王清霞　金　曦（.大連市技師學院，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）

基于模糊神經網絡的電梯群控算法研究

王清霞1金曦2
（1.大連市技師學院，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行了分析比較，重點研究了模糊神經網絡算法。本文首先對大廈客流的特征進行長期統(tǒng)計分析，進而對電梯群交通模式進行分類，利用模糊神經網絡對電梯群的交通模式進行了識別。根據系統(tǒng)的識別結果判定電梯群當前處于的交通模式。然后再次利用模糊神經網絡對派梯算法中各電梯響應呼梯信號的可信度進行計算，選取可信度最大的電梯響應呼梯信號，最終完成派梯。

電梯群控；模糊神經網絡；交通模式；派梯算法

1 概述

隨著人類社會的不斷發(fā)展進步，高層建筑的數量逐漸成為城市發(fā)展繁榮的標志之一，而電梯是高層建筑中不可或缺的組成部分，因此電梯技術也隨之得到了飛速發(fā)展。電梯在控制技術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)一進行協(xié)調和優(yōu)化的調度系統(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、人工神經網絡和模糊神經網絡等。本文采用的是模糊神經網絡算法。本文首先分析大廈客流，對電梯群的交通模式進行分類，利用模糊神經網絡對電梯群的交通模式進行了識別，根據系統(tǒng)的識別結果判定電梯群當前處于的交通模式。然后再次利用模糊神經網絡對派梯算法中各電梯響應呼梯信號的可信度進行計算，選取可信度最大的電梯響應呼梯信號，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：進入客流、層間客流和離開客流。進入客流，乘客由一樓大廳或地下停車場進入大樓，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，確定當前電梯交通模式，才能采用合適的調度算法。本文以高層辦公大樓為研究目標，根據固定時間段內交通客流變化，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 模糊神經網絡

將交通模式分類后，接下來需要識別電梯群當前的交通模式，本文采用模糊神經網絡來進行識別。模糊神經網絡是將模糊理論和人工神經網絡取長補短的融合應用，可以實現復雜信息處理和控制的智能算法。將模糊邏輯和人工神經網絡結合起來，人工神經網絡可以進行邏輯運算從而能夠對模糊變量和模糊規(guī)則，充分發(fā)揮各自優(yōu)勢。模糊神經網絡的結構是根據輸入輸出變量個數及其模糊子集數、模糊規(guī)則數等決定的，權值的賦值也跟模糊變量有關，因此可以充分的利用現有專家經驗建立模糊子集和規(guī)則庫，根據實際需要確定網絡結構。

模糊神經網絡的網絡結構構建規(guī)則與人工神經網絡不同，人工神經網絡對中間隱含層數量可以根據需要進行設置，而模糊神經網絡結構中層數是固定的，分別為輸入層、模糊化層、規(guī)則層、綜合層、輸出層。

（1）輸入層：輸入層是模糊神經網絡拓撲結構的第一層，輸入變量通過該層的節(jié)點輸入到整個網絡中。因此在輸入層的每一個節(jié)點都代表著一個輸入變量。每個神經元即節(jié)點，把輸入變量輸入到第二層。神經元的數量等于輸入變量的個數。

（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現定義好各自模糊子集，通過這一層計算全部模糊子集的隸屬度函數。該層的神經元數量是由上一層的節(jié)點數和各輸入變量的模糊子集數量決定的。

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

（4）綜合層：該層的神經元個數等于輸出變量的所有模糊子集個數。該層節(jié)點執(zhí)行模糊“或”運算，用來合成具有同樣結果的規(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。這一層的網絡結構是由輸出變量的個數決定的。

2.3 交通模式識別

本文以高層寫字樓為例，統(tǒng)計全時間段大廈內乘坐電梯的客流數據，總結特點，提取有效的特征值。以10分鐘為一個單位時間段，特征值有：單位時間內總客流量、進入客流量、離開客流量、客流最大中間樓層、客流次大中間樓層。其中進入客流量為從一樓大廳和地下停車場進入電梯的乘客數量。根據上述五個特征值，對之前已經分為五類的交通模式進行識別。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上屬于中間層繁忙模式，但根據實際可能發(fā)生的交通客流變化情況，本文將這兩種交通模式單獨細化出來，作為中間層繁忙模式的特例，便于電梯群控調度的優(yōu)化處理。因此在識別過程中應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行識別。如果第一步確認不屬于中間層繁忙模式或中間層交通客流較小，則不需要進行第二個步驟進行細化識別。

將單位時間內總客流量、進入客流量和離開客流量作為輸入變量，在輸入網絡之前要先分別除以單位時間段內總客流量最大值進行歸一化處理，歸一化之后，輸入變量均屬于[0，1]。模糊神經網絡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前電梯群所處的交通模式。首先計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前處于的交通模式。

模糊神經網絡在模式識別之前需要進行訓練，訓練成功之后才能進行識別，確保誤差在可以接受的范圍之內。訓練用輸入數據因為需要進行歸一化處理，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絡結構，即各層的節(jié)點數量。模糊子集個數定義過多或過小，都將影響網絡的誤差和效率。根據之前介紹過的學習方法對網絡進行訓練，其中模糊規(guī)則抽取閾值為β0=0.05。第一步驟中的網絡結構為：第一層3個節(jié)點，第二層18個節(jié)點，第三層216個節(jié)點，第四層24個節(jié)點，第五層4個節(jié)點。第二步驟中的網絡結構為：第一層2個節(jié)點，第二層8個節(jié)點，第三層16個節(jié)點，第四層12個節(jié)點，第五層3個節(jié)點。

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、全部人群在電梯內運行平均時效、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多個不同的呼梯信號，所以一般的數學模型無法做到，這里將繼續(xù)采用模糊神經網絡來實現多目標優(yōu)化。這電梯性能的多個指標中，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。

本文采用系數加權法來確定AWT、ART、RNC三個變量的權值。根據各實際情況對應的系數，計算AWT、ART、RNC的權值，再根據加權公式的得到最終的結果。電梯群處于繁忙的工作狀態(tài)時，往往是大量集中客流導致的，此時重點加權的參數應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值最大，平均乘梯時間次之，能耗的權值最小。

電梯處于中間層繁忙客流模式時，大廈內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，所以三個權值應該接近，權值確定為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。那么此時重點加權的參數是人群平均等候電梯時間和人群平均乘坐電梯的時間，最后加權的參數是能耗因素。因此確定單中間層繁忙模式的權值為5=[0.4 0.4 0.2]，雙中間層繁忙模式的權值為6=[0.4 0.4 0.2]。

上述已經確定好的權值，也可以根據實際情況，通過統(tǒng)計數據結果或專家經驗作為參考進行修正。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。則最終計算出AWT、ART、RNC的權值如下式：

產生一個叫梯信號后，系統(tǒng)將會立即通過HCWT、maxHCWT、CV和GD這四個參數來計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。HCWT為呼梯信號產生到響應電梯到達該層的運行時間和等待時間，其中運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、乘客進入、關閉電梯門的時間。maxHCWT為某臺電梯響應的所有呼梯信號中的最大等待時間，包括已經響應的和新分配給它的所有呼梯信號。CV表示響應未來呼梯信號的能力。計算公式為：CV=1-（P1+P2）/P0，其中P1為當前電梯內人數，P2為已經響應但未處理的乘客人數，P0為電梯額度載客數量。GD為新產生的呼梯信號樓層與電梯所響應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行方向。為了簡化計算，該距離以樓層為單位。

圖2 交通模式識別中的模糊神經網絡結構圖

建立模糊神經網絡模型，輸入變量為HCWT、maxHCWT、CV和GD，輸出變量為AWT、ART、RNC這三項的可信度。根據不同的交通模式，調整三項可信度的權值，計算出最終的可信度。通過比較各電梯響應該呼梯信號的可信度，選取可信度最大的電梯來完成派梯。

結語

本文以某一30層大廈的電梯群為例進行仿真，該大廈有電梯6部，每部電梯額定載人15人。首先根據客流特征值識別當前電梯群所處的交通模式，然后根據當前交通模式計算AWT、ART和RNC的權值，并通過HCWT、maxHCWT、CV 和GD這四個參數來計算出AWT、ART、RNC這三項的可信度，根據交通模式計算出最終可信度。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行派梯。本文利用MATLAB軟件進行了仿真實驗，取得了較好的實驗效果。如何對各加權系統(tǒng)進行合理調整，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.基于模糊神經網絡的電梯群控系統(tǒng)的研究[D].東北大學，2013.

[2] 張紹謙.模糊神經網絡在電梯群控系統(tǒng)中的應用研究[D].東北大學，2009.

[3] 李向莉.基于模糊神經網絡的電梯群控系統(tǒng)調度方法研究[D].蘇州大學，2006.

[4] 唐海燕.基于模糊神經網絡的電梯群優(yōu)化控制研究[D].哈爾濱工業(yè)大學，2006.

[5] 鮑海.基于模糊神經網絡的電梯群控系統(tǒng)交通模式識別和多目標優(yōu)化群控算法研究[D].同濟大學，2007.

TP183

A