CN111237988A - 地铁车载空调机组控制方法及系统 - Google Patents

Abstract

本发明公开了一种地铁车载空调机组控制方法及系统，所述方法包括：实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；根据所述预测结果及多目标优化控制模型确定最优控制参数；根据所述最优控制参数确定控制策略；根据所述控制策略对空调机组进行控制。利用本发明，可以实现地铁车载空调动态全局优化控制，提升温度达标率及乘客舒适度。

Description

地铁车载空调机组控制方法及系统

技术领域

本发明涉及工业预测性维护技术领域，具体涉及一种地铁车载空调机组控制方法及系统。

背景技术

随着经济发展和人们生活水平的提高，乘客对地铁车厢的热环境提出了更高的要求，地铁空调系统迅猛发展起来，成为地铁车厢维持舒适的热环境所必不可少的设备。目前，我国的地铁车载空调大都采用设备启停的方式来控制空调系统。启停控制会造成车厢温度波动比较大，且对设备的使用寿命有不利影响。同时地铁车厢不断的运动，车厢内的乘客数量变化剧烈，随着车辆进站还会伴随着车厢屏蔽门的开关。车厢内负荷变化迅速，外部干扰严重。由于地铁车厢空调系统有很多自身的特点，比如传递滞后很大、干扰大且因素多等，因此通常会存在以下问题：

1)地铁空调难以精确控制，过冷或过热，乘客舒适性差；

2)自适应性差，缺乏动态管控机制；

3)耗能大，管理粗放，存在冗余浪费现象。

发明内容

本发明实施例提供一种地铁车载空调机组控制方法及系统，以实现地铁车载空调动态全局优化控制，提升温度达标率及乘客舒适度。

为此，本发明提供如下技术方案：

一种地铁车载空调机组控制方法，所述方法包括：

实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；

利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；

根据所述预测结果及多目标优化控制模型确定最优控制参数；

根据所述最优控制参数确定控制策略；

根据所述控制策略对空调机组进行控制。

可选地，所述方法还包括按照以下方式构建所述预测模型：

收集历史运行数据作为训练数据；

对所述训练数据进行工况分割，得到对应各工况的训练数据及所述训练数据的工况特征；

针对每个工况的训练数据，从所述训练数据中提取多维特征；

对所述多维特征进行筛选或降维，得到有效特征；

利用机器学习模型对拟合目标进行建模，并利用所述有效特征及所述工况特征训练得到预测模型。

可选地，所述对所述训练数据进行工况分割，得到对应各工况的训练数据包括：

将所述训练数据按照关门状态、开门状态和开门后状态进行分割，得到对应这三个状态的训练数据。

可选地，所述机器学习模型包括以下任意一种：随机森林、支持向量机、Xgboost、lightgbm、神经网络。

可选地，所述空调运行数据包括以下任意一种或多种：空调工作状态、空调能耗、新风温度、回风温度；

所述车辆运行数据包括以下任意一种或多种：车辆状态、开/关门状态、乘客率、车速。

可选地，所述多维特征包括以下任意一种或多种：平均值、有效值、中位数、峰值、裕度、峭度。

可选地，所述根据所述预测结果及多目标优化控制模型确定最优控制参数包括：

将空调设定温度和机组工作状态作为待优化变量；

根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；

根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

一种地铁车载空调机组控制系统，所述系统包括：车载控制器、车载服务器；所述车载服务器中预置有预测模型及多目标优化控制模型；所述车载服务器包括：预测模块、优化模块、以及决策模块；

所述车载控制器，用于采集当前一段时间内的运行数据，并将采集的运行数据传送给所述车载服务器；所述运行数据包括空调运行数据和车辆运行数据；

所述预测模块，用于利用所述运行数据及所述预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；

所述优化模块，用于根据所述预测结果及多目标优化控制模型确定最优控制参数；

所述决策模块，用于根据所述最优控制参数确定控制策略；

所述车载服务器将所述控制策略反馈给所述车载控制器；

所述车载控制器，还用于根据所述控制策略对空调机组进行控制。

可选地，所述优化模块包括：

变量确定单元，用于将空调设定温度和机组工作状态作为待优化变量；

模型确定单元，用于根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；

计算单元，用于根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

可选地，所述系统还包括：行车记录仪；

所述车载控制器，还用于将采集的运行数据传送给所述行车记录仪；

所述行车记录仪，用于记录所述运行数据，并定时将所述运行数据传送给地面的控制平台，以使所述控制平台将所述运行数据作为历史运行数据进行保存。

本发明实施例提供的地铁车载空调机组控制方法及系统，实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；根据所述预测结果及多目标优化控制模型确定最优控制参数；根据所述最优控制参数对空调机组进行控制。利用本发明方案，在不做硬件升级改造、不增加额外的硬件成本的前提下，通过实时在线监测，有效地实现实现地铁车载空调动态全局优化控制，提升温度达标率，提高乘客舒适度，而且使管理模式更精细化、智能化。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明实施例中构建预测模型的流程图；

图2是本发明实施例地铁车载空调机组控制方法的一种流程图；

图3是本发明实施例中利用多目标优化控制模型确定最优控制参数的流程图；

图4是本发明实施例地铁车载空调机组控制系统的结构框图；

图5是本发明实施例中预测模型构建模块的一种结构框图；

图6是本发明示例中乘客率和开/关门状态数据示意图；

图7是本发明示例中新风温度和温度设定值示意图；

图8是本发明示例中空调设定温度优化前、后的对比图；

图9是本发明示例中空调机组运行工况优化前、后的对比图；

图10是本发明示例中控制参数优化前、后温度达标率的对比图；

图11是本发明示例中控制参数优化前、后乘客舒适度的对比图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面结合附图和实施方式对本发明实施例作进一步的详细说明。

本发明实施例提供一种地铁车载空调机组控制方法及系统，利用预先建立的预测模型，进行实时在线预测，得到包括空调机组能耗和回风温度的预测结果，然后根据所述预测结果及多目标优化控制模型确定最优控制参数；根据所述最优控制参数对空调机组进行控制。

在本发明实施例中，所述预测模型基于大数据分析而建立，采用机理与机器学习相结合的预测算法，根据当前的空调机组工况、设定温度、空调机组能耗、乘客率、车门开关状态、回风温度、新风温度等数据，预测接下来一段时间内的车厢回风温度和空调机组能耗。预测模型的训练离线完成，需要收集较长时间(比如6个月至一年)的历史运行数据。

如图1所示，是本发明实施例中构建预测模型的流程图，包括以下步骤：

步骤101，收集历史运行数据作为训练数据。

所述历史运行数据包括空调运行数据和车辆运行数据。其中，所述空调运行数据包括但不限于以下任意一种或多种：空调工作状态、空调能耗、新风温度、回风温度；所述车辆运行数据包括但不限于以下任意一种或多种：车辆状态、开/关门状态、乘客率、车速。

进一步地，为了保证训练数据的有效性，还可以进一步对所述历史运行数据进行预处理，比如：数据融合、对齐时间戳、去除传感器或人为因素造成的异常值、对部分参数进行平滑处理等。这些处理可以采用一些常规的处理方式即可，对此本发明实施例不做限定。

步骤102，对所述训练数据进行工况分割，得到对应各工况的训练数据及所述训练数据的工况特征。

具体地，可按照地铁车辆的运行状况以及开关门状态进行工况分割，以消除不同工况对预测结果的影响。在本发明实施例中，可以将所述训练数据按照关门状态、开门状态和开门后状态进行分割，得到对应这三个状态的训练数据。

在本发明实施例中，所述工况特征有三个，分别对应于上述三种状态，每个工况特征用于表明相应数据是否属于某个工况状态，特征值为0或1，0代表不属于，1代表属于。例如当前数据段属于关门状态，那么这段数据的工况特征{1,0,0}，以此类推。

步骤103，针对每个工况的训练数据，从所述训练数据中提取多维特征。

所述多维特征主要是时域特征，可以包括但不限于以下任意一种或多种：平均值、有效值、中位数、峰值、裕度、峭度。

步骤104，对所述多维特征进行筛选或降维，得到有效特征。

比如，可以通过Fisher准则特征选择方法对所述多维特征进行筛选，得到有效特征；或者利用PCA(主成分分析)降维，得到有效特征。

步骤105，利用机器学习模型对拟合目标进行建模，并利用所述有效特征及所述工况特征训练得到预测模型。

所述机器学习模型包括但不限于以下任意一种：随机森林、支持向量机、Xgboost、lightgbm、神经网络。

需要说明的是，在实际应用中，还可以利用多种机器学习模型对拟合目标进行建模，然后对各模型结果进行验证，从中挑选出性能表现最好的模型使用。

本发明实施例地铁车载空调机组控制方法，利用上述预先建立的预测模型，进行实时在线预测，得到包括空调机组能耗和回风温度的预测结果。

如图2所示，是本发明实施例地铁车载空调机组控制方法的一种流程图，包括以下步骤：

步骤201，实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据。

其中，所述空调运行数据包括但不限于以下任意一种或多种：空调工作状态、空调能耗、新风温度、回风温度；所述车辆运行数据包括但不限于以下任意一种或多种：车辆状态、开/关门状态、乘客率、车速。

步骤202，利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度。

具体地，与预测模型训练过程中对运行数据的处理类似，主要有：数据预处理、工况分割、特征提取、通过特征筛选或降维得到有效特征、将所述有效特征输入预测模型，输出预测结果。

步骤203，根据所述预测结果及多目标优化控制模型确定最优控制参数。

在本发明实施例中，所述多目标优化控制模型可以根据乘客舒适度、温度达标率、空调机组能耗来确定。通过多目标优化控制模型对温度达标率、乘客舒适度、空调能耗等多种目标进行优化，得到最优控制参数。

在本发明实施例中，所述多目标优化控制模型的优化变量为可控参数集合，包括一段时间内的车载空调机组的运行工况和设定温度。优化目标可以是多种目标的加权之和，比如可以包括乘客舒适度、温度达标率、空调机组能耗等。

具体地，将空调设定温度和机组工作状态作为待优化变量；根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；然后根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

目标优化的算法可以采用元启发式算法，是随机算法与局部搜索算法相结合的产物。元启发式是一个迭代生成过程，该过程以启发式算法实现对搜索空间的探索和开发。在这个过程中，学习策略被用来获取和掌握信息，以有效地发现近似最优解。元启发式算法包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法、人工神经网络算法等。

利用多目标优化控制模型确定最优控制参数的具体过程将在后面详细说明。

步骤204，根据所述最优控制参数确定控制策略。

地铁车辆运行的安全性和稳定性要求决定了空调机组的控制决策需要具有较高的鲁棒性，在计算得到最优控制参数后，还可进一步考虑这些控制参数对整体系统的影响、以及突发状况下的应急处理方式。举例而言，地铁车载空调机组的工况切换是有一定时间延迟的，并且有最小的安全切换时间间隔，不允许频繁切换，否则会对设备造成不可逆的损伤。因此，控制决策需要考虑设备的安全切换间隔，以及切换后的工况持续时间。进一步，还可综合考虑其他影响系统安全稳定的因素，例如设备连续运转时间较长、强行启动不安全设备、不合理的启机步骤等等。

步骤205，根据所述控制策略对空调机组进行控制。

如图3所示，是本发明实施例中利用多目标优化控制模型确定最优控制参数的流程图。

在该实施例中，以遗传算法为例进行说明，该流程包括以下步骤：

步骤301，将空调设定温度和机组工作状态作为待优化变量，并根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型。

所棕多目标优化控制模型为：乘客舒适度、温度达标率、空调机组能耗等多目标的加权之和，并加上约束惩罚项；约束惩罚项是指当约束条件不满足时设置一个较大的值作为惩罚。

步骤302，对变量进行编码。

离散变量如空调机组工作状态可用0-1变量表示，连续变量如设定温度可以按照精度和上下限要求转变为二进制编码表示，将所有变量组合成一条染色体。

步骤303，初始化种群。

可以随机生成一定数量的染色体，组成初始种群。初始化时，可根据实际物理意义调整随机概率并加入一些实际运行数据以提高算法收敛速度。

步骤304，根据所述预测结果计算个体的适应度。

根据所述多目标优化控制模型及所述预测结果计算每个个体即所述种群中染色体的适应度。

步骤305，判断是否达到终止条件。如果是，则执行步骤306；否则，执行步骤307。

所述终止条件可以是种群最佳适应度在连续多个迭代中不再变化，或达到迭代次数上限。

步骤306，输出最优解，得到最优控制参数。

所述控制参数包括空调机组工作状态和设定温度。

步骤307，遗传操作生成新的种群。然后，返回步骤304。

所述遗传操作是模拟生物基因的操作，即根据个体适应度对其施加一定的操作，从而实现优胜劣汰的进化过程。遗传操作包括以下三个基本遗传算子：选择、交叉、变异；其中，选择和交叉基本上完成了遗传算法的大部分搜索功能，变异增加了遗传算法找到最优解的能力。

在本发明实施例中，可以按照计算出的个体的适应度高低，决定被选择的概率，以“轮盘赌”规则选择进行交叉的染色体。采用“多点交叉”策略交叉两条染色体，并视情况设置变异概率，允许染色体变异。

本发明实施例提供的地铁车载空调机组控制方法，实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；根据所述预测结果及多目标优化控制模型确定最优控制参数；根据所述最优控制参数对空调机组进行控制。利用本发明方案，在不做硬件升级改造、不增加额外的硬件成本的前提下，通过实时在线监测，有效地实现实现地铁车载空调动态全局优化控制，提升温度达标率，提高乘客舒适度，而且使管理模式更精细化、智能化。

相应地，本发明实施例还提供一种地铁车载空调机组控制系统，如图4所示，是本发明实施例地铁车载空调机组控制系统的结构框图。

在该实施例中，所述系统包括：车载控制器401、车载服务器402；所述车载服务器402中预置有预测模型421及多目标优化控制模型422；所述车载服务器402还包括：预测模块423、优化模块424、以及决策模块425；

所述车载控制器401，用于采集当前一段时间内的运行数据，并将采集的运行数据传送给所述车载服务器402；所述运行数据包括空调运行数据和车辆运行数据；

所述预测模块423，用于利用所述运行数据及所述预测模型421进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；

所述优化模块424，用于根据所述预测结果及多目标优化控制模型确定最优控制参数；

所述决策模块425，用于根据所述最优控制参数确定控制策略；

所述车载服务器402将所述控制策略反馈给所述车载控制器401；

所述车载控制器401，还用于根据所述控制策略对空调机组进行控制。

在本发明实施例中，所述预测模型421可以由模型构建模块(未图示)预先建立。所述模型构建模块可以作为本发明系统的一部分，比如集成在车载服务器402中，也可以独立于本发明系统，对此本发明实施例不做限定。

所述预测模块423利用所述运行数据及所述预测模型421进行预测的具体过程与预测模型训练过程中对运行数据的处理类似，主要有：数据预处理、工况分割、特征提取、通过特征筛选或降维得到有效特征、将所述有效特征输入预测模型，输出预测结果。

所述优化模块424可以包括以下各单元：

变量确定单元，用于将空调设定温度和机组工作状态作为待优化变量；

模型确定单元，用于根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；

计算单元，用于根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

在本发明地铁车载空调机组控制系统另一实施例中，所述系统还可进一步包括：行车记录仪(未图示)。

在该实施例中，所述车载控制器401还用于将采集的运行数据传送给所述行车记录仪。相应地，所述行车记录仪记录所述运行数据，并定时将所述运行数据传送给地面的控制平台，以使所述控制平台将所述运行数据作为历史运行数据进行保存。

如图5所示，所述模型构建模块可以包括以下各单元：

数据收集单元501，用于收集历史运行数据作为训练数据；比如，可以从地面的控制平台中获取历史运行数据；

工况分割单元502，用于对所述训练数据进行工况分割，得到对应各工况的训练数据及所述训练数据的工况特征；

特征提取单元503，用于针对每个工况的训练数据，从所述训练数据中提取多维特征；

特征选择单元504，用于对所述多维特征进行筛选或降维，得到有效特征；

训练单元505，用于利用机器学习模型对拟合目标进行建模，并利用所述有效特征及所述工况特征训练得到预测模型。

需要说明的是，对于上述本发明装置各实施例而言，由于各模块、单元的功能实现与相应的方法中类似，因此对所述装置各实施例描述得比较简单，相关之处可参见方法实施例的相应部分说明。

本发明实施例提供的地铁车载空调机组控制系统，实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；根据所述预测结果及多目标优化控制模型确定最优控制参数；根据所述最优控制参数对空调机组进行控制。利用本发明方案，在不做硬件升级改造、不增加额外的硬件成本的前提下，通过实时在线监测，有效地实现实现地铁车载空调动态全局优化控制，提升温度达标率，提高乘客舒适度，而且使管理模式更精细化、智能化。

下面以北京市某条地铁线路为例，进一步详细介绍本发明方案的实施例。

该地铁线路各列车组包含6节车厢，每节车厢装载两套定频空调机组，空调机组包括如下设备：空压机、通风机、冷凝机。

传统的调控方式以目标温度上下1度为阈值的控制线触发空调机组进行工况转换，控制曲线可能会震荡不收敛。

采用本发明方案设计的系统进行改良优化，具体过程如下：

首先，通过地铁车载控制器实时采集运行数据，包括空调运行数据和车辆运行数据。其中，空调运行数据主要有：空调工作状态、空调能耗、新风温度、回风温度等；车辆运行数据主要有：车辆状态、开/关门状态、乘客率、车速等。其中，乘客率和开/关门状态数据如图6所示，新风温度和温度设定值如图7所示。

然后，通过车载服务器对这些数据进行处理、分析、预测、优化，输出控制决策到车载空调的控制器执行。

本案例主要优化目标为达标率和乘客舒适度。所述达标率指达标的时间占总时间的占比；所述乘客舒适度为回风温度在舒适温度±1度之间的时间占比。

假设回风温度和设定温度之差的绝对值在1度以内视为达标，乘客感到舒适的温度为25度，即舒适温度为25度。

1.模型训练过程

(1)数据预处理

所用数据有空调工作状态、空调能耗、新风温度、回风温度、车辆状态、开/关门状态、乘客率、车速等。对数据的预处理主要有：将数据进行融合、对齐时间戳、去除传感器或人为因素造成的异常值、对部分变量进行平滑处理等。

(2)工况分割

考虑到车辆从开门到关门以后，站台内的环境会对车辆内温度带来影响，影响的延迟时间定为1分钟。因此，按照车辆开、关门状态分割为关门状态、开门状态和开门后状态这三个状态，得到对应各状态的运行数据。

(3)特征提取

针对每个工况的运行数据，从所述运行数据中提取多维特征。在本发明实施例中，主要提取的是时域特征，包括但不限于以下任意一项或多项：平均值、有效值、中位数、峰值、裕度、峭度等。

(4)特征筛选

利用Fisher判别准则进行特征选择，得到有效特征。

Fisher判别准则的思想是：投影，使多维问题转化为低维问题来进行处理。选择一个适当的投影轴，使所用的样本点都投影到这个轴上得到投影值，使得同一类样本所形成的投影值的距离尽量的小，而不同类之间的投影值距离尽可能大。

(5)模型训练

采用机器学习中的xgboost模型，以平均百分比误差(MAPE，Mean AbsolutePercentage Error)作为评价指标，MAPE的计算公式为：

其中，pred为预测值，real为实际值，n为数据样本数量。

将数据集分为80％训练集和20％测试集。

训练模型，训练集的MAPE为2.17％，测试集的MAPE为3.59％，均为可接受范围。保存训练得到的预测模型以供在线预测使用。

2.在线预测过程

实时采集当前一段时间内的运行数据，对所述运行数据进行预处理、工况分割、特征提取、特征筛选，具体与训练模型过程中的处理一致。

在线预测时，利用训练好的预测模型，输入经过筛选得到的有效特征，根据预测模型的输出得到预测结果。

3.控制优化过程

优化算法采用遗传算法，实现对空调设定温度和机组运行工况的控制优化。

(1)编码

对变量进行编码，使用的变量为空调机组工作状态和设定温度。空调机组工作状态有4种，采用两位二进制编码：00-停止、01-通风、10-半冷、11-全冷。设定温度的上下限为18～28度，采用六位二进制编码表示，如编码为“010011”，转换为十进制为19，六位二进制编码可以表示0～63的整数区间，因此“010011”表示的值为19/63＝0.30158，再转换到设定温度上下限的范围内，即为18+0.30158*(28-18)＝21.0158度，以此类推。

将所有变量的二进制编码组合成一条染色体即为编码过程。

(2)初始化

初始化种群，设置种群数量为40，随机生成染色体组成初始种群。

(3)适应度函数

适应度函数的计算公式为：

f(x)＝w₁C₁+w₂C₂-w₃C₃-p；

其中，C₁为乘客舒适度预测值，w₁为乘客舒适度的权重，C₂为温度达标率预测值，w₂为温度达标率的权重，C₃为空调机组能耗预测值，w₃为空调机组能耗的权重。由于遗传算法中是通过迭代寻找适应度函数更高的个体，能耗是希望越低越好，故使用负值。p是约束惩罚项，当约束条件不满足时(如切换频率过快，温度设置不合理等)，设置一个较大的值作为惩罚，同理也为负值。

(4)遗传操作生成新的种群

按照计算出每个个体的适应度高低，决定个体被选择的概率，以“轮盘赌”规则选择进行交叉的染色体。采用“多点交叉”策略交叉两条染色体，交叉概率为0.9。采用随机变异，设置变异概率为0.05。

(5)迭代终止条件

当种群最佳适应度在连续多个迭代中不再变化，或达到迭代次数上限时，停止算法并输出结果，得到最优的空调机组工作状态和设定温度。

利用上述优化过程，得到最优控制参数，所述控制参数包括：空调设定温度。

对优化前后控制参数进行对比，对比结果如下：

空调设定温度优化前、后的对比见图8所示，左边是优化前的温度数据，右边是优化后的温度数据。

空调机组运行工况优化前、后的对比见图9所示，左边是优化前的工况数据，右边是优化后的工况数据。

利用上述优化前、后的控制参数分别对温度达标率及乘客舒适度这两个指标进行测试，结果如图10和图11所示。

其中，图10示出了温度达标率的对比结果，温度达标率从59.77％提升到86.08％；图11示出了乘客舒适度的对比结果，乘客舒适度指标从76.16％提升到99.86％。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

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。而且，以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的模块和单元可以是或者也可以不是物理上分开的，即可以位于一个网络单元上，或者也可以分布到多个网络单元上。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。

本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称的存储介质，如：ROM/RAM、磁碟、光盘等。

相应地，本发明实施例还提供一种用于地铁车载空调机组控制方法的装置，该装置是一种电子设备，比如，可以是移动终端、计算机、平板设备、个人数字助理等。所述电子设备可以包括一个或多个处理器、存储器；其中，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，以实现前面各实施例所述的方法。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及装置，其仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围，本说明书内容不应理解为对本发明的限制。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种地铁车载空调机组控制方法，其特征在于，所述方法包括：

实时采集当前一段时间内的运行数据，所述运行数据包括空调运行数据和车辆运行数据；

利用所述运行数据及预先建立的预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；

根据所述预测结果及多目标优化控制模型确定最优控制参数；

根据所述最优控制参数确定控制策略；

根据所述控制策略对空调机组进行控制。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括按照以下方式构建所述预测模型：

收集历史运行数据作为训练数据；

对所述训练数据进行工况分割，得到对应各工况的训练数据及所述训练数据的工况特征；

针对每个工况的训练数据，从所述训练数据中提取多维特征；

对所述多维特征进行筛选或降维，得到有效特征；

利用机器学习模型对拟合目标进行建模，并利用所述有效特征及所述工况特征训练得到预测模型。

3.根据权利要求2所述的方法，其特征在于，所述对所述训练数据进行工况分割，得到对应各工况的训练数据包括：

将所述训练数据按照关门状态、开门状态和开门后状态进行分割，得到对应这三个状态的训练数据。

4.根据权利要求2所述的方法，其特征在于，所述机器学习模型包括以下任意一种：随机森林、支持向量机、Xgboost、lightgbm、神经网络。

5.根据权利要求2所述的方法，其特征在于，

所述空调运行数据包括以下任意一种或多种：空调工作状态、空调能耗、新风温度、回风温度；

所述车辆运行数据包括以下任意一种或多种：车辆状态、开/关门状态、乘客率、车速。

6.根据权利要求2所述的方法，其特征在于，所述多维特征包括以下任意一种或多种：平均值、有效值、中位数、峰值、裕度、峭度。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述根据所述预测结果及多目标优化控制模型确定最优控制参数包括：

将空调设定温度和机组工作状态作为待优化变量；

根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；

根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

8.一种地铁车载空调机组控制系统，其特征在于，所述系统包括：车载控制器、车载服务器；所述车载服务器中预置有预测模型及多目标优化控制模型；所述车载服务器包括：预测模块、优化模块、以及决策模块；

所述车载控制器，用于采集当前一段时间内的运行数据，并将采集的运行数据传送给所述车载服务器；所述运行数据包括空调运行数据和车辆运行数据；

所述预测模块，用于利用所述运行数据及所述预测模型进行预测，得到预测结果，所述预测结果包括：空调机组能耗、回风温度；

所述优化模块，用于根据所述预测结果及多目标优化控制模型确定最优控制参数；

所述决策模块，用于根据所述最优控制参数确定控制策略；

所述车载服务器将所述控制策略反馈给所述车载控制器；

所述车载控制器，还用于根据所述控制策略对空调机组进行控制。

9.根据权利要求8所述的系统，其特征在于，所述优化模块包括：

变量确定单元，用于将空调设定温度和机组工作状态作为待优化变量；

模型确定单元，用于根据乘客舒适度、温度达标率、空调机组能耗确定多目标优化控制模型；

计算单元，用于根据所述预测结果及所述多目标优化控制模型进行迭代计算，得到最优控制参数；所述控制参数包括：空调设定温度和机组工作状态。

10.根据权利要求8或9所述的系统，其特征在于，所述系统还包括：行车记录仪；

所述车载控制器，还用于将采集的运行数据传送给所述行车记录仪；

所述行车记录仪，用于记录所述运行数据，并定时将所述运行数据传送给地面的控制平台，以使所述控制平台将所述运行数据作为历史运行数据进行保存。

Images