CN110980456A - 基于交通流和自适应神经模糊推理的电梯群控调度方法 - Google Patents

Abstract

本发明公开了一种基于交通流和自适应神经模糊推理的电梯群控调度方法，根据规定时间段内电梯总客流量和规定时间段内电梯的最大负载客流量对电梯的忙碌程度进行模式划分，接着运用自适应神经模糊理论，根据电梯的忙碌程度以及规定时间段内进入客流量、离开客流量和电梯层间客流量识别电梯的交通流模式。根据不同的交通流模式确定电梯群控的局部指标以及不同的权重，继而运用模糊控制理论对每个局部指标进行模糊评估，最后综合各指标的隶属度计算最终的群控调度指标。本发明综合考虑了乘客候梯和乘梯时间、拥挤度、能耗等多种因素，能够有效减少候梯和乘梯时间，降低电梯能耗。

Description

基于交通流和自适应神经模糊推理的电梯群控调度方法

技术领域

本发明属于电梯群控技术，具体是一种基于交通流和自适应神经模糊推理的电梯群控调度方法。

背景技术

为了提高电梯的服务质量和运行效率，电梯在控制技术方面逐步从一部电梯发展为多部电梯联合起来并统一协调和优化的调度系统，称为电梯群控系统。

楼层较低的建筑通常安装单部电梯或并列的多部电梯，主要以时间为控制目标，随着楼层变高，电梯运输压力变大，传统的控制方法容易出现电梯空载运行、不必要停站次数过多和乘客候梯时间过长等问题，从而导致电梯的工作效率偏低。电梯群控系统旨在根据大楼的实际乘客交通流情况，结合候梯时间、乘梯时间和能耗等信息，针对不同的乘客需求灵活调整派梯策略。而目前在实际中采用的电梯群控调度方法大多是对乘客候梯时间等单一的目标进行优化或者对多个指标进行简单的线性加权处理，没有综合考虑电梯的交通流、电梯的拥挤度和系统的能耗等因素对最终调度方案的影响，难以满足实际需要。

发明内容

本发明的目的在于提供一种基于交通流和自适应神经模糊推理的电梯群控调度方法。

实现本发明目的的技术方案为：一种基于交通流和自适应神经模糊推理的电梯群控调度方法，包括以下步骤：

步骤1、根据规定时间段内电梯总客流量和规定时间段内电梯的最大负载客流量对电梯的忙碌程度进行模式划分；

步骤2、建立自适应神经模糊推理模型，将训练样本集输入自适应神经模糊推理模型进行训练；

步骤3、获取设定时间段内进门厅客流量比重、出门厅客流量比重和电梯层间客流量比重并输入到自适应神经模糊推理模型中，根据自适应神经模糊推理模型输出值确定交通流模式；

步骤4、建立电梯群控调度的指标集合U和评价结果集合V，所述指标集合U＝{候梯时间，乘梯时间，拥挤度，能耗}，所述评价结果集合V＝{优，良，中，低，差}；

步骤5、确定电梯群控调度各指标的权重向量；

步骤6、对指标集合U进行单指标模糊评价，将对应指标的隶属度向量记为U_m＝[r_m1,r_m2,r_m3,r_m4,r_m5]，m＝1,2,3,4,r_mi表示对于指标m评价对象能够被评为V中结果i的隶属度；

步骤7、计算总评价隶属度；

步骤8、对评价结果集合V中的各评价等级进行赋值，取V＝[v₁,v₂,v₃,v₄,v₅]，且v₁>v₂>v₃>v₄>v₅,计算最终的群控调度指标

R_i为总评价隶属度中各元素。

优选地，所述电梯的忙碌程度模式包括：

空闲模式、轻度忙碌模式、中度忙碌模式和重度忙碌模式，选取

作为空闲模式，

作为轻度忙碌模式，

作为中度忙碌模式，

作为重度忙碌模式，c₁、c₂、c₃为忙碌程度区分值。

优选地，所述训练样本集包括上行模式样本集、下行模式样本集、层间模式样本集和混合模式样本集合，所述训练样本集的样本输入均为进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃；所述训练样本集的期望输出为系数M，其中上行模式样本集M＝1，下行模式样本集M＝2，层间模式样本集M＝3，混合模式样本集M＝4。

优选地，进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃分别具体为：

式中，x₁表示规定时间段内电梯总客流量，x₂表示规定时间段进一楼门厅总客流量，x₃表示规定时间段出一楼门厅总客流量，x₄表示规定时间段电梯层间总客流量。

优选地，所述自适应神经模糊推理模型包括5层：

第一层为输入层，共有3个节点，分别表示进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃，输入层用于将输入信号模糊化，计算输入信号对模糊集合的隶属度，表达式为：

式中，x＝1,2,3,y＝1,2,…,n，i_x表示输入信号，I_xy表示各模糊集，

表示模糊集的隶属函数；

第二层为规则推理层，用于计算各条模糊规则的激励强度w_y，计算公式为：

式中,y＝1,2,…,n；

第三层为归一化层，用于计算第y条规则的激励强度w_y与全部规则激励强度之和Σw_y的比值，计算公式为：

式中,y＝1,2,…,n；

第四层用于计算各条模糊规则的输出量，计算公式为：

式中,y＝1,2,…,n,p_y、q_y、j_y和r_y表示第y条规则对应各输入信号的结论参数；

第五层为输出层，计算所有规则总输出T₅，表示输出系数M，计算公式为：

优选地，自适应神经模糊推理模型输出值与交通流模式的对应关系为：

M	交通流模式
		M＜1.5	上行模式
1.5≤M＜2.5	下行模式
		2.5≤M＜3.5	层间模式
M≥3.5	混合模式

优选地，总评价隶属度的计算公式具体为：

R＝W_ij。K

式中，W_ij为权重向量，K为隶属度矩阵，具体为：

本发明与现有技术相比，其显著优点为：(1)本发明采用综合模糊推理方法来寻找电梯的最优调度方案，具有工程上易于实现、运算速度快等优点；(2)本发明综合考虑了乘客候梯和乘梯时间、拥挤度、能耗等多种因素，能够有效减少候梯和乘梯时间，降低电梯能耗，并且提高了电梯乘坐的舒适度；(3)本发明可以根据工程需要更改群控调度的局部指标以及评价标准具有一定的灵活性和通用性。

附图说明

图1为本发明的原理图。

图2为本发明的自适应神经模糊推理原理框图。

图3为本发明电梯群控系统调度方法的流程图。

下面结合附图对本发明作进一步详细描述。

具体实施方式

如图1所示，一种基于交通流和自适应神经模糊推理的电梯群控调度方法，首先根据规定时间段内电梯总客流量和规定时间段内电梯的最大负载客流量对电梯的忙碌程度进行模式划分，接着运用自适应神经模糊理论，根据电梯的忙碌程度以及规定时间段内进入客流量、离开客流量和电梯层间客流量识别电梯的交通流模式。根据不同的交通流模式确定电梯群控的局部指标以及不同的权重，继而运用模糊控制理论对每个局部指标进行模糊评估，最后综合各指标的隶属度计算最终的群控调度指标。当新的呼梯信号到来时，对每台电梯进行一次群控调度指标的计算，选择群控调度指标最大者响应相应的呼梯信号，具体步骤如下：

步骤1、电梯忙碌程度划分。通过称重或光电检测等装置获取规定时间段内获取电梯的详细交通流数据，根据电梯的最大负载客流量x₀和规定时间段内电梯总客流量x₁对电梯的忙碌程度进行模式划分，包括空闲模式、轻度忙碌模式、中度忙碌模式和重度忙碌模式，所述电梯忙碌程度的模式划分采用分段对应法，选取

作为空闲模式，

作为轻度忙碌模式，

作为中度忙碌模式，

作为重度忙碌模式，c₁、c₂、c₃为忙碌程度区分值，其数值根据电梯承重自行设定。

步骤2、建立自适应神经模糊推理模型进行交通模式识别，将训练样本集输入自适应神经模糊推理模型进行训练。

所述训练样本集包括上行模式样本集、下行模式样本集、层间模式样本集和混合模式样本集合。所述训练样本集的样本输入均为进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃。所有样本集的期望输出为系数M，其中上行模式集M＝1，下行模式M＝2，层间模式M＝3，混合模式M＝4。进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃分别具体为：

式中，x₁表示规定时间段内电梯总客流量，x₂表示规定时间段进一楼门厅总客流量，x₃表示规定时间段出一楼门厅总客流量，x₄表示规定时间段电梯层间总客流量。

结合图2，所述自适应神经模糊推理模型包括5层：

第一层：输入层，共有3个节点，分别表示进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃。该层将输入信号模糊化，计算输入信号对模糊集合的隶属度，其输出表达式为：

式中，x＝1,2,3,y＝1,2,…,n。i_x表示输入信号，I_xy表示图2中各模糊集，

表示模糊集的隶属函数。

第二层：规则推理层，计算各条模糊规则的激励强度w_y，通常将各输入信号的隶属度相乘，用乘积表示本条模糊规则的激励强度。

式中,y＝1,2,…,n。

第三层：归一化层，进行各条模糊规则激励强度的归一化计算，即计算第y条规则的激励强度w_y与全部规则激励强度之和∑w_y的比值。

式中,y＝1,2,…,n。

第四层：计算各条模糊规则的输出量。

式中,y＝1,2,…,n,p_y、q_y、j_y和r_y表示第y条规则对应各输入信号的结论参数。

第五层：输出层，只有1个节点，计算所有规则总输出T₅，表示输出系数M。

步骤3、获取设定时间段内进门厅客流量比重、出门厅客流量比重和电梯层间客流量比重并输入到上述自适应神经模糊推理模型中，根据输出值M确定交通流模式。M与交通流模式对应关系如下表所示：

M	交通流模式
		M＜1.5	上行模式
1.5≤M＜2.5	下行模式
		2.5≤M＜3.5	层间模式
M≥3.5	混合模式

步骤4、根据实际需要建立电梯群控调度的指标集合U和评价结果集合V，取U＝{候梯时间，乘梯时间，拥挤度，能耗}，取V＝{优，良，中，低，差}。

所述候梯时间表示从产生外部呼梯信号到乘客进入电梯的时间间隔，乘梯时间表示从乘客进入电梯到乘客抵达目的楼层的时间间隔，拥挤度表示电梯轿厢实际乘客占轿厢最大承重的比重，由于电梯的能源主要消耗在启动和停止过程，所以用电梯的启停次数表示电梯的能耗。所述评价结果集合V用于衡量U中各指标的优劣程度，以及各台电梯响应当前外部呼梯信号的综合调度性能优劣程度。

步骤5、确定电梯群控调度各指标的权重向量。在不同的交通流模式下，电梯群控调度的指标有不同的侧重点，结合电梯忙碌模式和交通流模式根据每一个指标在总评价中影响程度的大小分配不同的权重。建立如下所示综合权重向量表：

取权重向量

其中i代表电梯忙碌程度，j代表电梯交通流模式，

代表U中各指标权重。

步骤6、对指标集合U进行单指标模糊评价，将对应指标的隶属度向量记为U_m＝[r_m1,r_m2,r_m3,r_m4,r_m5]，m＝1,2,3,4,r_mi表示对于指标m评价对象能够被评为V中结果i的隶属度,进而求取隶属度矩阵K，K中每个行向量代表U中各评估指标的隶属度向量；

步骤7、计算总评价隶属度R，其中i代表电梯忙碌程度，j代表电梯交通流模式。

所述总评价隶属度

步骤8、对评价结果集合V中的各评价等级进行赋值，取V＝[v₁,v₂,v₃,v₄,v₅]，保证v₁>v₂>v₃>v₄>v₅,计算最终的群控调度指标

R_i为R中各元素。

如图3所示，当电梯群控系统开始运行时，首先对电梯及相关检测交通流的传感器进行初始化，随后进入到电梯群控调度流程中。如果电梯轿厢内部乘客选择目的楼层，将相应信息加入到系统维护的电梯轿厢数据结构中；如果电梯门厅产生呼梯信号，电梯群控系统首先会进行交通流模式的识别。进一步地，电梯群控系统会结合当前呼梯信号和轿厢数据结构中的乘客信息，分别为每一台电梯计算候梯时间、乘梯时间、拥挤度和能耗，并将其代入到上述步骤7～步骤9计算群控调度指标μ，μ值越大代表群控调度性能越好，对各台电梯的群控调度指标μ进行排序，μ值最大的电梯为实际选派电梯。

Claims (7)

1.一种基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，包括以下步骤：

步骤1、根据规定时间段内电梯总客流量和规定时间段内电梯的最大负载客流量对电梯的忙碌程度进行模式划分；

步骤2、建立自适应神经模糊推理模型，将训练样本集输入自适应神经模糊推理模型进行训练；

步骤3、获取设定时间段内进门厅客流量比重、出门厅客流量比重和电梯层间客流量比重并输入到自适应神经模糊推理模型中，根据自适应神经模糊推理模型输出值确定交通流模式；

步骤4、建立电梯群控调度的指标集合U和评价结果集合V，所述指标集合U＝{候梯时间，乘梯时间，拥挤度，能耗}，所述评价结果集合V＝{优，良，中，低，差}；

步骤5、确定电梯群控调度各指标的权重向量；

步骤6、对指标集合U进行单指标模糊评价，将对应指标的隶属度向量记为U_m＝[r_m1,r_m2,r_m3,r_m4,r_m5]，m＝1,2,3,4,r_mi表示对于指标m评价对象能够被评为V中结果i的隶属度；

步骤7、计算总评价隶属度；

步骤8、对评价结果集合V中的各评价等级进行赋值，取V＝[v₁,v₂,v₃,v₄,v₅]，且v₁>v₂>v₃>v₄>v₅,计算最终的群控调度指标

R_i为总评价隶属度中各元素。

2.根据权利要求1所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，所述电梯的忙碌程度模式包括：

空闲模式、轻度忙碌模式、中度忙碌模式和重度忙碌模式，选取

作为空闲模式，

作为轻度忙碌模式，

作为中度忙碌模式，

作为重度忙碌模式，c₁、c₂、c₃为忙碌程度区分值。

3.根据权利要求1所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，所述训练样本集包括上行模式样本集、下行模式样本集、层间模式样本集和混合模式样本集合，所述训练样本集的样本输入均为进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃；所述训练样本集的期望输出为系数M，其中上行模式样本集M＝1，下行模式样本集M＝2，层间模式样本集M＝3，混合模式样本集M＝4。

4.根据权利要求3所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃分别具体为：

式中，x₁表示规定时间段内电梯总客流量，x₂表示规定时间段进一楼门厅总客流量，x₃表示规定时间段出一楼门厅总客流量，x₄表示规定时间段电梯层间总客流量。

5.根据权利要求1所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，所述自适应神经模糊推理模型包括5层：

第一层为输入层，共有3个节点，分别表示进门厅客流量比重i₁、出门厅客流量比重i₂和电梯层间客流量i₃，输入层用于将输入信号模糊化，计算输入信号对模糊集合的隶属度，表达式为：

式中，x＝1,2,3,y＝1,2,…,n，i_x表示输入信号，I_xy表示各模糊集，

表示模糊集的隶属函数；

第二层为规则推理层，用于计算各条模糊规则的激励强度w_y，计算公式为：

式中,y＝1,2,…,n；

第三层为归一化层，用于计算第y条规则的激励强度w_y与全部规则激励强度之和∑w_y的比值，计算公式为：

式中,y＝1,2,…,n；

第四层用于计算各条模糊规则的输出量，计算公式为：

式中,y＝1,2,…,n,p_y、q_y、j_y和r_y表示第y条规则对应各输入信号的结论参数；

第五层为输出层，计算所有规则总输出T₅，表示输出系数M，计算公式为：

6.根据权利要求1所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，自适应神经模糊推理模型输出值与交通流模式的对应关系为：

M 交通流模式 M＜1.5 上行模式 1.5≤M＜2.5 下行模式 2.5≤M＜3.5 层间模式 M≥3.5 混合模式

7.根据权利要求1所述的基于交通流和自适应神经模糊推理的电梯群控调度方法，其特征在于，总评价隶属度的计算公式具体为：

式中，W_ij为权重向量，K为隶属度矩阵，具体为：

Images