王清霞　金　曦（.大連市技師學(xué)院，汽車工程系，遼寧 大連 6000；.大連市無線電監(jiān)測站，遼寧 大連 6000）

基于模糊神經(jīng)網(wǎng)絡(luò)的電梯群控算法研究

王清霞1金曦2
（1.大連市技師學(xué)院，汽車工程系，遼寧 大連 116000；2.大連市無線電監(jiān)測站，遼寧 大連 116000）

本文對常見的電梯智能群控算法進(jìn)行了分析比較，重點(diǎn)研究了模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先對大廈客流的特征進(jìn)行長期統(tǒng)計(jì)分析，進(jìn)而對電梯群交通模式進(jìn)行分類，利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進(jìn)行了識別。根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當(dāng)前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進(jìn)行計(jì)算，選取可信度最大的電梯響應(yīng)呼梯信號，最終完成派梯。

電梯群控；模糊神經(jīng)網(wǎng)絡(luò)；交通模式；派梯算法

1 概述

隨著人類社會的不斷發(fā)展進(jìn)步，高層建筑的數(shù)量逐漸成為城市發(fā)展繁榮的標(biāo)志之一，而電梯是高層建筑中不可或缺的組成部分，因此電梯技術(shù)也隨之得到了飛速發(fā)展。電梯在控制技術(shù)方面逐步從一部電梯發(fā)展為多部電梯的集中控制。這樣將多部電梯集中起來并統(tǒng)一進(jìn)行協(xié)調(diào)和優(yōu)化的調(diào)度系統(tǒng)，就是電梯群控系統(tǒng)（EGCS）。在電梯群控系統(tǒng)中，智能算法是整個系統(tǒng)的核心，目前常見的算法主要有：專家系統(tǒng)、模糊控制、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)等。本文采用的是模糊神經(jīng)網(wǎng)絡(luò)算法。本文首先分析大廈客流，對電梯群的交通模式進(jìn)行分類，利用模糊神經(jīng)網(wǎng)絡(luò)對電梯群的交通模式進(jìn)行了識別，根據(jù)系統(tǒng)的識別結(jié)果判定電梯群當(dāng)前處于的交通模式。然后再次利用模糊神經(jīng)網(wǎng)絡(luò)對派梯算法中各電梯響應(yīng)呼梯信號的可信度進(jìn)行計(jì)算，選取可信度最大的電梯響應(yīng)呼梯信號，最終完成派梯。

圖1為電梯群控系統(tǒng)從呼梯信號產(chǎn)生到完成派梯的系統(tǒng)框圖。

2 交通模式的分類與識別

2.1 交通模式的分類

建筑的功能不同，其乘坐電梯的人群也不同，因此往往具有不同的交通客流，每一棟大廈都有自己獨(dú)特的交通客流特征。以一棟辦公高層寫字樓為例，一天之中交通客流會隨著時間的變化而變化。由于上班人群具有嚴(yán)格的作息規(guī)律，因此交通客流變化也有一定規(guī)律可循。對于大樓而言，交通客流主要分為三類：進(jìn)入客流、層間客流和離開客流。進(jìn)入客流，乘客由一樓大廳或地下停車場進(jìn)入大樓，乘坐電梯前往各自的目的樓層；層間客流，乘客在自己所在的樓層乘坐電梯前往其它樓層；離開客流，乘客從自己所在樓層前往一樓大廳或地下停車場，離開大樓。

在電梯運(yùn)行過程中，交通客流是不斷變化的，只有通過交通客流的變化，確定當(dāng)前電梯交通模式，才能采用合適的調(diào)度算法。本文以高層辦公大樓為研究目標(biāo)，根據(jù)固定時間段內(nèi)交通客流變化，將電梯交通模式分為6類：上行高峰交通模式、下行高峰交通模式、空閑交通模式、中間層繁忙模式、單中間層繁忙模式和雙中間層繁忙模式。

2.2 模糊神經(jīng)網(wǎng)絡(luò)

將交通模式分類后，接下來需要識別電梯群當(dāng)前的交通模式，本文采用模糊神經(jīng)網(wǎng)絡(luò)來進(jìn)行識別。模糊神經(jīng)網(wǎng)絡(luò)是將模糊理論和人工神經(jīng)網(wǎng)絡(luò)取長補(bǔ)短的融合應(yīng)用，可以實(shí)現(xiàn)復(fù)雜信息處理和控制的智能算法。將模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來，人工神經(jīng)網(wǎng)絡(luò)可以進(jìn)行邏輯運(yùn)算從而能夠?qū)δ：兞亢湍：?guī)則，充分發(fā)揮各自優(yōu)勢。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是根據(jù)輸入輸出變量個數(shù)及其模糊子集數(shù)、模糊規(guī)則數(shù)等決定的，權(quán)值的賦值也跟模糊變量有關(guān)，因此可以充分的利用現(xiàn)有專家經(jīng)驗(yàn)建立模糊子集和規(guī)則庫，根據(jù)實(shí)際需要確定網(wǎng)絡(luò)結(jié)構(gòu)。

模糊神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建規(guī)則與人工神經(jīng)網(wǎng)絡(luò)不同，人工神經(jīng)網(wǎng)絡(luò)對中間隱含層數(shù)量可以根據(jù)需要進(jìn)行設(shè)置，而模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中層數(shù)是固定的，分別為輸入層、模糊化層、規(guī)則層、綜合層、輸出層。

（1）輸入層：輸入層是模糊神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的第一層，輸入變量通過該層的節(jié)點(diǎn)輸入到整個網(wǎng)絡(luò)中。因此在輸入層的每一個節(jié)點(diǎn)都代表著一個輸入變量。每個神經(jīng)元即節(jié)點(diǎn)，把輸入變量輸入到第二層。神經(jīng)元的數(shù)量等于輸入變量的個數(shù)。

（2）模糊化層：模糊化層也叫輸入語言變量層。每個輸入變量都要實(shí)現(xiàn)定義好各自模糊子集，通過這一層計(jì)算全部模糊子集的隸屬度函數(shù)。該層的神經(jīng)元數(shù)量是由上一層的節(jié)點(diǎn)數(shù)和各輸入變量的模糊子集數(shù)量決定的。

（3）規(guī)則層：該層節(jié)點(diǎn)為規(guī)則節(jié)點(diǎn)，代表邏輯規(guī)則。每個節(jié)點(diǎn)具有“與”的邏輯運(yùn)算功能。該層全部節(jié)點(diǎn)形成一個if-than規(guī)則庫。

（4）綜合層：該層的神經(jīng)元個數(shù)等于輸出變量的所有模糊子集個數(shù)。該層節(jié)點(diǎn)執(zhí)行模糊“或”運(yùn)算，用來合成具有同樣結(jié)果的規(guī)則。

圖1 電梯群控系統(tǒng)框圖

（5）輸出層：該層又叫做反模糊化層。這一層的網(wǎng)絡(luò)結(jié)構(gòu)是由輸出變量的個數(shù)決定的。

2.3 交通模式識別

本文以高層寫字樓為例，統(tǒng)計(jì)全時間段大廈內(nèi)乘坐電梯的客流數(shù)據(jù)，總結(jié)特點(diǎn)，提取有效的特征值。以10分鐘為一個單位時間段，特征值有：單位時間內(nèi)總客流量、進(jìn)入客流量、離開客流量、客流最大中間樓層、客流次大中間樓層。其中進(jìn)入客流量為從一樓大廳和地下停車場進(jìn)入電梯的乘客數(shù)量。根據(jù)上述五個特征值，對之前已經(jīng)分為五類的交通模式進(jìn)行識別。五類交通模式中，單中間層繁忙模式和雙中間層繁忙模式本質(zhì)上屬于中間層繁忙模式，但根據(jù)實(shí)際可能發(fā)生的交通客流變化情況，本文將這兩種交通模式單獨(dú)細(xì)化出來，作為中間層繁忙模式的特例，便于電梯群控調(diào)度的優(yōu)化處理。因此在識別過程中應(yīng)該分為兩個步驟來識別，首先識別上行高峰交通模式、下行高峰交通模式、空閑交通模式和中間層繁忙模式。然后再針對一般中間層繁忙模式、單中間層繁忙模式和雙中間層繁忙模式進(jìn)行識別。如果第一步確認(rèn)不屬于中間層繁忙模式或中間層交通客流較小，則不需要進(jìn)行第二個步驟進(jìn)行細(xì)化識別。

將單位時間內(nèi)總客流量、進(jìn)入客流量和離開客流量作為輸入變量，在輸入網(wǎng)絡(luò)之前要先分別除以單位時間段內(nèi)總客流量最大值進(jìn)行歸一化處理，歸一化之后，輸入變量均屬于[0，1]。模糊神經(jīng)網(wǎng)絡(luò)輸出變量是各交通模式所占的比例，比例最大的交通模式為當(dāng)前電梯群所處的交通模式。首先計(jì)算上行高峰交通模式、下行高峰交通模式、空閑交通模式和中間層繁忙模式所占比例，如果中間層繁忙模式所占比例較大，那么需要繼續(xù)比較一般中間層繁忙模式、單中間層繁忙模式和雙中間層繁忙模式所占的比例，最終確定所占比例最大的交通模式，那么就判定該交通模式為電梯群當(dāng)前處于的交通模式。

模糊神經(jīng)網(wǎng)絡(luò)在模式識別之前需要進(jìn)行訓(xùn)練，訓(xùn)練成功之后才能進(jìn)行識別，確保誤差在可以接受的范圍之內(nèi)。訓(xùn)練用輸入數(shù)據(jù)因?yàn)樾枰M(jìn)行歸一化處理，輸入值同樣只能在[0，1]區(qū)間，因此將輸入樣本間隔取值0.2。將第一步驟輸入變量和輸出變量的模糊子集個數(shù)定義為6個，代表含義分別為極大、很大、較大、較小、很小、極小。第二步驟輸入輸出變量模糊子集個數(shù)定義為4個，代表含義分別為很大、較大、較小、很小。因此可以確定兩個步驟各自的網(wǎng)絡(luò)結(jié)構(gòu)，即各層的節(jié)點(diǎn)數(shù)量。模糊子集個數(shù)定義過多或過小，都將影響網(wǎng)絡(luò)的誤差和效率。根據(jù)之前介紹過的學(xué)習(xí)方法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中模糊規(guī)則抽取閾值為β0=0.05。第一步驟中的網(wǎng)絡(luò)結(jié)構(gòu)為：第一層3個節(jié)點(diǎn)，第二層18個節(jié)點(diǎn)，第三層216個節(jié)點(diǎn)，第四層24個節(jié)點(diǎn)，第五層4個節(jié)點(diǎn)。第二步驟中的網(wǎng)絡(luò)結(jié)構(gòu)為：第一層2個節(jié)點(diǎn)，第二層8個節(jié)點(diǎn)，第三層16個節(jié)點(diǎn)，第四層12個節(jié)點(diǎn)，第五層3個節(jié)點(diǎn)。

3 電梯群控系統(tǒng)派梯算法

電梯群控的派梯算法是一個多目標(biāo)的優(yōu)化算法，需要綜合考慮到全部人群平均等待時長、全部人群在電梯內(nèi)運(yùn)行平均時效、人群久待時間所占比例和電梯群總體能耗等因素。本文針對不同交通客流模式，分別進(jìn)行優(yōu)化派梯算法研究。

電梯群控系統(tǒng)需要同時控制多部電梯響應(yīng)多個不同的呼梯信號，所以一般的數(shù)學(xué)模型無法做到，這里將繼續(xù)采用模糊神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)多目標(biāo)優(yōu)化。這電梯性能的多個指標(biāo)中，最重要的是乘客平均等候電梯時間AWT、乘客平均乘坐電梯時間ART和能耗RNC這三個指標(biāo)。

本文采用系數(shù)加權(quán)法來確定AWT、ART、RNC三個變量的權(quán)值。根據(jù)各實(shí)際情況對應(yīng)的系數(shù)，計(jì)算AWT、ART、RNC的權(quán)值，再根據(jù)加權(quán)公式的得到最終的結(jié)果。電梯群處于繁忙的工作狀態(tài)時，往往是大量集中客流導(dǎo)致的，此時重點(diǎn)加權(quán)的參數(shù)應(yīng)該是人群的平均等候電梯時間，同時也要使人群乘坐電梯時間不能過長，在這種情況下能耗的因素可以基本忽略。所以平均等候電梯時間的權(quán)值最大，平均乘梯時間次之，能耗的權(quán)值最小。

電梯處于中間層繁忙客流模式時，大廈內(nèi)各樓層的各類客流量比較平均，且客流量較小。因此需要綜合考慮等候電梯時間、乘梯時間和能耗，三者重要性差距較小，所以三個權(quán)值應(yīng)該接近，權(quán)值確定為3=[0.35 0.35 0.3]。

電梯為空閑交通模式時，此狀態(tài)下的乘客很少，綜合考慮三個因素后，應(yīng)該以降低能耗為首要因素，平均等候電梯時間和平均乘坐電梯時間均為次要因素，因此將權(quán)值確定為4=[0.25 0.25 0.5]。

電梯處于單層或是雙層中間層繁忙流模式時，由此前的交通模式分析可知，處于這種模式時人群乘坐電梯主要集中在大廈內(nèi)某一中間樓層或任意兩個中間樓層（可以不相鄰），但繁忙狀態(tài)不會理論上大于上下高峰客流。那么此時重點(diǎn)加權(quán)的參數(shù)是人群平均等候電梯時間和人群平均乘坐電梯的時間，最后加權(quán)的參數(shù)是能耗因素。因此確定單中間層繁忙模式的權(quán)值為5=[0.4 0.4 0.2]，雙中間層繁忙模式的權(quán)值為6=[0.4 0.4 0.2]。

上述已經(jīng)確定好的權(quán)值，也可以根據(jù)實(shí)際情況，通過統(tǒng)計(jì)數(shù)據(jù)結(jié)果或?qū)＜医?jīng)驗(yàn)作為參考進(jìn)行修正。上行高峰交通客流模式、中間層繁忙客流模式、下行高峰交通客流模式、單中間層繁忙模式、雙中間層繁忙模式和空閑交通客流模式。所占的交通比例分別為P1、P2、P3、P4、P5、P6，并且有P1+P2+P3+P4+P5+P6=1。則最終計(jì)算出AWT、ART、RNC的權(quán)值如下式：

產(chǎn)生一個叫梯信號后，系統(tǒng)將會立即通過HCWT、maxHCWT、CV和GD這四個參數(shù)來計(jì)算出每臺電梯的乘客平均等候電梯時間AWT、乘客平均乘坐電梯時間ART和能耗RNC指標(biāo)。HCWT為呼梯信號產(chǎn)生到響應(yīng)電梯到達(dá)該層的運(yùn)行時間和等待時間，其中運(yùn)行時間包括啟動加速、勻速和減速至停止的時間；等待時間包括打開電梯門、乘客進(jìn)入、關(guān)閉電梯門的時間。maxHCWT為某臺電梯響應(yīng)的所有呼梯信號中的最大等待時間，包括已經(jīng)響應(yīng)的和新分配給它的所有呼梯信號。CV表示響應(yīng)未來呼梯信號的能力。計(jì)算公式為：CV=1-（P1+P2）/P0，其中P1為當(dāng)前電梯內(nèi)人數(shù)，P2為已經(jīng)響應(yīng)但未處理的乘客人數(shù)，P0為電梯額度載客數(shù)量。GD為新產(chǎn)生的呼梯信號樓層與電梯所響應(yīng)的所有信號樓層之間的最短距離。該距離需要考慮到電梯運(yùn)行方向。為了簡化計(jì)算，該距離以樓層為單位。

圖2 交通模式識別中的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

建立模糊神經(jīng)網(wǎng)絡(luò)模型，輸入變量為HCWT、maxHCWT、CV和GD，輸出變量為AWT、ART、RNC這三項(xiàng)的可信度。根據(jù)不同的交通模式，調(diào)整三項(xiàng)可信度的權(quán)值，計(jì)算出最終的可信度。通過比較各電梯響應(yīng)該呼梯信號的可信度，選取可信度最大的電梯來完成派梯。

結(jié)語

本文以某一30層大廈的電梯群為例進(jìn)行仿真，該大廈有電梯6部，每部電梯額定載人15人。首先根據(jù)客流特征值識別當(dāng)前電梯群所處的交通模式，然后根據(jù)當(dāng)前交通模式計(jì)算AWT、ART和RNC的權(quán)值，并通過HCWT、maxHCWT、CV 和GD這四個參數(shù)來計(jì)算出AWT、ART、RNC這三項(xiàng)的可信度，根據(jù)交通模式計(jì)算出最終可信度。通過比較這6部電梯最終可信度大小，選取可信度最大的電梯進(jìn)行派梯。本文利用MATLAB軟件進(jìn)行了仿真實(shí)驗(yàn)，取得了較好的實(shí)驗(yàn)效果。如何對各加權(quán)系統(tǒng)進(jìn)行合理調(diào)整，使算法更加優(yōu)化是值得繼續(xù)深入研究的方向。

[1] 郭建龍.基于模糊神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)的研究[D].東北大學(xué)，2013.

[2] 張紹謙.模糊神經(jīng)網(wǎng)絡(luò)在電梯群控系統(tǒng)中的應(yīng)用研究[D].東北大學(xué)，2009.

[3] 李向莉.基于模糊神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)調(diào)度方法研究[D].蘇州大學(xué)，2006.

[4] 唐海燕.基于模糊神經(jīng)網(wǎng)絡(luò)的電梯群優(yōu)化控制研究[D].哈爾濱工業(yè)大學(xué)，2006.

[5] 鮑海.基于模糊神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)交通模式識別和多目標(biāo)優(yōu)化群控算法研究[D].同濟(jì)大學(xué)，2007.

TP183

A