智能楼宇中电梯群的控制研究及优化Word文档格式.docx
《智能楼宇中电梯群的控制研究及优化Word文档格式.docx》由会员分享，可在线阅读，更多相关《智能楼宇中电梯群的控制研究及优化Word文档格式.docx（30页珍藏版）》请在冰豆网上搜索。
SchoolofAutomation
ChongqingUniversity
June2013
摘要
随着社会的快速发展和建造技术的不断提高，城市中的高层建筑和智能化建筑越来越多。
而电梯做为最重要的垂直交通运输工具，其作用愈加突出，也得到了极大的重视。
为了缩短人们的候梯时间、乘梯时间，并降低能源消耗，就需要使用电梯群控系统（EGCS）对多台电梯进行统一调度控制。
本文首先简要介绍电梯群控系统的基本概念以及国内外的研究现状，并阐述电梯群控系统的结构设计思想，确定大概的研究方向。
结构设计主要包含两个方面，即电梯交通模式识别模块和派梯决策模块。
交通模式识别用模糊神经网络实现，经过推理计算，得出各种交通流所占的比例，以确定当前的主要交通模式。
在此基础上，建立综合评价函数，通过模糊逻辑推理，并根据专家经验分配评价函数的权值，以函数值最大的电梯去响应呼梯信号，完成派梯决策。
在计算过程中，主要用到了Matlab中的神经网络工具箱和模糊控制工具箱，大大简化了计算。
在文章的最后，运用Matlab对系统进行仿真，并对结果进行分析，以验证电梯群控系统性能的优越性。
关键词：
电梯群控系统，模糊神经网络，交通模式识别，模糊逻辑
ABSTRACT
Withtherapiddevelopmentofsocietyandbuildtechnologyunceasingenhancement,moreandmorehighbuildingsandintelligentbuildingsinthecity.Buttheelevatorasoneofthemostimportantverticaltransportationtools,itsincreasinglyprominentrole,alsoreceivedgreatattention.Inordertocutdownwaitingtime,reduceenergyusing,weneedputmanyelevatorstogetherandcontrolthemtogetherinreason,andthisoptimizationdispatchsystemstoalltheelevatorsnameelevatorgroupcontrolsystems（EGCS）.
Thispaperfirstintroducesthebasicelevatorgroupcontrolsystemconceptsandresearchstatus,andexplainsthestructureofelevatorgroupcontrolsystemdesign,determinetheapproximateresearchdirections.Structuraldesignmainlyincludestwoaspects,namely,elevatortrafficpatternrecognitionmoduleanddispatchingdecisionmodule.TrafficPatternrecognitionwithfuzzyneuralnetworktoachieve,tocalculatetheproportionofvarioustrafficflowstodeterminethecurrentmodeoftransport.Onthisbasis,theestablishmentofacomprehensiveevaluationfunction,bythefuzzylogicreasoning,andtheevaluationfunctionbasedonexpertexperiencetheweightassignedtothemaximumvalueofthefunctioncalltheelevatortorespondtothesignal,tocompletedispatchingdecisions.Inthecalculationprocess,mainlyusedinMatlabneuralnetworktoolboxandfuzzycontroltoolbox,whichgreatlysimplifiesthecalculations.Inthelastarticle,theuseofMatlab,thesimulationofthesystem,andtheresultswereanalyzedtoverifytheperformanceofelevatorgroupcontrolsystemsuperiority.
KeyWords:
elevatorgroupcontrolsystems,fuzzyneuralnetwork,trafficpatternrecognition,fuzzylogic
1绪论
1.1研究背景
随着城市建设事业的飞速发展，高层建筑的出现和建筑面积的不断扩大，电梯的使用变得尤为重要，人们对电梯的服务质量也提出了越来越高的要求。
单台电梯往往已经不能满足建筑物内的交通需求，许多摩天大楼需要几台，甚至几十台、几百台电梯来服务。
然而，多台电梯如果仅仅是并列的各自独立操作，不仅会造成过多的空载和不必要的启停次数，使得乘客的候梯时间和乘梯时间过长，降低服务质量，而且还会带来诸如环境污染、能源浪费、运营效率低下等问题。
为了更好的完成大楼内的运输任务、缩短人们的候/乘梯时间以及减少能量的损耗，合理调度多台电梯的运行，实现多台电梯的群控，就变得非常必要了。
因此，出现了电梯群控系统（ElevatorGroupControlSystem，EGCS），并且获得了迅猛的发展，已经被广泛应用于各种建筑物中。
所谓电梯群控系统是指：
综合考虑大楼内的交通模式、各时刻的交通流量、各楼层的乘客轿内、外呼梯信号等因素，对一栋楼宇里布置在一起的多台电梯进行统一调度，每个楼层的召唤信号集中由群控主机来控制，采用某种电梯群控算法去调度电梯运行。
1.2群控系统的发展及研究现状
电梯群控系统的发展可分为三个阶段[1]：
第l阶段：
1949年-1971年，采用继电器顺序控制[2]，控制方式是时间间隔控制方式和分区控制方式。
时间间隔控制，即电梯群控系统根据不同的交通模式以适当的时间间隔从端站发出轿厢，就像公共汽车一样运行，而不依赖于层站的呼梯信号而工作。
这种方式可适当解决高峰期间梯群中的各个轿厢沿井道均布的问题。
缺点是：
轿厢花费太多的时间在端站候梯等待分配间隔周期，轿厢在端站等候也常常是无用的，且轿厢频繁地在端站楼层无目的地运行也不利于节能。
分区控制方式是将电梯群进行分区，使其服务于不同的楼层区域，以达到减少电梯停层和电梯运行时间的目的。
由于动态分区的算法比较复杂，主要还是以静态分区为主。
这种群控系统存在线路复杂、可靠性低、故障率高等缺点。
第2阶段:
1971年-1975年，采用硬件为集成电路、调度方式为候梯时间的控制方式。
当有呼叫信号时，群控系统可以根据交通情况以及各轿厢的状态进行一些逻辑计算，选择合适的电梯响应服务。
使用集成电路，简化了硬件的复杂性，提高了系统的可靠性，是电梯群智能控制的重要基础。
但是这一系统对于预测候梯时间所必须的较复杂的数值计算还不完善。
第3阶段：
1975年至今，计算机广泛应用于电梯群控系统，标志着现代电梯群控阶段的开始。
电梯群控系统利用计算机将原来常用的控制算法通过计算机软件程序来实现。
由于必然受到算法固有逻辑关系的限制，因此不是最优的方法。
呼梯分配系统中增加了综合评价系统，采用了包括候梯时间、乘梯时间、长候梯率及预测误差率等多因素作为评价指标，并加入了对交通系统需求的学习功能，克服了系统对于时变的交通量适应性差等缺点。
1988年，人工智能技术开始应用到电梯群控系统中，发展到现在包括：
专家系统技术、模糊逻辑技术、神经网络技术、模糊神经网络技术、进化算法（如遗传算法、免疫算法）等技术，使得电梯群控系统的智能化程度进一步提高，系统更加完善，但仍在进一步发展之中。
在我国，从90年代开始陆续有学者和专家开始研究电梯群控系统，这相对国外来说起步是比较晚的。
目前，国内一些高校及科研机构也开始加入到对群控系统的研究中，并且取得了一些有理论价值的成果，但仅仅只有理论成果是不够的。
当前我国还不能制造出具有自主知识产权的电梯产品，主要还是靠引进国外的产品，如何消化吸收国外的相关成果并在此基础上进行创新形成自己的特色是此后一段时间我国对电梯群控系统研究的主要方向。
1.3多种控制方案的分析比较
目前，国内外广泛采用的控制策略主要包括模糊控制、专家系统、神经网络、遗传算法等人工智能技术。
每一种控制策略各有其优点，但受制于成本等因素，又各有其局限性[3]：
（1）专家系统是一个或多个专家知识和经验积累起来进行推理和判断的系统，是由知识库、数据库、推理机、解释部分及知识获取部分组成，形成一定的控制规则存入知识库中，它可以解决许多不能完全用数学作精确描述而要靠经验解决的问题。
根据当前输入的数据或信息，利用知识库的知识，按一定的推理策略控制派梯。
但对于复杂多变的电梯系统，专家系统有它的不足之处：
它主要适用于一些相对比较简单的、楼层比较低的建筑物；
专家设想的条件要与实际建筑物基本相同，才能获得预期的效果；
对于复杂多变的电梯系统，专家的知识和经验存在局限性等；
控制规则数受限制，规则数多则显得复杂，难以控制；
少则控制性能下降。
（2）神经网络是依据人类和动物大脑的工作方式建模的，具有并行处理、分布储存、自学习、自组织功能。
神经网络学习的主要优势在于它可以通过调整网络连接权来得到近似最优的输入—输出映射，适应于难以建模的非线性动态系统，它能识别交通流，当交通流发生变化时，电梯交通配置能随之变动。
神经网络还具有自学能力，能改进控制算法并对制定的规则加以修改，利用非线性和学习方法建立适合的模型进行推理，对电梯交通进行预测，能灵活应付建筑物中变化的交通流，校正误差。
但它也有自己的缺点，单纯的神经网络就会使其结构相当庞大，网络的离线学习或者在线学习的时间都会较长，而且也使控制器收敛性能下降，更主要的是结构的合理性也难以验证。
（3）基于遗传算法的控制算法抽象于生物的进化过程，是通过全面模拟自然选择和遗传机制，而提出的一种自适应概率性的搜索和优化算法。
它采用多点的方式并行搜索解空间，能获得最优全局解而不会陷入局部极小，对优化问题的限制很少，不需要确切的系统知识，只要给出一个能评价解的目标函数，可实现在多目标要求下动态优化派梯方案。
在有多个呼梯的情况下可搜索到最优派梯方案，实现多目标最优调度；
搜索中依靠适应度函数值的大小来区分每个个体的优劣，遗传算法优于传统的最小候梯时间算法。
遗传算法的缺点有：
遗传算法本身所具有的随机性和概率性，使它的搜索进程效率不高；
其优良的搜索结果是以尽可能长的搜索时间为代价的。
（4）基于多目标的模糊控制技术在电梯控制系统中的应用显示了高度的优越性。
电梯系统中含有许多模糊、不完整的信息，这些模糊信息通过模糊集来描述。
计算机不能接受含糊的回答，但却能用模糊逻辑来推理，它能模仿人脑的推理能力，简化许多复杂问题。
模糊控制方法优点明显：
它完全是在操作人员控制经验基础上实现对系统的控制，无需建立数学模型，是解决不确定性系统的一种有效途径[4]；
模糊控制具有较强的鲁棒性，被控对象参数的变化对模糊控制的影响不明显，可用于非线性时变时滞系统的控制；
它由离线计算得到控制查询表，提高了控制系统的实时性；
控制的机理符合人们对过程控制作用的直观描述和思维逻辑；
带有模糊逻辑的电梯群控系统平均候梯时间减少了，大大优于常规电梯群控系统。
但是纯粹的模糊控制不具备学习能力，不能根据新的情况作出适时的调整以提高系统的性能。
1.4研究内容及方法
本文的主要研究内容为用模糊神经网络识别电梯交通模式以及用模糊控制实现群控电梯的调度，主要包括以下几个方面：
（1）对电梯群控系统的多目标性、不确定性等因素进行分析，着重研究电梯群控调度中需要重点考虑的几个指标，如乘客平均候梯时间，平均乘梯时间，长时间候梯率，轿厢拥挤度以及能源消耗等，建立电梯调度的综合评价函数。
（2）将复杂的交通模式进行简单地分类，通常分为4种模式——上行高峰模式，下行高峰模式，层间交通模式和空闲交通模式，为进行模式的推理和识别建立基础。
（3）根据一定时间段（一般定为5min）内交通流的具体信息，如当前的总客流量、进门厅人数、出门厅人数等，运用模糊神经网络进行推理计算，识别出各种交通模式所占的比例，再根据一定的规则，确定当前占主导地位的交通模式，尽可能提高群控算法的性能。
（4）根据识别出的交通模式选择各指标的权重，并用采集到的输入参数值进行模糊逻辑推理，计算各指标的值，代入到综合评价函数中，选择函数值最大的电梯响应呼梯信号。
1.5本章小结
本章首先介绍了电梯群控系统的研究背景、发展及国内外的一些研究现状，概述了其重要性及未来发展的方向。
接着比较了当前比较流行的几种智能控制方案，分析了各种方案的利弊。
最后，介绍了本文研究的主要内容及实现的方法，为下章分析研究对象做了铺垫。
2分析研究对象
2.1电梯群控系统的结构
电梯群控系统是一个非常复杂的系统，需要对数百个信号进行收发，处理。
目前，电梯群控有多种实现方式，但其控制系统的基本结构大体相同。
图2.1为电梯群控系统基本结构框图。
由电梯群控器接受轿外呼梯信号，根据派梯策略算法的处理结果将呼梯信号分配给各单梯控制器，单梯控制器根据各电梯状态、分配的轿外呼梯信号、轿内呼梯信号等对电梯进行运行控制。
电梯群控控制器是电梯群控系统的核心，负责采集轿外呼梯信号并协调控制各电梯的运行。
图2.1电梯群控系统结构图
单梯控制器控制单台电梯，使其能够独立地上下运行、完成电梯的基本功能。
在单梯控制器中应设置合适的电梯加速度和减速度。
研究表明[5]，出于生理需求，电梯的加速度和减速度不能过大，而且加速度的变化率也不能超过一定范围，否则就会导致乘客体内器官的相对移动，给人不舒适感，如果这种变化超过人体所能承受的极限，就会出现呕吐、恶心等不适症状。
电梯群控器是整个电梯群的调度中心。
一方面，它可以采集轿外呼梯信号，根据电梯的当前位置、电梯运行方向、轿厢负荷、客流量等各方面因素对轿外呼梯信号做出合理的分配，并将轿外呼梯信号发送给各单梯控制器。
另一方面，电梯群控器接收用户指令、设置参数并根据需要增减功能，向外部输出电梯的相关信息，供用户查询与监视，本文就是针对电梯群控器进行研究的。
2.2电梯群控系统的特点
电梯群控系统是典型的动态离散事件系统，系统的建模、分析、优化都较为复杂，调度策略所面临的问题是基于当前的状态和历史数据找到一个派梯程序来决定什么时间、地点轿厢应运行、停止或转向。
对于办公建筑主要是使乘客平均候梯时间最小，此问题难于处理的原因包括：
多轿厢的协同问题，满足轿厢的运动约束、状态信息的不完整和不确定以及时变的交通量。
电梯群控系统的随机性、非线性和控制目标多样性，使传统控制方法很难提高系统的性能指标。
因此调度算法和评价指标对于电梯群控系统是是至关重要的。
电梯群控系统是一个具有多目标因素的系统，共有30多个目标，它们之间的关系错综复杂，这就使我们在设计电梯群控系统时需要折中和综合考虑各个目标。
它们主要包括平均候梯时间短、长时间侯梯率低、平均乘梯时间短、系统能耗少、客流输送能力强、轿厢内拥挤度适宜等。
上述的几个目标对电梯群控系统提出了不同的要求。
电梯群控系统应根据客流需求状况，对这些指标进行调整。
由于电梯的客流量会随时间的变化而发生变化。
所以，电梯交通系统存在着很大的不确定性，主要表现为每一层站的乘客数的不确定性、乘客的目的层的不确定性、呼梯信号的产生楼层的不确定性、建筑物内存在的与环境因素有关的交通状况的变化的不确定性等[6]。
电梯交通系统中还有很多非线性的因素，必须用智能控制技术来控制它们。
2.3电梯群控系统的性能要求
电梯群控系统是对电梯群的控制和调度，电梯作为大楼内的垂直交通工具，必须保障其安全性和可靠性。
因此，群控系统的性能应包括以下要求[7]：
（1）电梯群控系统需要完成的最核心的任务就是对电梯群的调度控制。
电梯群控系统必须要能与电梯群进行通信，获取各电梯的状态信息和呼叫信息，实现对电梯群的调度，这是电梯群控系统的基础。
同时，电梯群也需要接收调度电梯群控系统运算出的反馈调度指令来控制电梯。
因此，电梯群控系统必须要能与电梯群进行通信。
（2）电梯群控系统对电梯群调度的目的就是要提高整个电梯群对乘客的服务质量。
要提高电梯群的服务质量，首先必须对乘客的呼叫信号进行集中的管理和统一的分配。
这是提高电梯群服务质量的前提。
只有对电梯群进行集中、统一、合理的分配，才能更好地提高电梯群的服务效率。
（3）电梯群控系统的主要功能是实现对电梯群的合理调度。
但由于电梯群中的电梯可能分布在不同的位置上，而电梯又是封闭在大楼里面，用户很难进行观测到电梯的运行调度情况。
因此，电梯群控系统必须提供显示界面，对电梯群的运行调度状况进行监测。
（4）用户有的时候需要了解各电梯的运行状态和一些硬件参数指标。
由于电梯的运行状态是在不停变化的，仅仅通过人为的观测要想同时观测所有电梯的状态，几乎是不可能的。
因此，电梯群控系统必须要能满足用户的这些需求，实时显示电梯的运行状态和一些硬件参数指标。
（5）电梯的安全问题一直被人们视为电梯运行最为重要的问题，而电梯故障是影响电梯安全运行最关键的因素，所以显示电梯的故障信息、对电梯故障进行报警和记录，对于用户和维修人员来说都是至关重要的，而且电梯的历史故障记录对于日后电梯故障的诊断和电梯各部件性能的评价都有十分重要的意义。
所以，为了保证电梯群控系统能够更加安全的运行，必须对电梯故障进行报警、对电梯故障进行处理后记录下来，这也是群控系统应有的一项重要功能。
2.4本章小结
本章重点分析了电梯群控系统的结构、特点及性能要求。
整个系统由群控器及单梯控制器2部分组成，本文只针对群控器进行研究。
由于系统的非线性、多目标性及随机性，只有采用智能方法才能起到很好的控制作用，提高电梯的服务质量。
最后分析了系统的性能要求，这是应用于现实生活中的前提，下一章将研究电梯交通模式的识别。
3电梯交通模式识别
影响电梯群控算法性能的一个重要因素是交通流，它是用电梯服务系统的乘客数、乘客出现的周期以及乘客的分布情况来描述的。
在不同的交通模式下采用最适合的群控算法，可显著提高系统的性能。
3.1电梯交通模式分类
一个大楼内由于各楼层的人员分布在一定时间段内相对稳定，其人员的作息有一定的规律，使得对交通流的分析不仅是可能的，而且也是十分必要的。
电梯交通是由大楼内乘客数、乘客出现周期及各楼层乘客分布三部分来描述的。
电梯交通具有二重性，即规律性和随机性。
电梯交通具有规律性是因为大楼内人群的生活和工作中存在着周期性，而且不同时间段的交通量之间存在着一定的内在联系。
电梯交通具有随机性是因为不同工作日的同一时段内交通量是随机的，即每层要求服务的乘客数、乘客的起始楼层和目的楼层是随机的[8]。
电梯交通的随机性大大增强了电梯交通分析的难度，而电梯交通的规律性使得电梯交通分析成为可能。
大楼的交通模式一般可简单地分为上行高峰、下行高峰、平衡的层间交通和空闲交通四种。
不同的模式下，乘客对电梯的要求有很大的差异，因此对交通模式的准确判别，是有效提高电梯运行水平的基础。
下面分别对四种交通模式进行简单的介绍[9]：
（1）上行高峰模式
当主要的（或全部的）客流是上行方向，即全部或大多数乘客从建筑物的门厅进入电梯且上行，分散到大楼的各个楼层，这种情况被定义为上行高峰交通模式（UP—PEAKTRAFFICCONDITION）。
上行高峰交通模式一般发生在早晨上班时刻，上班时刻带来相当大的到达率，乘客进入电梯上行到各个楼层上班。
其次，强度稍小的上行高峰发生在午间休息结束时刻。
（2）下行高峰模式
当主要的（或全部的）客流是下行方向，即全部或者大多数乘客是从大楼的各层乘电梯下行到门厅离开电梯，这种状况被定义为下行高峰交通模式（DOWN—PEAKTRAFFICCONDITION）。
在一定程度上说，发生在下班时刻的下行高峰是早晨上行高峰的反向。
在午间休息开始时形成的下行高峰强度较弱，而傍晚下班时的下行高峰比早晨的上班高峰更强烈，此时下行高峰的强度比上行高峰要强得多，持续的时间也更长。
（3）层间交通模式
层间交通模式是指大楼内没有主导客流，客流只在各楼层间移动，客流量比较小。
这种交通模式是一种基本的交通状况，存在于一天中的大部分时间。
层间交通是由于人们在大楼内的正常工作产生的，这种模式也称为平衡的2路交通模式。
（4）空闲交通模式
空闲交通模式是指大楼的客流量非常小，一般在上班时间之前和下班时间之后以及中午休息时间比较大，在交通高峰期很小，正常工作时间的比例较小。
这种模式下主要考虑电梯的节能。
3.2基于模糊神经网络的交通模式识别
交通模式识别即根据一定时间段（一般定为5min）内的交通流的具体信息，确定此时间段中的交通模式。
交通模式识别的准确性将直接影响整个系统的性能。
Aebert等提出了用神经网络或模糊推理的方式进行交通模式识别的方法[10]，但是用神经网络方法制定样本困难，而且网络训练非常耗时，易陷于局部最小；
而用模糊规则方法又无学习功能。
因此，本文采用模糊推理和神经网络相结合的方法，即模糊神经网络进行交通模式识别。
3.2.1模糊神经网络的基本结构
图3.1为模糊神经网络结构图。
如图所示，模糊神经网络共有5层，第l层为输入层，每个节点代表一个输入变量，第2层和第4层的节点是模糊子集节点，分别用于表示输入和输出变量的隶属函数；
第3层为规则层，每个节点代表一条规则，它与第2层和第4层节点的连接代表模糊规则的特定组成；
第5层的节点代表由网络输出的变量。
对于每个神经元来说，都有一个综合函数f（*）用来组合来自其他神经元的信息，并有一个激活函数a（*）来输出一个激活值。
图3.1模糊神经网络结构图
现对网络的各层说明如下[11]：
第1层输入层，其神经元个数NN1为输入变量的个数,这一层直接把输入值传递到下一层
，
（3.1）
其中
是第k个输入变量的值,本层的连接权值为单位1。
第2层模糊化层，其神经元的个数NN2和输入变量个数NN1以及每个输入变量的模糊子集个数有关,如果选择每个输入变量的模糊子集个数相同
则
每个神经元代表一个模糊子集,如果选择高斯型函数做为隶属函数,
升级会员 