基于模糊神经网络电梯群控算法研究.docVIP

基于模糊神经网络电梯群控算法研究 　　摘 要：本文对常见的电梯智能群控算法进行了分析比较，重点研究了模糊神经网络算法。本文首先对大厦客流的特征进行长期统计分析，进而对电梯群交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别。根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。 　　关键词：电梯群控；模糊神经网络；交通模式；派梯算法 　　中图分类号：TP183 文献标识码：A 　　1 概述 　　随着人类社会的不断发展进步，高层建筑的数量逐渐成为城市发展繁荣的标志之一，而电梯是高层建筑中不可或缺的组成部分，因此电梯技术也随之得到了飞速发展。电梯在控制技术方面逐步从一部电梯发展为多部电梯的集中控制。这样将多部电梯集中起来并统一进行协调和优化的调度系统，就是电梯群控系统（EGCS）。在电梯群控系统中，智能算法是整个系统的核心，目前常见的算法主要有：专家系统、模糊控制、遗传算法、人工神经网络和模糊神经网络等。本文采用的是模糊神经网络算法。本文首先分析大厦客流，对电梯群的交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别，根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。 　　图1为电梯群控系统从呼梯信号产生到完成派梯的系统框图。 　　2 交通模式的分类与识别 　　2.1 交通模式的分类 　　建筑的功能不同，其乘坐电梯的人群也不同，因此往往具有不同的交通客流，每一栋大厦都有自己独特的交通客流特征。以一栋办公高层写字楼为例，一天之中交通客流会随着时间的变化而变化。由于上班人群具有严格的作息规律，因此交通客流变化也有一定规律可循。对于大楼而言，交通客流主要分为三类：进入客流、层间客流和离开客流。进入客流，乘客由一楼大厅或地下停车场进入大楼，乘坐电梯前往各自的目的楼层；层间客流，乘客在自己所在的楼层乘坐电梯前往其它楼层；离开客流，乘客从自己所在楼层前往一楼大厅或地下停车场，离开大楼。 　　在电梯运行过程中，交通客流是不断变化的，只有通过交通客流的变化，确定当前电梯交通模式，才能采用合适的调度算法。本文以高层办公大楼为研究目标，根据固定时间段内交通客流变化，将电梯交通模式分为6类：上行高峰交通模式、下行高峰交通模式、空闲交通模式、中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式。 　　2.2 模糊神经网络 　　将交通模式分类后，接下来需要识别电梯群当前的交通模式，本文采用模糊神经网络来进行识别。模糊神经网络是将模糊理论和人工神经网络取长补短的融合应用，可以实现复杂信息处理和控制的智能算法。将模糊逻辑和人工神经网络结合起来，人工神经网络可以进行逻辑运算从而能够对模糊变量和模糊规则，充分发挥各自优势。模糊神经网络的结构是根据输入输出变量个数及其模糊子集数、模糊规则数等决定的，权值的赋值也跟模糊变量有关，因此可以充分的利用现有专家经验建立模糊子集和规则库，根据实际需要确定网络结构。 　　模糊神经网络的网络结构构建规则与人工神经网络不同，人工神经网络对中间隐含层数量可以根据需要进行设置，而模糊神经网络结构中层数是固定的，分别为输入层、模糊化层、规则层、综合层、输出层。 　　（1）输入层：输入层是模糊神经网络拓扑结构的第一层，输入变量通过该层的节点输入到整个网络中。因此在输入层的每一个节点都代表着一个输入变量。每个神经元即节点，把输入变量输入到第二层。神经元的数量等于输入变量的个数。 　　（2）模糊化层：模糊化层也叫输入语言变量层。每个输入变量都要实现定义好各自模糊子集，通过这一层计算全部模糊子集的隶属度函数。该层的神经元数量是由上一层的节点数和各输入变量的模糊子集数量决定的。 　　（3）规则层：该层节点为规则节点，代表逻辑规则。每个节点具有“与”的逻辑运算功能。该层全部节点形成一个if-than规则库。 　　（4）综合层：该层的神经元个数等于输出变量的所有模糊子集个数。该层节点执行模糊“或”运算，用来合成具有同样结果的规则。 　　（5）输出层：该层又叫做反模糊化层。这一层的网络结构是由输出变量的个数决定的。 　　2.3 交通模式识别 　　本文以高层写字楼为例，统计全时间段大厦内乘坐电梯的客流数据，总结特点，提取有效的特征值。以10分钟为一个单位时间段，特征值有：单位时间内总客流量、进入客流量、离开客流量、客流最大中间楼层、客流次大中间楼层。其中进入客流量为从一楼大厅和地下停车场进入电梯的乘客数量。根据上述五个特征值，对之前已经分为五类的交通模式进行识别。五类