是反馈控制，反馈控制的缺点是滞后性。例如，在夏季早晚高峰初期，当大量乘客于短时间内涌入城市轨道交通车站时，系统负荷急剧增加引起站内温度迅速上升，温度探测器将监测结果反馈给通风空调控制系统，控制系统加大制冷量和新风量档位，使站内温度在一段时间后下降至舒适的范围；在早晚高峰末期，当进站乘客减少时，系统负荷减少引起站内温度下降，温度探测器将监测结果反馈给控制系统，控制系统减小制冷量和新风量档位，使站内温度在一段时间后上升至舒适的范围。尽管系统自动调节制冷量和新风量档位使实际温度趋向控制温度，但实际温度变化滞后于制冷量和新风量档位调节，更滞后于客流量变化。

第二，制冷量、新风量分档数量有限。例如，若当前温度高于控制温度且已经采用最大制冷量档位，或当前温度低于控制温度且已经采用最小制冷量档位，则系统无法进行调节。特别在运营初期和平峰时段，客流量少，产热量低，即使采用最小档位，实际温度也低于控制温度，容易引起部分乘客的不适反应。此外，站内温度的微小变化，就可能引起制冷量档位的变化，继而引起温度的变化。在客流量变化大的时段，温度变化的波动大，往往乘客在一次城市轨道交通出行中多次体验环境温度的剧烈变化，影响乘客的出行体验。

第三，闭环控制容易受温度探测器的位置、高度和准确性影响。通常温度探测器设置的位置集中于客流活跃区域且设置的高度在吊顶上，探测平均温度高于实际平均温度，系统可能需要采用比实际需求的制冷量更高的制冷量档位，为此车站通风空调系统将付出更高的能耗。

现有城市轨道交通车站的车站通风空调系统的开环控制方法基于对客流密度的预测，根据城市轨道交通车站的热环境模拟分析软件的预测数据或者城市轨道交通车站的实测数据，预测车站热环境随各种因素变化的情况，在此基础上，设定车站通风空调系统一段时间内的运行计划。

上述城市轨道交通车站的车站通风空调系统的开环控制方法存在以下诸多缺点：

首先，开环控制的准确性很大程度上取决于客流密度预测的准确性。客流预测方法的通病是对短期客流密度的预测精度高，但预测精度随着预测时间的延长而下降。若对长期客流密度的预测精度低，则难以保证车站通风空调系统运行方式达到最优状态，也难以保证车站的舒适度。

第二，开环控制在设定的运行时间内，不考虑实际运行时车站内的温度变化，但产热量随着系统的运营而增大，由于地铁热系统的复杂性，因此对热环境变化的预测准确性低。

第三，开环控制是静态控制，使用的客流密度预测方法仅考虑常规客流，而不考虑突发客流。如果计划外的客流在短时间内冲击车站，而车站通风空调系统缺少应变，那么可能引起剧烈升温，严重影响车站的舒适度。

发明内容

本发明实施例提供了一种基于客流的轨道交通车站通风空调系统的智能控制方法。以降低车站通风空调系统的能耗，同时维持车站温度的稳定，提升城市轨道交通服务的质量。

为了实现上述目的，本发明采取了如下技术方案。

一种基于客流的轨道交通车站通风空调系统的智能控制方法，包括：

S1：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据；

S2：根据所述研究车站的环控系统类型确定车站通风空调系统负荷的理论计算方法，利用所述车站基础数据、车站历史客流和列车数据及历史气象数据计算得到车站通风空调系统负荷的理论计算值；

S3：根据所述车站通风空调系统负荷的理论计算值构建基于动态客流的车站通风空调系统负荷计算模型；

S4：根据所述车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷；

S5：根据所述车站通风空调系统的短时预测负荷制定车站通风空调系统的控制策略，利用所述车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统智能控制。

进一步地，所述车站基础数据包括：

(1)车站站厅、站台公共区面积；

(2)围护结构面积；

(3)自动售票机、闸机、安检机、自动售卖机设备数量及单台设备的负荷；

(4)自动扶梯、垂直电梯的数量及单台负荷。

进一步地，所述的步骤S1中的获取车站历史客流和列车数据包括：

(1)基于城市轨道交通客流仿真推算城市轨道交通网络客流仿真系统的运营状态回放功能，在列车运行图、某日历史OD数据和基础参数的基础上得到城市轨道交通网络中各个车站一定时间粒度下的该日各个时段的在站人时间分布及列车数据；

(2)获取城市轨道交通客流仿真推算的输入数据，该输入数据包括：车站历史客流OD明细、列车运行图、路网基础数据、走行时间参数；

(3)获取城市轨道交通客流仿真推算的输出数据，该输出数据包括：路网中客流的实时动态、路网中列车的实时动态、车站在站人时间等车站通风空调系统负荷动态分析所需要的客流及列车数据。

进一步地，所述历史气象数据包括：一定时间粒度下室外空气的干球温度、相对湿度和焓值。

进一步地，所述步骤S2中的根据研究车站的环控系统类型确定车站通风空调系统负荷的理论计算方法，利用所述车站基础数据、车站历史客流和列车数据及历史气象数据计算得到车站通风空调系统负荷的理论计算值，包括：

S21：根据车站的环控系统类型选择相对应的车站通风空调系统负荷理论计算公式；所述环控系统类型包括开式系统、闭式系统、屏蔽门系统；

S22：分析负荷理论计算公式的组成及所需要的数据，将步骤S1中获取的车站基础数据、一定时间粒度下的车站历史客流和列车数据及历史气象数据带入到车站通风空调系统负荷理论计算公式中进行计算；

S23：计算得到车站一定时间粒度下的车站通风空调系统负荷理论计算值。

进一步地，所述步骤S3中的根据所述车站通风空调系统负荷的理论计算值构建基于动态客流的车站通风空调系统负荷计算模型，包括：

S31：分析车站通风空调系统负荷理论计算公式中的固定负荷和可变负荷，并提取出引起车站通风空调系统负荷变化的影响因素；

S32：若能够采集到车站在一定时间粒度下的真实负荷，则以所述影响因素为解释变量，以真实负荷值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型；

S33：若无法采集到车站在一定时间粒度下的真实负荷，则以所述影响因素为解释变量，以负荷理论计算值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型；

S34：选择具有代表性的样本，采用一定的算法求解所述车站通风空调系统负荷计算模型的待定参数，并额外选择一定量的验证样本，比较验证样本的真实负荷值和模型计算负荷值及其相对误差，以验证所述车站通风空调系统负荷计算模型的准确性。

进一步地，所述步骤S4中的根据所述车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷，包括：

S41：利用城市轨道交通网络客流仿真系统的状态趋势预测功能，获取未来一定时间粒度下的客流数据、列车数据；

S42：通过气象探测采集设备获取当前时间段的室外气象数据；

S43：将所述车站通风空调系统负荷计算模型中解释变量在下一时间粒度的预测值作为输入，利用所述车站通风空调系统负荷计算模型计算得到下一时间粒度的车站通风空调系统负荷的预测值。

进一步地，所述步骤S5中的根据所述车站通风空调系统的短时预测负荷制定车站通风空调系统的控制策略，利用所述车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统智能控制，包括：

S51：在当前时段开始时，将反馈的回风温度输入PID控制器与设定温度进行比较，根据所述PID控制器计算出的回风温度与设定温度之间的温度差确定初始调节命令；

S52：将所述下一时间粒度的车站通风空调系统负荷的预测值作为前馈信号加入站内温度调节系统，在车站温、湿度负反馈产生纠正作用前，对初始调节命令进行校正；

S53：车站通风空调系统的执行机构根据PID控制器发出的控制信号进行反应，以使车站通风空调系统的制冷量贴合车站预测的负荷需求；

S54：在下一时段开始时，重复步骤S51。

由上述本发明的实施例提供的技术方案可以看出，本发明实施例利用客流预测和客流仿真技术获得未来短时间内的客流数据，从而计算未来短时间内车站通风空调系统的预测负荷，以提前应对未来短时间内的站内温度波动，一方面，使车站通风空调系统的供给更加贴合车站实际的需求，降低车站通风空调系统的能耗，另一方面，尽可能消除站内温度波动的趋势，维持站内温度的稳定。

附图说明

图1为本发明实施例提出的一种城市轨道交通车站通风空调系统智能控制方法的处理流程图；

图2为本发明实施例提出的构建基于动态客流的车站通风空调系统负荷计算模型的步骤图；

图3为本发明实施例提出的负荷理论计算值与模型计算值对比图；

图4为本发明实施例提出的基于预测控制与时变客流特征的车站通风空调系统智能控制方法示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

鉴于现有城市轨道交通车站的车站通风空调系统的开环控制方法、闭环控制方法的诸多缺点，本发明实施例将引入客流预测和客流仿真技术，以实现车站通风空调系统。本发明实施例介于闭环控制和开环控制之间，在闭环控制的基础上融入了开环控制的思想，在每一时段开始时，系统根据反馈的回风温度差传达初始调节命令，同时系统利用下一时段的预测客流等数据计算下一时段车站内的预测负荷，并将此预测负荷作为正馈信号加入到通风空调控制系统中，对初始调节命令进行校正，以加快系统的响应速度。

实施例一

本发明实施例提供的一种城市轨道交通车站通风空调系统智能控制方法的处理流程如图1所示，包括以下步骤：

S1：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据；

S2：根据研究车站的环控系统类型确定通风空调系统负荷的理论计算方法，利用已知的车站基础数据、车站历史客流和列车数据及历史气象数据计算得到车站通风空调系统负荷的理论计算值；

S3：利用车站通风空调系统负荷的理论计算值构建基于动态客流的车站通风空调系统负荷计算模型；

S4：根据基于动态客流的车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷；

S5：根据车站通风空调系统的短时预测负荷制定车站通风空调系统的控制策略，利用车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统的智能控制。

具体方法步骤如下：

步骤S1：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据。

1)获取的车站基础数据具体包括：

(1)车站站厅、站台公共区面积；

(2)围护结构面积；

(3)自动售票机、闸机、安检机、自动售卖机等设备数量及单台负荷；

(4)自动扶梯、垂直电梯的数量及单台负荷等。

2)获取车站历史客流和列车数据具体包括以下步骤：

(1)基于城市轨道交通客流仿真推算，在列车运行图、某日历史OD(起止)数据和基础参数的基础上得到城市轨道交通网络中各个车站一定时间粒度下的该日各个时段的在站人时间分布及列车数据，为动态能耗的分析提供参数。

(2)获取城市轨道交通客流仿真推算的输入数据，该输入数据包括：车站历史客流OD明细(主要包括每一条的进站车站、进站时间、出站车站)、列车运行图、路网基础数据、走行时间参数(进出站走行时间、换乘走行时间)。

(3)获取城市轨道交通客流仿真推算的输出数据，该输出数据包括：路网中客流的实时动态、路网中列车的实时动态、车站在站人时间等车站通风空调系统负荷动态分析所需要的客流及列车数据。

3)获取历史气象数据主要包括：

一定时间粒度下室外空气的干球温度、相对湿度和焓值。

步骤S2：计算车站通风空调系统负荷的理论计算值，具体包括以下步骤：

S21：针对步骤S1中所确定车站的环控系统类型(开式系统、闭式系统、屏蔽门系统)，选择相对应的车站通风空调系统负荷理论计算公式；

S22：分析车站通风空调系统负荷理论计算公式的组成及所需要的数据，将步骤S1中获取的车站基础数据、一定时间粒度下的车站历史客流和列车数据及历史气象数据带入到车站通风空调系统理论计算公式中进行计算；

S23：通过车站通风空调系统理论计算公式计算得到车站一定时间粒度下的车站通风空调系统负荷理论计算值。

步骤S3：构建基于动态客流的车站通风空调系统负荷计算模型，具体包括以下步骤：

S31：分析车站通风空调系统负荷理论计算公式中的固定负荷和可变负荷，并提取出客流等引起车站通风空调系统负荷变化的主要影响因素；

S32：若能够采集到车站在一定时间粒度下的真实负荷，则以主要影响因素为解释变量，以真实负荷值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型，选择具有代表性的样本，采用一定的算法求解上述车站通风空调系统负荷计算模型的待定参数，并额外选择一定量的验证样本，比较验证样本的真实负荷值和模型计算负荷值及其相对误差，以验证车站通风空调系统负荷计算模型的准确性。

S33：若无法采集到车站在一定时间粒度下的真实负荷，则以主要影响因素为解释变量，以负荷理论计算值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型，选择具有代表性的样本，采用一定的算法求解车站通风空调系统负荷计算模型的待定参数，并额外选择一定量的验证样本，计算并比较验证样本的理论计算值和模型计算负荷值及其相对误差，以验证车站通风空调系统负荷计算模型的准确性。

步骤S4：根据车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷，具体包括以下步骤：

S41：利用城市轨道交通网络客流仿真系统的状态趋势预测功能，获取未来一定时间粒度下的车站客流数据、列车数据等；

S42：通过气象探测采集设备获取当前时间段的室外气象数据；

S43：将车站通风空调系统负荷计算模型中解释变量在下一时间粒度的预测值作为输入，利用车站通风空调系统负荷计算模型计算得到下一时间粒度的车站通风空调系统负荷的预测值；

步骤S5：制定车站通风空调系统的控制策略，利用车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统的智能控制，具体包括以下步骤：

S51：在当前时段开始时，控制系统将反馈的回风温度输入PID(比例-积分-微分)控制器与设定温度进行比较，并根据PID控制器计算出的回风温度与设定温度之间的温度差确定初始调节命令。

S52：将S43中所述的下一时段预测负荷作为前馈信号加入站内温度调节系统，在车站温、湿度负反馈产生纠正作用前，对初始调节命令进行校正，加快车站通风空调系统的响应速度，有效防止车站通风空调系统的振荡。

S53：车站通风空调系统的冷冻水回水阀、风机等执行机构根据控制器发出的控制信号进行反应，以使车站通风空调系统的制冷量更加贴合车站预测的负荷需求；

S54：在下一时段开始时，重复步骤S51。

实施例二

以北京地铁8号线安华桥站为例；本发明实施例提供的一种基于客流的轨道交通车站通风空调系统的智能控制方法的包括如下处理步骤：

步骤S1：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据；

1)获取的车站基础数据具体包括：

(1)车站站厅、站台公共区面积；

(2)围护结构面积；

(3)自动售票机、闸机、安检机、自动售卖机等设备数量及单台负荷；

(4)自动扶梯、垂直电梯的数量及单台负荷等。

2)获取的车站历史客流和列车数据包括：

基于城市轨道交通客流仿真推算，获取安华桥站2016年7月11—7月24日15min粒度的车站客流仿真数据及车站列车数据。

3)获取的历史气象数据包括：

获取安华桥站2016年7月11—7月24日15min粒度的室外空气的干球温度、相对湿度和焓值。

步骤S2：计算车站通风空调系统负荷的理论计算值；

S21：本实施例中选定的安华桥站环控系统为屏蔽门系统，故选择相对应的屏蔽门系统车站通风空调系统负荷理论计算公式；

S22：分析屏蔽门系统车站负荷的理论计算公式，在传统的屏蔽门系统车站通风空调系统负荷计算中，负荷主要包括热负荷、新风负荷、风机温升负荷、围护结构吸热负荷4大部分，其中热负荷包括人员热负荷、屏蔽门漏风热负荷、屏蔽门传热负荷、排热风道传热负荷、照明及其他设施设备热负荷等。

在各个负荷分项的计算中，人员热负荷的计算与乘客数量以及每个乘客在车站停留的时间有关，这是一个累加量，可以用仿真系统输出的乘客在站人时间来描述这个累加量，即单位时间内所有乘客与其在站停留时间乘积的总和，单位为人·s；屏蔽门漏风负荷的计算与单位时间内到达车站的列车数和室内外焓值差相关，单位时间内到达的列车数越多，屏蔽门开启次数越多，屏蔽门漏风负荷也就越大；屏蔽门传热负荷的计算与屏蔽门的面积，站台与隧道温差相关；排热风道传热负荷的计算与排热风道面积，风道内外空气温差相关；照明、广告、扶梯、电梯等热负荷的计算与各自布置的数量及功率有关；新风负荷的计算由新风量的确定，新风量的取值由系统总风量的10％及人员新风量标准的最大值决定，系统总风量的计算涉及到热负荷、湿负荷和室内外焓值差；风机温升负荷的计算与热负荷直接相关；围护结构负荷的计算取决于围护结构面积、换热系数以及围护结构与站厅空气的温差，对于一个确定的车站，它的围护结构与站厅空气温差可以通过测量得到。

根据负荷理论值计算所需要的数据，将步骤S1中获取的车站基础数据、15min的车站历史客流和列车数据及历史气象数据带入到理论计算公式中进行计算；

S23：通过S22的计算得到安华桥站2016年7月11—7月24日15min粒度下的车站通风空调系统负荷理论计算值。

步骤S3：构建基于动态客流的车站通风空调系统负荷计算模型，如图2所示；

S31：通过对屏蔽门系统车站内负荷理论计算的分析，车站总负荷中的一部分负荷是与车站结构或设施布置数量有关的，例如屏蔽门传热负荷、自动售检票设备等负荷、自动扶梯负荷、垂直扶梯负荷、围护结构负荷等，当待计算的车站对象确定后，这些与之相关的负荷都可视为定量；另外有一部分负荷针对不同车站相差不大，例如排热风道传热负荷、照明负荷、广告牌指示牌负荷等，这些负荷也均可视为固定不变的量来处理。

因此，使得总负荷的理论计算值产生变化的负荷分项只有人员热负荷、屏蔽门漏风负荷、新风负荷及风机温升负荷，影响这些负荷分项变化的主要影响因素是客流(在站人时间)、室外气象数据(室外空气焓值)以及单位时间段内到达车站的列车数。

S32：由于安华桥站无法采集到真实的负荷值，故在本实施例中以在站人时间、室外空气焓值和到达列车数为解释变量，以理论计算负荷为被解释变量构建基于动态客流的车站通风空调系统负荷计算模型，考虑到函数模型的简洁性，采用三次多项式的拟合，具体形式如下：

其中，x₁表示时段内的在站人时间，x₂表示时段内的室外空气焓值，x₃表示时段内的到达列车数，a_i(i＝0,1,2,…,19)表示拟合函数的待定参数。

选择7月11—17日、7月20—24日共计12天的数据作为拟合样本，选择Levenberg-Marquardt算法进行求解，得到车站通风空调系统负荷计算模型为：

利用算法求解得到的模型拟合公式即可计算出每个15min时间段的负荷模型计算值，图3所示为负荷模型计算值与理论计算值的对比图。

经计算，样本拟合数据的拟合优度为0.9962，残差平方和为1.0171×10⁴，均方根误差为3.4331，平均相对误差百分比仅为0.95％，这说明通过模型计算得出的负荷模型计算值与理论计算值基本吻合，模型的计算结果比较准确，效果良好，能够达到用模型计算值代替理论计算值的目的。

S33：选择7月18、19日为验证样本，将两天逐时段的客流数据、室外气象数据、到达列车数据作为输入条件带入模型得出相应的负荷模型计算值，并与理论计算值进行比较。

经计算，7月18日、19日两天的理论计算值和模型计算值的平均相对误差百分比为1.65％，通过这两天没有参与拟合过程的数据对模型的校验，充分说明了模型的拟合误差较小，具有很好的适用性。

步骤S4：根据模型计算出车站通风空调系统的短时预测负荷；

S41：利用城市轨道交通网络客流仿真系统的状态趋势预测功能，可以获取以当前时段为基准的未来15min粒度客流数据、列车数据等；

S42：通过气象探测采集设备获取当前时段的室外气象数据；

S43：将计算模型中解释变量在未来15min的预测值作为输入，利用模型进行计算得到未来15min的车站通风空调系统负荷的预测值；

步骤S5：制定车站通风空调系统的控制策略，提出的基于预测控制与时变客流特征的车站通风空调系统智能控制方法，如图4所示；

S51：在当前时段开始时，控制系统将反馈的回风温度输入PID控制器与设定温度进行比较，并根据温度差确定初始调节命令。

S52：将步骤S43中所述的未来15min预测负荷作为前馈信号加入站内温度调节系统，在车站温、湿度负反馈产生纠正作用前，对初始调节命令进行校正，加快系统的响应速度，有效防止系统的振荡。

S53：车站通风空调系统的冷冻水回水阀、风机等执行机构根据控制器发出的控制信号进行反应，以使车站通风空调系统的制冷量更加贴合车站预测的负荷需求；

S54：在下一个15min开始时，重复步骤S51。

综上所述，本发明实施例利用客流预测和客流仿真技术获得未来短时间内的客流数据，从而计算未来短时间内车站通风空调系统的预测负荷，以提前应对未来短时间内的站内温度波动，一方面，使车站通风空调系统的供给更加贴合车站实际的需求，降低车站通风空调系统的能耗，另一方面，尽可能消除站内温度波动的趋势，维持站内温度的稳定。

本发明实施例将引入客流预测和客流仿真技术，以实现通风空调系统。本发明介于闭环控制和开环控制之间，在闭环控制的基础上融入了开环控制的思想，在每一时段开始时，系统根据反馈的回风温度差传达初始调节命令，同时系统利用下一时段的预测客流等数据计算下一时段车站内的预测负荷，并将此预测负荷作为正馈信号加入到通风空调控制系统中，对初始调节命令进行校正，以加快系统的响应速度。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于客流的轨道交通车站通风空调系统的智能控制方法，其特征在于，包括：

S1：确定研究车站，获取车站基础数据、车站历史客流和列车数据及历史气象数据；

S2：根据所述研究车站的环控系统类型确定通风空调系统负荷的理论计算方法，利用所述车站基础数据、车站历史客流和列车数据及历史气象数据计算得到车站通风空调系统负荷的理论计算值；

S3：根据所述车站通风空调系统负荷的理论计算值构建基于动态客流的车站通风空调系统负荷计算模型；

S4：根据所述车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷；

S5：根据所述车站通风空调系统的短时预测负荷制定车站通风空调系统的控制策略，利用所述车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统智能控制；

所述步骤S3中的根据所述车站通风空调系统负荷的理论计算值构建基于动态客流的车站通风空调系统负荷计算模型，包括：

S31：分析车站通风空调系统负荷理论计算公式中的固定负荷和可变负荷，并提取出引起车站通风空调系统负荷变化的影响因素；

S32：若能够采集到车站在一定时间粒度下的真实负荷，则以所述影响因素为解释变量，以真实负荷值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型；

S33：若无法采集到车站在一定时间粒度下的真实负荷，则以所述影响因素为解释变量，以负荷理论计算值为被解释变量，构建基于动态客流的车站通风空调系统负荷计算模型；

S34：选择具有代表性的样本，采用一定的算法求解所述车站通风空调系统负荷计算模型的待定参数，并额外选择一定量的验证样本，比较验证样本的真实负荷值和模型计算负荷值及其相对误差，以验证所述车站通风空调系统负荷计算模型的准确性。

2.根据权利要求1所述的方法，其特征在于，所述车站基础数据包括：

(1)车站站厅、站台公共区面积；

(2)围护结构面积；

(3)自动售票机、闸机、安检机、自动售卖机设备数量及单台设备的负荷；

(4)自动扶梯、垂直电梯的数量及单台负荷。

3.根据权利要求1所述的方法，其特征在于，所述的步骤S1中的获取车站历史客流和列车数据包括：

(1)基于城市轨道交通客流仿真推算城市轨道交通网络客流仿真系统的运营状态回放功能，在列车运行图、某日历史OD数据和基础参数的基础上得到城市轨道交通网络中各个车站一定时间粒度下的该日各个时段的在站人时间分布及列车数据；

(2)获取城市轨道交通客流仿真推算的输入数据，该输入数据包括：车站历史客流OD明细、列车运行图、路网基础数据、走行时间参数；

(3)获取城市轨道交通客流仿真推算的输出数据，该输出数据包括：路网中客流的实时动态、路网中列车的实时动态和车站在站人时间。

4.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：一定时间粒度下室外空气的干球温度、相对湿度和焓值。

5.根据权利要求1所述的方法，其特征在于，所述步骤S2中的根据研究车站的环控系统类型确定通风空调系统负荷的理论计算方法，利用所述车站基础数据、车站历史客流和列车数据及历史气象数据计算得到车站通风空调系统负荷的理论计算值，包括：

S21：根据车站的环控系统类型选择相对应的车站通风空调系统负荷理论计算公式；所述环控系统类型包括开式系统、闭式系统、屏蔽门系统；

S22：分析负荷理论计算公式的组成及所需要的数据，将步骤S1中获取的车站基础数据、一定时间粒度下的车站历史客流和列车数据及历史气象数据带入到车站通风空调系统负荷理论计算公式中进行计算；

S23：计算得到车站一定时间粒度下的车站通风空调系统负荷理论计算值。

6.根据权利要求1所述的方法，其特征在于，所述步骤S4中的根据所述车站通风空调系统负荷计算模型计算出车站通风空调系统的短时预测负荷，包括：

S41：利用城市轨道交通网络客流仿真系统的状态趋势预测功能，获取未来一定时间粒度下的客流数据、列车数据；

S42：通过气象探测采集设备获取当前时间段的室外气象数据；

S43：将所述车站通风空调系统负荷计算模型中解释变量在下一时间粒度的预测值作为输入，利用所述车站通风空调系统负荷计算模型计算得到下一时间粒度的车站通风空调系统负荷的预测值。

7.根据权利要求6所述的方法，其特征在于，所述步骤S5中的根据所述车站通风空调系统的短时预测负荷制定车站通风空调系统的控制策略，利用所述车站通风空调系统的控制策略进行基于预测控制与时变客流特征的车站通风空调系统智能控制，包括：

S51：在当前时段开始时，将反馈的回风温度输入PID控制器与设定温度进行比较，根据所述PID控制器计算出的回风温度与设定温度之间的温度差确定初始调节命令；

S52：将所述下一时间粒度的车站通风空调系统负荷的预测值作为前馈信号加入站内温度调节系统，在车站温、湿度负反馈产生纠正作用前，对初始调节命令进行校正；

S53：车站通风空调系统的执行机构根据PID控制器发出的控制信号进行反应，以使车站通风空调系统的制冷量贴合车站预测的负荷需求；

S54：在下一时段开始时，重复步骤S51。

Images