基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)--物聯(lián)網(wǎng)工程課程設(shè)計論文.doc

《基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)--物聯(lián)網(wǎng)工程課程設(shè)計論文.doc》由會員分享，可在線閱讀，更多相關(guān)《基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)--物聯(lián)網(wǎng)工程課程設(shè)計論文.doc（27頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、 遼 寧 工 業(yè) 大 學(xué)物聯(lián)網(wǎng)工程 課程設(shè)計（論文） 題目：基于信息智能處理的軌道交通節(jié)能控制系統(tǒng) 學(xué) 院： 電子與信息工程學(xué)院 專業(yè)班級： 學(xué) 號： 學(xué)生姓名： 指導(dǎo)教師： 教師職稱： 起止時間： 課程設(shè)計（論文）任務(wù)及評語學(xué) 院： 教研室：學(xué) 號學(xué)生姓名專業(yè)班級課程設(shè)計（論 文）題 目基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)課程設(shè)計（論文）任務(wù)為了達到空調(diào)系統(tǒng)節(jié)能的控制目標(biāo)，需要對系統(tǒng)中若干個空調(diào)機的控制采用分布式人工智能控制策略，通過分布式人工智能方法動態(tài)地選擇和使用最有效的空調(diào)機運行模式和控制參數(shù)，既充分考慮候車人群對空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)的節(jié)能需要，實現(xiàn)地鐵空調(diào)控制系統(tǒng)的

2、柔性調(diào)節(jié)和高效節(jié)能控制，最大限度地降低地鐵空調(diào)系統(tǒng)的能源消耗。本系統(tǒng)應(yīng)用于交通節(jié)能控制系統(tǒng)，主要分為兩部分，一是硬件設(shè)計，二是軟件編寫，該同學(xué)負責(zé)軟件設(shè)計。指導(dǎo)教師評語及成績成績： 指導(dǎo)教師簽字： 年 月 日 遼寧工業(yè)大學(xué)課程設(shè)計說明書（論文）目錄 摘 要11 方案概述21.1 背景21.2 應(yīng)用領(lǐng)域31.3 國內(nèi)外研究現(xiàn)狀3 1.4 功能描述62 方案創(chuàng)新點與難點73 系統(tǒng)實現(xiàn)原理84 硬件設(shè)計95 軟件設(shè)計105.1 算法描述105.2 軟件運用116 系統(tǒng)測試及結(jié)果176.1 地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析176.1.1 站臺定員時的乘客散熱負荷計算176.1.2 工作日候車乘客的散熱負荷

3、計算186.1.3 站臺非工作日候車乘客散熱負荷計算186.1.4 冷季節(jié)里的站臺空調(diào)系統(tǒng)節(jié)能量計算196.2 測量與控制方案的可行性研究196.2.1 分布式參數(shù)測量技術(shù)研究與應(yīng)用196.3 試驗方案247 設(shè)計總結(jié)及改進措施258 心得體會26參考文獻27 基于信息智能處理的軌道交通節(jié)能 控制系統(tǒng) 摘 要為了達到空調(diào)系統(tǒng)節(jié)能的控制目標(biāo)，需要對系統(tǒng)中若干個空調(diào)機的控制采用分布式人工智能控制策略，通過分布式人工智能方法動態(tài)地選擇和使用最有效的空調(diào)機運行模式和控制參數(shù)，既充分考慮候車人群對空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)的節(jié)能需要，實現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能控制，最大限度地降低

4、地鐵空調(diào)系統(tǒng)的能源消耗。關(guān)鍵詞:節(jié)能、優(yōu)化、分布式人工智能、地鐵空調(diào)系統(tǒng)1 方案概述1.1 背景在上海這座2200 多萬人口的特大型城市，解決出行問題，越來越多的人依靠發(fā)達的軌道交通網(wǎng)絡(luò)。截至目前，上海地鐵全路網(wǎng)共有11 條運營線路，全長425 公里，共有273 座車站分布在15 個行政區(qū)域。今年一季度，上海地鐵日均運送超過530 萬客流，這個數(shù)字，占城市公共交通運送比例近四成。每天超過500 萬人次的客流順暢地穿梭在這個城市腳下，有效地緩解了地面的交通壓力，更將城市外延不斷拓寬，由此帶動城市發(fā)展與經(jīng)濟繁榮。軌道交通具有運量大、速度快、安全、準(zhǔn)點、保護環(huán)境、節(jié)約能源和用地等特點。按照同等運力比

5、較，軌道交通的能耗只相當(dāng)于小汽車的1/9，公交車的1/2，但由于運量大，其總耗電量相當(dāng)大。但從各城市軌道交通的建設(shè)經(jīng)營現(xiàn)狀看，大多數(shù)軌道交通處于政府補貼狀態(tài)，贏利水平低，目前只有香港、倫敦、東京等少數(shù)幾個城市軌道交通運營盈利。據(jù)測算，2008年上海軌道交通線網(wǎng)規(guī)劃用電為6.5 億度，約占上海市用電總量的1%；到2015 年，上海軌道交通線網(wǎng)規(guī)劃用電為13.9 億度，約占上海市用電總量的1.2%，年耗電量增幅平均達12%。上海市政府每年給上海城市軌道交通的運營虧損補貼多達數(shù)億元。降低上海城市軌道交通運行能耗，減少用電總量，成為降低上海城市軌道交通運營成本的一個有效途徑。據(jù)統(tǒng)計，地鐵能耗的84%集

6、中在車輛系統(tǒng)和通風(fēng)空調(diào)系統(tǒng)兩個方面，其分別占地鐵能耗的53%和31%。以開通的地鐵5 號線為例，其車輛系統(tǒng)用電每年約8000 萬度左右。目前城市軌道交通電動車組普遍采用“再生制動電阻制動機械制動”的制動方式，制動能量可達到牽引能量的30%以上，部分再生制動的能量可以被線路上相鄰車輛吸收，如不能被吸收則轉(zhuǎn)換為電阻或空氣制動，制動能量被白白消耗，初步估算該部分耗能占制動能量的40%左右，5號線該部分能量達960 萬度以上。通風(fēng)空調(diào)系統(tǒng)能耗高低與通風(fēng)空調(diào)系統(tǒng)形式密切相關(guān)。目前，國內(nèi)地鐵采用的通風(fēng)空調(diào)系統(tǒng)還僅限于傳統(tǒng)的單一功能、分散獨立式的區(qū)間隧道與車站通風(fēng)空調(diào)系統(tǒng)，其構(gòu)成復(fù)雜、控制繁瑣，導(dǎo)致車站土建

7、規(guī)模大、投資高、運行費用大。地下車站通風(fēng)空調(diào)機房面積在12002500 平方米左右，占車站總建筑面積的12%30%。據(jù)廣州地鐵公司的統(tǒng)計數(shù)據(jù)顯示，地鐵通風(fēng)空調(diào)能耗已占到了地鐵總能耗的約50%。通過對上海城市軌道交通運行能耗的調(diào)研后，我們發(fā)現(xiàn)：在車輛系統(tǒng)用電方面，車輛制動能量損耗缺乏有效控制，亟需在全電制動停車控制系統(tǒng)、再生制動能量利用關(guān)鍵設(shè)備及應(yīng)用等方面開展研發(fā)和應(yīng)用，建立牽引供電系統(tǒng)再生電能吸收系統(tǒng)，提出合理的再生電能吸收系統(tǒng)設(shè)置方案，有效吸收地鐵車輛制動能量；在通風(fēng)空調(diào)系統(tǒng)方面，缺乏有效的節(jié)能技術(shù)和運行方式，亟需在通風(fēng)空調(diào)系統(tǒng)中實施優(yōu)化控制，采用新型節(jié)能通風(fēng)空調(diào)系統(tǒng)等方面開展研發(fā)和應(yīng)用，建

8、立適合上海地區(qū)的地鐵通風(fēng)空調(diào)系統(tǒng)，大力推廣應(yīng)用降低現(xiàn)有地鐵通風(fēng)空調(diào)能耗的節(jié)能技術(shù)和產(chǎn)品。1.2 應(yīng)用領(lǐng)域基于信息智能處理的軌道交通節(jié)能控制系統(tǒng)所應(yīng)用的領(lǐng)域為城市軌道交通系統(tǒng)。1.3 國內(nèi)外研究現(xiàn)狀近年來，已有若干將分布式人工智能理論、控制技術(shù)應(yīng)用于分布式系統(tǒng)的研究，并取得了一定的成果。2000 年，Srovnal 教授提出了基于multiagent 的管道網(wǎng)絡(luò)分布式控制系統(tǒng)3；2001 年，Blake 教授提出了一種基于規(guī)則驅(qū)動Agent 的分布式控制的自重構(gòu)Agent 架構(gòu)4；2002年，Brennan 教授提出了一種基于Agent 的實時分布式控制系統(tǒng)的重構(gòu)方法5；Maturana 教授提

9、出了一種工業(yè)分布式控制的自動Agent 體系結(jié)構(gòu)6；中國科學(xué)院院士、清華大學(xué)張鈸教授分析了Books 反應(yīng)式智能的思想，提出了基于傳感器的智能體和多自主體的智能控制策略，它能克服傳統(tǒng)人工智能完全依賴先驗知識建立的專用系統(tǒng)與環(huán)境交互及應(yīng)付突變能力差的弱點，使智能系統(tǒng)具備在動態(tài)、事先不完全知道的環(huán)境中正常運行的能力3、4；國內(nèi)學(xué)者史忠植長期從事智能主體、分布智能的理論和應(yīng)用系統(tǒng)研究1；梁泉博士對多智能體系統(tǒng)的協(xié)作及控制作了全面的分析，提出了基于多智能體系統(tǒng)的分布式智能控制應(yīng)用方向11、12；上海交通大學(xué)的許曉鳴教授和費燕瓊教授2003 年獲得國家自然科學(xué)基金資助，研究基于多Agent的分布式控制系

10、統(tǒng)中智能模塊的自重構(gòu)、自修復(fù)理論與方法14、15、16、17；合肥工業(yè)大學(xué)蔣建國教授和夏娜博士開展了基于MAS 的分布式控制系統(tǒng)中的協(xié)同策略研究，并先后得到教育部基金和2005 年國家自然科學(xué)基金的資助24、25、26、10；浙江大學(xué)的劉海龍博士在其畢業(yè)論文中采用multiagent 理論方法，著重探討了動態(tài)環(huán)境下分布式智能系統(tǒng)中的任務(wù)協(xié)作問題18。分布式人工智能理論中的進化計算是20 世紀(jì)90 年代初為了促進不同進化算法之間的交流而提出來的，現(xiàn)已成為“智能”與“優(yōu)化”兩個主題研究的新熱點，對組合優(yōu)化的問題已有較多的研究成果4。目前進化計算已和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural

11、Networks,ANN）、模糊邏輯（Fuzzy Logic,FL）相結(jié)合57，形成了計算智能學(xué)科（Computational Intelligence,CI）8.9。美國海軍后勤研究中心對進化計算的研究極為重視，于1985 年首先在電子網(wǎng)絡(luò)上建立了全球性的有關(guān)遺傳算法的信息交流節(jié)點（GAListRequestaic.nrl.navy.mil），不定期編輯出版電子遺傳算法文摘（GA Digest），交流有關(guān)遺傳算法的最新信息。網(wǎng)絡(luò)上與進化計算有關(guān)的信息實際上是一個有關(guān)進化計算的巨大資料庫，為使研究人員更方便地利用這些資源，在交互網(wǎng)絡(luò)上建立了幾個比較大的節(jié)點，稱為ENCORE（Evolution

12、ary Computation Repository Network）。通過這幾個節(jié)點中的任一個，不僅可以了解到網(wǎng)絡(luò)上主要的有關(guān)進化計算的信息，而且可以獲取自由軟件，交流科技報告等，如可獲得1957 年到現(xiàn)在的所有有關(guān)遺傳算法的科技論文的目錄，該目錄中包括2500 多篇文獻。另外，日本新的計算機發(fā)展規(guī)劃RWC（Real World Computing Program）也把遺傳算法、進化計算作為主要支撐技術(shù)之一，用來進行信息的集成、學(xué)習(xí)及組織等。進入80 年代，遺傳算法迎來了興盛發(fā)展時期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用領(lǐng)域也不斷擴大。目前遺傳算法所涉及的主要

13、領(lǐng)域有自動控制、規(guī)劃設(shè)計、組合優(yōu)化、圖象處理、信號處理、人工生命等。目前面向應(yīng)用的軟件產(chǎn)品有EVOLVER、OMEGA、PC/BEAGLE、GENERATOR、XPERTRULE、GENASYS。美國Illinois 大學(xué)的Goldberg 教授早在1989 年就出版了目前被認為是進化算法最經(jīng)典、最全面的教 科書。國內(nèi)自20 世紀(jì)90 年代以來對進化計算進行了廣泛研究。特別是將進化計算的方法與原理應(yīng)用在不同的工程領(lǐng)域，取得了令人矚目的成就，對進化計算的理論基礎(chǔ)研究也取得了很多優(yōu)秀成果。我國的遺傳算法的研究，從20 世紀(jì)90 年代以來一直處于不斷上升的時期，特別是近年來，遺傳算法的應(yīng)用在許多領(lǐng)域

14、取得了令人矚目的成果。國內(nèi)二級以上學(xué)術(shù)刊物有關(guān)遺傳算法的文章不斷增加。國內(nèi)很多專家、學(xué)者等在這方面作了大量研究，并取得了很多成果。在武漢大學(xué)軟件工程國家重點實驗室設(shè)有并行計算研究室，進化計算已成為一個重要的研究方向，目前已經(jīng)出版了專著，并有許多碩士、博士研究生圍繞進化計算選題。另外，中國科學(xué)技術(shù)大學(xué)陳國良教授等出版了遺傳算法的著作。西安交通大學(xué)以進化計算為主題的研究工作也逐漸活躍起來，同時國內(nèi)相關(guān)書籍也越來越多，如武漢大學(xué)劉勇、康力山等與1995年出版的非數(shù)值并行計算遺傳算法；周明、孫樹棟等于1996 年出版的遺傳算法原理及應(yīng)用；2002 年王小平、曹立明編寫的遺傳算法理論、應(yīng)用與軟件實現(xiàn)等等

15、。同時國內(nèi)也出現(xiàn)有關(guān)遺傳算法的論壇，有http:/ 百思論壇，研學(xué)論壇 等都是很好的學(xué)習(xí)交流論壇。分布式測控系統(tǒng)（Distributed Computer Automated Measurement and Control System，DCAMCS）是指在獨立計算機的集合系統(tǒng)中通過網(wǎng)絡(luò)通信來開發(fā)、部署、管理和維護，以資源共享和協(xié)同工作為主要應(yīng)用目標(biāo)的分布式應(yīng)用系統(tǒng)。它具有較強的實時性和空間約束性等特點，現(xiàn)場總線控制系統(tǒng)(FCS)是目前結(jié)構(gòu)最典型、工業(yè)應(yīng)用最廣泛的分布式測控系統(tǒng)2。分布式人工智能是近年來興起的新學(xué)科，是人工智能、知識工程、分布式計算、并行處理、計算機網(wǎng)絡(luò)和通訊技術(shù)交叉發(fā)展的產(chǎn)物

16、。分布式人工智能運用人工智能技術(shù)，研究一組在地理上分散的、松散耦合的智能機構(gòu)如何協(xié)調(diào)和組織，其知識、技能、目標(biāo)和規(guī)劃以進行高效聯(lián)合求解。其研究包括并行人工智能、分布式知識系統(tǒng)二大部分。分布式人工智能系統(tǒng)具有潛在的并行處理能力，單個智能機構(gòu)具有較高的自治性，整個系統(tǒng)具有較大的可擴展性和較高的可靠性，具有共享知識和資源的能力，對知識的處理速度快、能力強等特點。其固有問題大致可分為如下四類： 規(guī)則、合作、交替活動及信息采集等。其中，在規(guī)劃方面，智能機構(gòu)必須確定何時解題或完成任務(wù)，以及何時請求其它智能機構(gòu)來協(xié)助完成任務(wù)；在合作方面，智能機構(gòu)確定何時中斷其現(xiàn)行工作，以滿足來自其它智能機構(gòu)的請求，或何時接

17、受其它任務(wù)；在交替活動方面，智能機構(gòu)應(yīng)用有效的方法來交替完成這些活動。在信息采集方面，由于環(huán)境的動態(tài)特性及智能機構(gòu)傳送信息的異步性，智能機構(gòu)必須能夠確定何時以及用何種方法來更新自己的狀態(tài)，這種更新常用的方法有計算方法和通訊方法兩種。分布式人工智能的理論和技術(shù)發(fā)展為分布式測控系統(tǒng)實現(xiàn)人工智能控制提供了一條途徑。該技術(shù)是為解決大規(guī)模復(fù)雜系統(tǒng)控制問題的智能求解而發(fā)展起來的，通過對問題的描述、分解和分配，構(gòu)成分散的、面向特定問題的相對簡單的子系統(tǒng)，并協(xié)調(diào)各子系統(tǒng)并行和相互協(xié)作地進行問題求解，其思想十分適合大規(guī)模控制問題的智能求解，是目前分布式人工智能領(lǐng)域的研究熱點，已被描述為設(shè)計和構(gòu)建分布式復(fù)雜工程應(yīng)

18、用系統(tǒng)的下一代模型2。隨著國家節(jié)能減排政策和落實要求，人工智能控制技術(shù)近年來已逐漸應(yīng)用于城市大型建筑物中央空調(diào)系統(tǒng)，2007 年重慶大學(xué)熱能工程系周洪煜博士論文研究了基于人工智能和專家系統(tǒng)的中央空調(diào)節(jié)能運行及故障診斷技術(shù)與實現(xiàn)20， 針對中央空調(diào)系統(tǒng)存在的非線性和大的滯后,采用了創(chuàng)新的控制手段，在中央空調(diào)系統(tǒng)的運行控制中率先提出了先進的基于混合神經(jīng)網(wǎng)絡(luò)的非線性預(yù)測函數(shù)控制及SMITH 預(yù)估控制算法，編制出控制算法軟件并將其應(yīng)用到實際對象中，達到預(yù)期的控制效果，經(jīng)過實際運行對比測算，其節(jié)電效果達到30%以上，產(chǎn)生了良好經(jīng)濟的效益；河北工業(yè)大學(xué)劉作軍博士在智能建筑VAV 空調(diào)系統(tǒng)的節(jié)能控制系統(tǒng)中采

19、用分段控制方法，即分別在空調(diào)系統(tǒng)預(yù)冷階段，采用神經(jīng)網(wǎng)絡(luò)算法得出最佳預(yù)冷期；在空調(diào)系統(tǒng)調(diào)節(jié)控制階段，通過前饋方式提前調(diào)節(jié)變風(fēng)控制量；在提前停機控制中，采用模糊控制的方法確定提前停機時間，取得了較好的節(jié)能控制效果21。目前軌道交通內(nèi)空調(diào)設(shè)備的控制系統(tǒng)智能化不夠，控制功能較簡單，缺乏學(xué)習(xí)能力；同時現(xiàn)場設(shè)備間只能進行簡單的協(xié)同工作，缺少有效的協(xié)調(diào)機制。單一的智能控制和分布式控制在集群式空調(diào)系統(tǒng)應(yīng)用中均遇到不少難題，例如系統(tǒng)中單體優(yōu)化基礎(chǔ)上的全局優(yōu)化問題、單體或群體效用激勵機制的建立和實施等，影響到它們在軌道交通集群式空調(diào)系統(tǒng)中的推廣應(yīng)用。隨著用戶對系統(tǒng)的實時性、自動性、智能性和網(wǎng)絡(luò)性等性能越來越高，空

20、調(diào)控制系統(tǒng)進入了“分布式智能化時代”。尤其是圍繞整體系統(tǒng)按需供應(yīng)的節(jié)能目標(biāo)，對于集群式空調(diào)系統(tǒng)中的各個機組在動態(tài)環(huán)境下進行協(xié)調(diào)控制的提出，更要求各個機組的控制系統(tǒng)具有規(guī)范一致的結(jié)構(gòu)功能以及良好的交互性和協(xié)作性。因此，研究適合軌道交通空調(diào)系統(tǒng)要求的分布式智能測技術(shù)日益顯得必要和迫切。1.4 功能描述此系統(tǒng)采用物聯(lián)網(wǎng)技術(shù)，將多組空調(diào)和電腦等經(jīng)紅外傳感器，嵌入式網(wǎng)關(guān)有機的組合在一起，由物聯(lián)網(wǎng)服務(wù)器將識別的信息經(jīng)過綜合處理與配方。便可實現(xiàn)地鐵空調(diào)系統(tǒng)節(jié)能的控制目標(biāo)，對系統(tǒng)中若干個空調(diào)機組控制采用分布式人工智能控制策略，通過分布式人工智能方法動態(tài)地選擇和使用最有效的空調(diào)機運行模式和控制參數(shù)組。通過對人工

21、智能控制方法的研究，達到既充分考慮候車人群對空調(diào)系統(tǒng)的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能目標(biāo)的協(xié)調(diào)控制策略，最終實現(xiàn)地鐵空調(diào)機組的優(yōu)化調(diào)節(jié)和高效節(jié)能。2 方案創(chuàng)新點與難點方案創(chuàng)新點為本系統(tǒng)將重點研究和力求拓展基于分布式人工智能（Distributed Artificial Intelligence,DAI）理論，開展其在地鐵空調(diào)系統(tǒng)節(jié)能中的應(yīng)用研究工作。其難點包括：1)將由多個獨立運行的多空調(diào)機組成的地鐵空調(diào)系統(tǒng)作為多智體系統(tǒng)（Multi Agent System,MAS），研究提高空調(diào)系統(tǒng)能效的協(xié)調(diào)運行機制，在進化算法中引入節(jié)能激勵因子，使由空調(diào)機組控制參數(shù)組成的染色體組合實現(xiàn)優(yōu)先進化的人工智能進

22、化策略(Evolutionary Strategy, ES)。2）基于人工智能統(tǒng)計回歸分析理論（Statistics Regression Analysis，SRA），研究視頻信號智能檢測與分析技術(shù)及其在地鐵站臺人群平均密度估算中的應(yīng)用；研究根據(jù)人群密度估計等級進行溫濕度控制的模糊邏輯和控制策略。3）基于數(shù)據(jù)融合和數(shù)據(jù)挖掘技術(shù)對所獲數(shù)據(jù)進行選擇、探索和融合處理，研究和制定地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測與節(jié)能評估的管理方法。3 系統(tǒng)實現(xiàn)原理建立站臺溫濕度無線傳感測量試驗系統(tǒng)，應(yīng)用視頻圖像模糊神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)方法和圖像智能分析技術(shù)，實現(xiàn)站臺溫濕度分布測量、人群平均密度估計和模糊控制策略，通過實驗數(shù)據(jù)采

23、集工作，建立地鐵站臺溫濕度測量、人群平均密度與多空調(diào)機組控制參數(shù)的數(shù)學(xué)模型?？刂葡到y(tǒng)方框圖如圖3.1：圖中，人工智能控制器根據(jù)站臺人群平均密度估計結(jié)果，按很多、較多、正常、較少、很少5 個等級隸屬度函數(shù)輸出模糊控制信號，即空調(diào)需求量輸入信號。人工智能MAS 進化控制器根據(jù)站臺空調(diào)需求信號和節(jié)能激勵進化計算結(jié)果，輸出最優(yōu)控制參數(shù)組控制各空調(diào)機組的變頻器運行，通過站臺溫濕度傳感網(wǎng)絡(luò)反饋環(huán)節(jié)獲得控制效果，實現(xiàn)按需自動調(diào)節(jié)空調(diào)機組的節(jié)能控制目標(biāo)。4 硬件設(shè)計所用硬件：一體化智能球兩個,工業(yè)電腦一臺,海爾空調(diào)三臺,智能儀表,紅外接收、發(fā)射器,溫濕度傳感器在這部分設(shè)計中，應(yīng)將各部分電路仔細連接，了解每一部

24、分的特點，以及每一部分在整個設(shè)計中所起到的作用。5 軟件設(shè)計5.1 算法描述在多目標(biāo)進化算法中引入節(jié)能激勵因子F，研究和制定空調(diào)機組控制參數(shù)組序列的進化策略，建立多目標(biāo)優(yōu)化控制試驗系統(tǒng)，使由空調(diào)機組控制參數(shù)組成的染色體序列依據(jù)系統(tǒng)的節(jié)能控制目標(biāo)滾動比較、選擇進化，實現(xiàn)節(jié)能控制參數(shù)組優(yōu)先進化的人工智能控制策略；進化控制策略的組成模塊示意圖見下圖5.1：上圖中，控制算法基于模型算法控制(MAC)由4 個基本模塊組成主要包括內(nèi)部模型、能耗計量反饋校正、滾動優(yōu)化計算和能耗參考輸入軌跡四個部分。它采用基于脈沖響應(yīng)的非參數(shù)模型作為內(nèi)部模型，用控制參數(shù)組作為輸入輸出信息，經(jīng)過用模型輸出誤差進行反饋校正以后，

25、再與節(jié)能指標(biāo)參考輸入軌跡進行比較，應(yīng)用二次型性能指標(biāo)進行滾動優(yōu)化，然后再計算出當(dāng)前時刻下，應(yīng)輸出到各單元控制系統(tǒng)的優(yōu)化控制參數(shù)組，完成整個控制循環(huán)。滾動優(yōu)化計算模塊組成框圖見下圖5.2：其中的滾動優(yōu)化計算模塊采用了多目標(biāo)進化算法，核心技術(shù)是控制系統(tǒng)根據(jù)進化算法每代產(chǎn)生大量可行解和隱含的并行性這一特點設(shè)計一種決策優(yōu)化方法，基于排序的表現(xiàn)矩陣測度可行解，對節(jié)能目標(biāo)總體表現(xiàn)好壞的向量進行比較和獎勵。引入節(jié)能激勵因子F 實現(xiàn)參數(shù)組序列優(yōu)先進化，以此提高該組參數(shù)的個體適應(yīng)度，實現(xiàn)優(yōu)先進化；節(jié)能激勵因子；其中:g 是激勵因子的代數(shù)，每次循環(huán)結(jié)束，根據(jù)求得的最優(yōu)解的情況對g 進行調(diào)整。其數(shù)學(xué)表達式為：g=

26、0,算法求得最優(yōu)解仍在進化 g=g+1,最優(yōu)解在 次循環(huán)內(nèi)沒有明顯改進，且g+1gmax g=gmax,其他個體適應(yīng)度可以由參考資料中查找得到。其中j=1,2,3N該算法通過一次計算即可得到問題的非劣解集，簡化了多目標(biāo)問題的優(yōu)化求解步驟。優(yōu)化算法的主要步驟有適應(yīng)度計算、進化概率計算和最優(yōu)解決策輸出。附圖1 是地鐵10 號線宋園路的大系統(tǒng)（站臺）空調(diào)系統(tǒng)圖。通過人工智能的控制方法，實現(xiàn)既充分考慮候車人群對空調(diào)系統(tǒng)溫濕度的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能需要的協(xié)調(diào)控制目標(biāo)，實現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能。5.2 軟件運用本系統(tǒng)在進行小規(guī)模的試驗時用到了如下的幾個主要軟件，下面來分別簡單介紹。

27、如下圖5.3 所示，這個是北京漢邦高科公司的視頻監(jiān)控軟件界面圖，可以通過該軟件同時監(jiān)測2一體式球形攝像機的工作情況。下圖5.4 為北京漢邦高科公司的視頻監(jiān)控軟件有能夠根據(jù)視頻中人群密度的大小來判斷是否需要報警的功能。下圖5.5 為設(shè)置該軟件中人群平均密度水平分析的功能，設(shè)定需要報警的區(qū)域時的畫面情形（藍色框內(nèi)為報警區(qū)域）。下圖5.6 為對三臺變頻空調(diào)的控制，包括有開機、關(guān)機的控制，溫度的調(diào)控，同時也能檢測到當(dāng)前環(huán)境中三個不同地域的溫度和濕度。下圖5.7 為丹東華通測控公司的智能儀表在線監(jiān)控軟件。該軟件能夠在工業(yè)控制計算機上看到實時的三相電壓、電流、有功功率、無功功率及功率因數(shù)等參數(shù)。下圖5.8

28、 為丹東華通測控公司的智能儀表在線監(jiān)控軟件的通訊端口的設(shè)置（當(dāng)前設(shè)為com6）。下圖5.9 為通過對該軟件端口設(shè)置后，點開在線設(shè)備檢測的功能，將看到在線的智能電表。下圖5.10 為智能電表的三相的各種參數(shù)。下圖5.11組態(tài)軟件，該軟件可以將不同通訊方式的設(shè)備連接在一起，從而可以同時的實時的觀察各個設(shè)備的運作情況，也能夠控制各個在線的設(shè)備。這樣就可以達到多目標(biāo)的優(yōu)化處理和對本系統(tǒng)節(jié)能性能評估的目的。6 系統(tǒng)測試及結(jié)果6.1 地鐵站臺空調(diào)系統(tǒng)節(jié)能潛力分析目前地鐵站臺的空調(diào)負荷都是按照額定工況計算的，乘客散熱負荷也是按站臺定員條件進行計算。然而在實際運行時地鐵站臺的乘客數(shù)量是不斷變化的，并且大部分時

29、間內(nèi)少于定員人數(shù)，所以在乘客散熱負荷中存在著節(jié)能潛力。為了研究乘客散熱負荷的節(jié)能量，進而實現(xiàn)地鐵站臺空調(diào)系統(tǒng)的節(jié)能，需要分析地鐵站臺候車乘客散熱負荷的節(jié)能潛力。根據(jù)統(tǒng)計資料，上海地鐵的實時客流量具有明顯的峰值時間，大部分時間內(nèi)乘客人數(shù)少于定員人數(shù)。統(tǒng)計時間為2010 年6 月24 日、25 日（工作日）和26 日、27 日（非工作日），每天從6：0022：00。所統(tǒng)計的數(shù)據(jù)為站臺候車乘客數(shù)和運行時間，統(tǒng)計情況如下圖6.1 所示。地鐵站臺的乘客散熱負荷由人均散熱負荷q 和平均人群密度決定，人均散熱負荷q 可以參照有關(guān)的標(biāo)準(zhǔn)，而站臺平均人群密度則是不斷變化的。以實際統(tǒng)計的客流量為基礎(chǔ)，計算地鐵站臺

30、上候車乘客的散熱負荷，并與額定工況下的定員散熱負荷進行比較，分析整個制冷季節(jié)的乘客散熱負荷的節(jié)能潛力。6.1.1 站臺定員時的乘客散熱負荷計算站臺定員時的乘客散熱負荷計算公式為：Qe = qN n T(1) 式中： Qe 列車定員時的乘客散熱負荷，kWh；N 候車乘客數(shù)量，人；q 人均散熱量，取 0.1163kW/ 人；n 集群系數(shù)，n=0.955；T 額定工況下站臺的營運時間是從 6：0022：00，即 T=16 小時。N=S(2) 式中： S 站臺候車面積，m2平均人群密度，人/m2定員情況下，平均人群密度e=1 人/m2；以1600m2 候車區(qū)域(長200 米，寬8 米)雙向候車的站臺為

31、例，計算候車乘客散熱負荷的節(jié)能量。則全天運行時間內(nèi)站臺定員時的乘客散熱負荷為：Qe = qNe n T =0.1163 1600 0.955 16=2843.30（kWh）6.1.2 工作日候車乘客的散熱負荷計算在工作日，根據(jù)每天營運時間內(nèi)該站臺在不同時段內(nèi)的站臺候車人數(shù)，如下圖6.2：可測算出站臺平均人群密度：s10.5 人/m2；則工作日候車乘客散熱負荷為：Qs1 = qNs1 n T =0.1163 800 0.955 16=1421.65 （kWh）因此在工作日里，站臺全天實際的候車乘客散熱負荷的節(jié)能量：Qe Qs1=2843.31421.65=1421.65 （kWh）該節(jié)能量占站臺

32、定員時乘客散熱負荷的百分比：（Qe Qs1）/ Qe=50%6.1.3 站臺非工作日候車乘客散熱負荷計算在地鐵站臺非工作日實際情況下，每天營運時間T 內(nèi)的站臺候車人數(shù)統(tǒng)計如下圖6.3：可測算出站臺平均人群密度：s20.3 人/m2；則非工作日乘客散熱負荷為：Qs2 = qNs2n T =0.1163 480 0.955 16=852.99 （kWh）因此在非工作日里，站臺全天實際的乘客散熱負荷的節(jié)能量：Qe Qs2=2843.30852.99=1990.31 （kWh）該節(jié)能量占站臺定員時乘客散熱負荷的百分比：（Qe Qs2）/ Qe=70.00%6.1.4 冷季節(jié)里的站臺空調(diào)系統(tǒng)節(jié)能量計算以

33、 每年5 月1 日到9 月 30 日為制冷季節(jié)，一共 153 天，其中工作日 109 天，非工作日 43 天，所以整個制冷季乘客散熱負荷的節(jié)能量：Qss = （Qe Qs1）109+（ Qe Qs2 ）43=240543.18kWh該地鐵站臺設(shè)計裝備4 個空調(diào)機組，在額定工況下每一個機組的制冷量為 42kW 。假定站臺空調(diào)系統(tǒng)3 個機組全天運行，則整個制冷季節(jié)中空調(diào)系統(tǒng)在額定工況下的制冷量為：Qsc =42 416153=411264（kWh）因此整個制冷季節(jié)中實際的乘客散熱負荷的節(jié)能量占空調(diào)系統(tǒng)額定制冷量的百分比為：Qss/Qsc*100%=58.94%由此可見，地鐵站臺空調(diào)負荷中的乘客散熱

34、負荷具有很大的節(jié)能潛力。因此，在工作日和非工作日的地鐵運營時間內(nèi)，根據(jù)站臺實際的平均人群密度計算，實際的乘客散熱負荷的節(jié)能量分別占定員乘客散熱負荷的50%和70%，整個制冷季節(jié) 153 天內(nèi)實際的乘客散熱負荷的節(jié)能量約占空調(diào)系統(tǒng)額定制冷量的58.49%，可見對地鐵站臺空調(diào)系統(tǒng)而言，乘客散熱負荷是有很大節(jié)能潛力的。如果能改進站臺多空調(diào)機組的控制策略，使空調(diào)機組產(chǎn)生的制冷量緊密跟隨實際的站臺候車乘客散熱負荷，則能進一步提高地鐵站臺空調(diào)系統(tǒng)的節(jié)能量。6.2 測量與控制方案的可行性研究6.2.1 分布式參數(shù)測量技術(shù)研究與應(yīng)用1）地鐵站臺分布式溫濕度測量技術(shù)研究與應(yīng)用建筑物內(nèi)的溫濕度信號具有可測性和可控

35、性，但準(zhǔn)確測量的難度在于它的分布特性，準(zhǔn)確控制的難度在于它的數(shù)學(xué)測量模型具有模糊性和滯后性。根據(jù)國家建設(shè)部通風(fēng)與空調(diào)工程施工質(zhì)量驗收規(guī)范(建標(biāo)200260 號)B6.3 項的規(guī)定：本系統(tǒng)可應(yīng)用國內(nèi)現(xiàn)有的“點式”溫濕度測量技術(shù)?？紤]試驗階段建筑物布線等問題，采用無線傳感方式進行數(shù)據(jù)采集，現(xiàn)場測量端采用嵌入式系統(tǒng)完成信號采集、處理和無線傳輸，由接收器采集各點的溫濕度信號送入上位計算機，通過分布式測量方法實時獲得站臺內(nèi)舒適度的整體測量情況，建立地鐵站臺空調(diào)溫濕度測量與控制的數(shù)學(xué)模型?？紤]到今后的功能擴展，如空氣質(zhì)量檢測、可燃氣體含量檢測和有毒有害氣體檢測等需要，現(xiàn)場測量設(shè)備采用信號處理能力較強的CP

36、U 芯片及外圍電路組成的測量端，信號傳輸協(xié)議采用抗干擾能力較強的ZigBee 協(xié)議，同時傳輸過程采用硬件中繼方式，保障測量信號的正常傳輸。在此基礎(chǔ)上，本系統(tǒng)將深入研究連續(xù)分布式光纖溫濕度測量技術(shù)，建立候車站臺溫濕度與人體舒適度的對應(yīng)關(guān)系，以實際空調(diào)量需求為目標(biāo)，向控制系統(tǒng)提供符合實際的分布式測量數(shù)據(jù)，使控制決策更加經(jīng)濟合理。連續(xù)分布式光纖溫濕度測量技術(shù)是未來取代目前國內(nèi)普遍采用的“點式傳感”的測量技術(shù)。目前在英國倫敦地鐵、等得到廣泛應(yīng)用，同時可用于地鐵站臺及交通隧道火災(zāi)監(jiān)測、鋼軌應(yīng)變測量等傳感領(lǐng)域。2） 地鐵站臺人群平均密度估計近年來隨著計算機視覺和人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展，基于智能視頻分析

37、的人群密度估計和流量統(tǒng)計算法大量涌現(xiàn)。許多人群監(jiān)控系統(tǒng)也相繼在世界各地投入使用。如1995 年，倫敦地鐵最早采用了人群監(jiān)控系統(tǒng)，用以統(tǒng)計地鐵站中的人群密度和流量統(tǒng)計，預(yù)防安全事故的發(fā)生。2003 年歐洲相繼通過閉路電視系統(tǒng)進行人群流量統(tǒng)計，進而改善公共交通的管理。另一方面，由于受到恐怖事件的威脅，一些國家和地區(qū)相繼啟動了進行基于視頻分析的群體安全分析系統(tǒng)22。1999 年，WSChowt 教授利用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來分析人群特征。極大地提高了人群分析的準(zhǔn)確性，該方法已于2002 年在香港地鐵系統(tǒng)中得到運用27。隨著機器學(xué)習(xí)的發(fā)展Chow 和Marana 教授分別利用分類性和自學(xué)習(xí)性能更佳的RB

38、F 神經(jīng)網(wǎng)絡(luò)28和自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)實現(xiàn)人群密度分析29。近年來隨著支持向量機(SVM)理論的逐步完善，其優(yōu)良的性能已經(jīng)被越來越多地應(yīng)用到人群密度的分析當(dāng)中22。通過分布在地鐵站臺上多個攝像探頭采集的視頻圖像，根據(jù)計算機圖像處理方法，通過模糊神經(jīng)網(wǎng)絡(luò)在模擬人類神經(jīng)系統(tǒng)處理模糊信息的功能方面具有獨特的優(yōu)勢，基于圖像處理邊界不明晰的模糊集合，合理地劃分人群密度范圍，實現(xiàn)圖像智能分析與平均人群密度估計23。本系統(tǒng)采用統(tǒng)計回歸的方法實現(xiàn)地鐵站臺的人群平均密度估計，該方法適用于大范圍，固定場景以及固定攝像位置的情況30。Chan 教授將人群的流量近似為一個高斯過程。綜合利用人群的像素和紋理信息

39、。建立在景人數(shù)和人群特征的函數(shù)關(guān)系即回歸方程如下：式中第一項代表了一個總體趨勢，即主要由像素信息決定：第二項代表了非線性關(guān)系主要由紋理信息決定；第三項代表了觀測噪聲項。目前已在實驗室建立了試驗系統(tǒng)，初步實現(xiàn)了兩個區(qū)域的圖像采集和模糊人群密度估計。3）模糊控制邏輯設(shè)計模糊控制的實現(xiàn)基本上有兩種方法。第一種方法涉及到模糊化、控制規(guī)則評價和解模糊的嚴(yán)格實時數(shù)學(xué)計算，這是被廣泛認可的方法，在后面的應(yīng)用例子中將進行描述。在模糊邏輯工具箱的幫助下，例如MATLAB 環(huán)境中的模糊邏輯工具箱，可以開發(fā)一個高效的C 程序?qū)崿F(xiàn)模糊控制。該程序被編輯，其目標(biāo)程序被寫入DSP 中用于執(zhí)行。采用商業(yè)化的ASIC 芯片也

40、能實現(xiàn)模糊控制。第二種方法是查表法。該方法將事先已完成的所有輸入/輸出靜態(tài)映射計算結(jié)果（包括模糊化、控制規(guī)則的評價和解模糊）存儲在一個大的查詢表中，用以實時執(zhí)行。有時不僅只有一張查詢表，還可有各種等級（粗糙、中等、精致）的查詢表。當(dāng)用于精確控制時，查詢表需要大量的存儲空間，但其執(zhí)行速度很快。人工神經(jīng)網(wǎng)絡(luò)也可被訓(xùn)練用來模擬模糊控制器。6.2.2 多機組空調(diào)系統(tǒng)優(yōu)化控制策略可行性研究空氣調(diào)節(jié)器能效限定值及能效等級是空調(diào)系統(tǒng)節(jié)能控制的重要評估指標(biāo)。能效比是指空調(diào)器在制冷運行時，制冷量與有效輸入功率之比。能效比數(shù)值的大小，實際上反映出了空調(diào)器產(chǎn)品每消耗1000W 電功率時，制冷量的大小。該數(shù)值的大小反

41、映出不同空調(diào)器產(chǎn)品的節(jié)能情況。能效比數(shù)值越大，表明該產(chǎn)品使用時所需要消耗的電功率就越小，則在單位時間內(nèi)，該空調(diào)器產(chǎn)品的耗電量也就相對越少。2010 年2 月26 日，我國發(fā)布了新房間空調(diào)器能效標(biāo)準(zhǔn)GB 12021.32010房間空氣調(diào)節(jié)器能效限定值及能效等級，取代2004 年發(fā)布的GB 12021.32004，該標(biāo)準(zhǔn)已于2010 年6 月1日實施。標(biāo)準(zhǔn)規(guī)定了房間空調(diào)器的能效限定值、能效等級、節(jié)能評價值、試驗方法和檢驗規(guī)則。標(biāo)準(zhǔn)適用于空氣冷卻冷凝器、全封閉型電動機壓縮機，制冷量在14000 W 及以下，氣候類型為T1 的空調(diào)器，但不適用于移動式、轉(zhuǎn)速可控型、多聯(lián)式空調(diào)機組。能效比的測試方法按照G

42、B/T 77252004房間空氣調(diào)節(jié)器進行。電熱絲的能效比只能達到1:1，即消耗1 千瓦的電力，產(chǎn)生1 千瓦的熱能?？照{(diào)在所有制熱產(chǎn)品中的能效比最高，可以達到1:3 左右，即消耗1 千瓦的電力，能夠移動3 千瓦左右的熱量，所以空調(diào)節(jié)能省電?？照{(diào)器的能效比，就是名義制冷量(制熱量)與運行功率之比，即EER 和COP。(1) EER 是空調(diào)器的制冷性能系數(shù)，也稱能效比，表示空調(diào)器的單位功率制冷量。(2) COP 是空調(diào)器的制熱性能系數(shù)，表示空調(diào)器的單位功率制熱量。(3) 數(shù)學(xué)表達式為：EER=制冷量/制冷消耗功率 COP=制熱量/制熱消耗功率(4) EER 和COP 越高，空調(diào)器能耗越小，性能比越

43、高?？照{(diào)能效比越高就越省電，家里也就越省錢。為了迎合消費者的這一消費新需求，空調(diào)廠家有關(guān)空調(diào)能效比的系數(shù)也就翻著跟頭上升，從3.0 到4.0、5.0、6.0 一直到了7.0，到底要不要馬上追著能效比買空調(diào)?目前我國空調(diào)市場的能效比數(shù)據(jù)比較混亂，中國空調(diào)能效比的認證還沒有出臺，國家還沒有相關(guān)的標(biāo)準(zhǔn)，因此不好衡量。廠家在市場上宣傳的數(shù)據(jù)基本上都是廠家自報的數(shù)據(jù)，并且這些數(shù)據(jù)都是從實驗室得來的，帶有極大的商業(yè)傾向性。此外，相關(guān)參數(shù)具有國別差異，不同國家產(chǎn)品之間的能效比之間存在不小的差異，比如說，中國出售的日本變頻空調(diào)，其電壓、冷媒都與國內(nèi)的企業(yè)不同，其能效比也就不具有可比性。能效比越高并非越省錢。空

44、調(diào)的能效比越高就越省電，但對家庭來說不一定會達到省錢的目的。這是因為高能效比空調(diào)的成本太高，其價格是普通空調(diào)的10 倍多，并且短時期內(nèi)難以下降，按照12 年的壽命計算，高能效比空調(diào)終生省下的電費難以抵消其本身的購買差價。在日本，能效比最高的空調(diào)售價在30 萬日元以上，而一般的變頻空調(diào)的售價則為2.9 萬日元，相差了10 倍多。因為價格奇高，95%的日本家庭還是選擇了一般的變頻空調(diào)。由此判斷，高能效比空調(diào)短時間在中國更是難進家門。買空調(diào)關(guān)鍵要看性能價格比。購買空調(diào)的關(guān)鍵因素不是空調(diào)的能效比高不高，任何時候需要關(guān)注的是空調(diào)的性能價格比，也就是質(zhì)量穩(wěn)定性，功能的先進性以及購買價格的經(jīng)濟性與運行的經(jīng)濟

45、性，此外還要看購買與運行的經(jīng)濟性，也就是說功能先進的空調(diào)能買得起并且能用的起等因素。總而言之，花最少的錢買最好的空調(diào)是消費者選擇空調(diào)的硬道理。控制目標(biāo)：在控制過程中，首先保證單臺機組工作在額定工作狀態(tài)，能效等級達到國家標(biāo)準(zhǔn)1 級，協(xié)調(diào)控制空調(diào)系統(tǒng)內(nèi)各機組按照優(yōu)化后的控制參數(shù)運行，使整體空調(diào)系統(tǒng)能效等級達到1 級。為了實現(xiàn)多機組空調(diào)系統(tǒng)的節(jié)能目標(biāo)，需要在控制參數(shù)組進化過程中引入節(jié)能激勵因子F，對控制參數(shù)組的運行方式及控制目標(biāo)進行調(diào)整，因此需要對現(xiàn)有的多目標(biāo)進化算法進行改進具體思路是：在進化過程中，通過節(jié)能激勵因子F 調(diào)整空調(diào)系統(tǒng)控制參數(shù)序列被選擇的概率值，節(jié)能激勵因子F 值越大，被選擇的概率越大

46、，使由節(jié)能效率高的空調(diào)機組控制參數(shù)組成的染色體組合實現(xiàn)優(yōu)先進化。算法的仿真結(jié)果如下圖6.5：上圖表明了進化算法的收斂性，在初始時進化的進度比率相對較高，經(jīng)過數(shù)代進化后則逐漸趨近于0，說明最終種群已經(jīng)接近Pareto 解集。算法仿真結(jié)果表明：系統(tǒng)的魯棒性較強，不易陷入局部極小，而且在運行時間方面，同樣達到進化算法最優(yōu)解的質(zhì)量水平，所用時間短，收斂速度較快。6.2.3 地鐵空調(diào)系統(tǒng)能量管理系統(tǒng)監(jiān)測與節(jié)能評估可行性研究為了實現(xiàn)地鐵空調(diào)控制系統(tǒng)的柔性調(diào)節(jié)和高效節(jié)能，本系統(tǒng)通過人工智能的控制方法實現(xiàn)既充分考慮候車人群對空調(diào)舒適度的需求，又滿足地鐵空調(diào)系統(tǒng)節(jié)能需要的協(xié)調(diào)控制目標(biāo)，需要研究和設(shè)計一個空調(diào)系統(tǒng)

47、能量管理系統(tǒng)節(jié)能監(jiān)測及評估系統(tǒng)作為空調(diào)控制系統(tǒng)最優(yōu)解的質(zhì)量反饋環(huán)節(jié)實現(xiàn)閉環(huán)控制。6.3 試驗方案根據(jù)本系統(tǒng)研究目標(biāo)和內(nèi)容，建立實驗室小型試驗系統(tǒng)。采用高清晰攝像頭采集人群密度圖像；采用無線檢測系統(tǒng)獲得環(huán)境溫濕度信號；采用智能電表采集空調(diào)系統(tǒng)電流、電壓和功率等用電信息；采用工業(yè)控制計算機通過以太網(wǎng)實現(xiàn)智能變頻空調(diào)。試驗方案如下圖6.6：由于空調(diào)，攝像頭，智能儀表，工控機等已安裝于實驗室小型試驗系統(tǒng),無法帶到現(xiàn)場，在接下來的演示中我們用仿真代替。7 設(shè)計總結(jié)及改進措施1增大人群密度檢測的精確度，便于后續(xù)更好地計算和控制；2改進模糊控制的隸屬度函數(shù)，使電腦能進行更有效地判斷；3在可控范圍內(nèi)增加加快多

48、目標(biāo)優(yōu)化的收斂速度，使此方案更加節(jié)能環(huán)保。8 心得體會通過這幾天的物聯(lián)網(wǎng)工程實訓(xùn)，讓我漸漸進入了物聯(lián)網(wǎng)的世界。在這幾天的時間里，我們第一次進入了物聯(lián)網(wǎng)實驗室，由此，物聯(lián)網(wǎng)工程那一層神秘的面紗也被揭開了。我們了解了物聯(lián)網(wǎng)工程的大體走向，了解了它的基本構(gòu)成以及基本應(yīng)用，才發(fā)現(xiàn)，在我們的生活中，它無處不在。在這次課程設(shè)計中，我們遇到了許多困難，也遇到了一些知識上的盲點，但是，我們并沒有放棄，我們通過上網(wǎng)查找資料等方式，來彌補我們在知識方面的不足。這次課設(shè)讓我受益匪淺，無論從知識上還是其他的各個方面。我們并沒有真正的接觸過物聯(lián)網(wǎng)，只能從理論的角度去理解枯燥乏味。但在課設(shè)中見過甚至接觸了物聯(lián)網(wǎng)簡單模型，

49、能夠理論聯(lián)系實際的學(xué)習(xí)，開闊了眼界，提高了物聯(lián)網(wǎng)知識的理解和水平。在這次課程設(shè)計中又讓我體會到了合作與團結(jié)的力量，當(dāng)遇到不會或是設(shè)計不出來的地方，我們就會在QQ群里討論或者是同學(xué)之間相互幫助。團結(jié)就是力量，無論在現(xiàn)在的學(xué)習(xí)中還是在以后的工作中，團結(jié)都是至關(guān)重要的，有了團結(jié)會有更多的理念、更多的思維、更多的情感。參考文獻 1史忠植.智能主體及其應(yīng)用M.北京:科學(xué)出版社,2000.2 蔡自興.艾真體分布式人工智能研究的新課題J.計算機科學(xué)，2002，29（12）：123126.3 Sroval V.,Nevriva P.Distributed control systems of pipeline

50、 networks using multiagent technologiesA.Proceedings of the 2nd IFAC/IFIP/IEEE Conference on Management and Control of Production and LogisticsC.Elsevier Science,2001:10931099.4Blake M.B.Ruledriven coordonation agents:a selfconfigurable agent arthitedture for distributed controlA.Proceedings of the

51、5th Inter.Symposium on Autonomous Decentralized Systems(ISADS2001)C.IEEE Press,2001:271277.5Brennan R.W.,Fletcher M.,Norrie D.H.An agentbased approach to reconfiguration of realtime distributed control systemsJ.IEEE Transactions on Robotics and Automation,2002,18(4):444451.6Maturana F.,Staron R.,Tic

52、hy P.,et al.Autonomous agent arthitecture for industrial distributed controlA.Preceedings of the 56th Meeting of the Society for Machinery Failure Prevention TechnologyC.IEEE Press,2002:147156.7 Shehory O.,Kraus S.Coalition formation among autonomous agents:Strategy andcomplexity.In:Castel Franchis,

53、Pmuller J.(Eds.).From Reaction to Cognition,Lecture Notes in Artificial Intelligence,Berlin:Springer,1993:5772.8 Shehory O.,Kraus S.Task allocation via coalition formation among autonomousagentsA.Proc.ofIJCAI95C.Los Angeles,CA,USA:Morgan Kaufmann Publishers,1995:655661.9 Shehory O.,Kraus S.A kernelo

54、riented model for coalition formation in generalenvironments:Implementation and resultA.Proceedings of AAAI96C.Portland,1996:134140.10夏娜，蔣建國，齊美彬等.基于MultiAgent 的分布式智能視覺監(jiān)控系統(tǒng)研究J.計算機工程與應(yīng)用，2002,38（5）：434511梁泉,許小鳴,張鐘俊.多智能體系統(tǒng)協(xié)作及控制機理和基本問題分析J控制與決策,1996,11（5）:521526.12 梁泉,許小鳴,張鐘俊.分布式智能控制及其系統(tǒng)A,中國控制與決策會議C,1995.

55、13 張鈸.近十年人工智能進展J.模式識別與人工智能,1995,8(suppl.):18.14沈鋼, 許曉鳴,張文淵.連續(xù)事例推理智能控制在復(fù)雜控制系統(tǒng)中的應(yīng)用J.中國有色金屬學(xué)報，2000，10（1）：144147.15楊煜普,黃新民,許曉鳴.通用部分全局規(guī)劃方法在多智能體協(xié)調(diào)控制中的應(yīng)用J. 上海交通大學(xué)學(xué)報,1999,33(4):435438.16費燕瓊,馮光濤,趙錫芳等.可重組機器人運動學(xué)正逆解的自動生成J.上海交通大學(xué)學(xué)報，2000，34（10）:14301433.17 費燕瓊,況迎輝,趙錫芳等.可裝配的模塊機器人動力學(xué)的自動生成J.東南大學(xué)學(xué)報，2000，30（2）:8488.18

56、劉海龍.動態(tài)環(huán)境下分布式智能系統(tǒng)的任務(wù)協(xié)作理論研究Ph.D Thesis.杭州:浙江大學(xué)信息學(xué)院控制系,2001.19劉金琨.復(fù)雜工業(yè)過程智能控制研究Ph.D Thesis.杭州:浙江大學(xué),1998.20文敦偉.面向多智能體和神經(jīng)網(wǎng)絡(luò)的智能控制研究Ph.D Thesis.長沙：中南大學(xué),2001.1121 智能建筑VAV 空調(diào)系統(tǒng)的節(jié)能控制.劉作軍，董硯.自動化與儀表 2000.522 周洪煜.基于人工智能和專家系統(tǒng)的中央空調(diào)節(jié)能運行及故障診斷技術(shù)研究與實現(xiàn).Ph.D Thesis 重慶大學(xué)23 張勁,鐘毅芳. 分布式測控系統(tǒng)框架模型研究J微計算機信息, 2003,(09)24 李召潑,張小松

57、,吳智深.大型公共建筑中央空調(diào)的節(jié)能與監(jiān)控.建筑節(jié)能.2010 年3 期25劉海東，毛保華，丁勇，賈文崢，城市軌道交通列車節(jié)能問題及方案研究 J.交通運輸系統(tǒng)工程與信息 ，2007，7（5）：6873.26 周志雄. 地鐵空調(diào)系統(tǒng)節(jié)能探討 J. 制冷，2005，24（z1）：5558.27 VELASTIN S A，KHOUDOUR L，SUN B P L，et a1PRISMAllCA： a multisensor surveillance system for public transport networksEBOll.20090520http:/NSTUFlY.NSTL_HYl7074

58、105aspx28CHAN A B，LIANG Z S J，VASCONCELOS NPrivacy preserving crowd monitoring： Counting people without people models or trackingEBOL20090520http:/ieeexploreieeeorgxpFfreeabs_a11jsp /arnumber=458756929 WU Xinyu，LIANG Guoyuan。LEE K，et a1Crowd density estimation using texture analysi8 and learningEBOL200905201http:/ieeexplore.ieee.orgxplfreeabs_a11jsp/ arnuml)er414186730ZHANG EnweiCHEN FengA fast and robust people counting method in videosurveillanceEBOL20090520http:/ieecx ploreieeeorgxpldfreeabs_a11.Jsp /arnumbe 4415360