段中興，李繼斌

（1.西安建筑科技大學(xué)信息與控制工程學(xué)院，陜西西安 710055；2.西安建筑科技大學(xué)西部綠色建筑國家重點(diǎn)實(shí)驗(yàn)室，陜西西安 710055）

城市軌道交通以其巨大的社會和經(jīng)濟(jì)影響成為城市戰(zhàn)略發(fā)展的重點(diǎn)，而地鐵運(yùn)營線路是最主要的城市軌道交通制式［1］。地鐵站作為一種空間封閉的特殊建筑形態(tài)，其光環(huán)境依靠人工照明營造，具有照明時間長、強(qiáng)度高和能耗大的特點(diǎn)。中國交通運(yùn)輸部2016年數(shù)據(jù)顯示，地鐵實(shí)際照明負(fù)荷占地鐵系統(tǒng)設(shè)備總負(fù)荷的20%～30%，單位面積照明能耗超出國家標(biāo)準(zhǔn)的14.2%～16.1%［2］；歐洲SEAM4US項(xiàng)目組給出了巴塞羅那某試點(diǎn)地鐵站的分項(xiàng)能耗數(shù)據(jù)，其中照明年能耗為229 067.17 kW·h，在分項(xiàng)能耗中所占比例最大（37.46%）［3］。地鐵建設(shè)的快速發(fā)展以及地鐵站單位面積照明的高能耗，使得地鐵站照明節(jié)能變得更加必要和緊迫。

近年來隨著半導(dǎo)體照明技術(shù)的發(fā)展，LED 被廣泛應(yīng)用于各種照明場所，尤其是大功率LED 光源光照參數(shù)（如光強(qiáng)、色溫等）的多樣性和可控性為營造舒適光環(huán)境、挖掘照明節(jié)能的潛力創(chuàng)造了有利條件，由此一些利用LED 光源光照參數(shù)可調(diào)特點(diǎn)的照明控制方法被相繼提出，為豐富照明控制理論和技術(shù)手段提供了新的思路和方向。Qin等［4］利用數(shù)據(jù)挖掘技術(shù)提出了一種基于交通流量分布、交通組成和車速分布的隧道LED 照明動態(tài)調(diào)節(jié)方法；Casals 等［5］利用K-means 聚類方法對時間維度的地鐵站客流量數(shù)據(jù)集進(jìn)行聚類，建立調(diào)光時間表指導(dǎo)地鐵站LED 的調(diào)光控制；Lai 等［2］針對地鐵站廳提出了一種基于節(jié)能方案的照明系統(tǒng)智能模型，系統(tǒng)在不同時間段自動調(diào)整每個功能區(qū)域LED 的亮度。這些研究成果對地鐵站的光照調(diào)控研究具有很好的借鑒作用，但現(xiàn)有研究中地鐵站光照調(diào)控方式為線性調(diào)光，易造成過度照明，不利于節(jié)能，且由于未考慮鄰近區(qū)域光照的耦合關(guān)系，難以實(shí)現(xiàn)精確調(diào)光。

本文以全人工照明的地鐵地下標(biāo)準(zhǔn)島式站臺為研究對象，將站臺公共區(qū)劃分為多個子區(qū)域，考慮子區(qū)域照度的耦合關(guān)系，建立站臺照明模型進(jìn)行照明模擬，獲取照度數(shù)據(jù)及其等式約束，建立最小能耗光照調(diào)控模型；針對遺傳算法收斂速度較慢和局部尋優(yōu)能力較弱的不足，基于反向?qū)W習(xí)策略提出自適應(yīng)反向?qū)W習(xí)方法，用于改進(jìn)遺傳算法；依據(jù)子區(qū)域人群密度確定其照度設(shè)定值，作為光照調(diào)控模型的輸入，利用改進(jìn)算法對光照調(diào)控模型進(jìn)行求解，得到站臺LED燈具的最佳調(diào)光比。

1 光照調(diào)控模型

1.1 站臺照明模型

照明系統(tǒng)中，通常采用照度作為光照強(qiáng)度的定量指標(biāo)，物體的照度應(yīng)與人眼視力和設(shè)計要求相吻合，強(qiáng)調(diào)了在合理的范圍內(nèi)控制照度的必要性，避免因過度照明而造成浪費(fèi)［6-7］。因此，選取照度作為光照調(diào)控的基本參數(shù)。

站臺光照調(diào)控區(qū)域?yàn)檎九_公共區(qū)，將公共區(qū)劃分為多個子區(qū)域，考慮鄰近子區(qū)域光照的耦合關(guān)系，需獲取多組光源分別為各子區(qū)域提供的最大照度作為調(diào)控系數(shù)，將其定義為“耦合照度系數(shù)（Coupled illumination coefficients，CIC）”。例如，區(qū)域A 和區(qū)域B 的照明均由光源1、光源2、光源3提供，3個光源為區(qū)域A提供的最大照度EA1，EA2，EA3定義為區(qū)域A的CIC，為區(qū)域B提供的最大照度EB1，EB2，EB3定義為區(qū)域B的CIC，光源光通量的變化將同時引起2 個區(qū)域的照度變化，即區(qū)域的照度相互耦合。相較于不考慮照度耦合關(guān)系的線性調(diào)光方式，利用CIC進(jìn)行光照調(diào)控可實(shí)現(xiàn)精確調(diào)光。

獲取子區(qū)域CIC及其等式約束的流程如下。

（1）基于站臺基本功能分區(qū)進(jìn)行公共區(qū)的子區(qū)域劃分，利用站臺形制和建筑材料調(diào)研數(shù)據(jù)在DI?ALux軟件中建立站臺三維仿真模型；

（2）依據(jù)子區(qū)域劃分和照明設(shè)計標(biāo)準(zhǔn)，結(jié)合站臺燈具調(diào)研數(shù)據(jù)，在站臺三維仿真模型中對LED 燈具進(jìn)行選型、布置和分組，建立站臺照明模型；

（3）利用站臺照明模型進(jìn)行照明模擬，獲取子區(qū)域的CIC及其等式約束。

1.1.1 站臺三維仿真模型

以西安地鐵4 號線某站臺為研究對象，站臺平面圖如圖1 所示。該站臺為典型的標(biāo)準(zhǔn)地下島式站臺，包括軌行區(qū)和公共區(qū)2 個基本功能區(qū)域，其中公共區(qū)分為站臺邊緣和候車區(qū)2 個部分。站臺光照來源于公共區(qū)下照式燈具提供的基礎(chǔ)照明和軌行區(qū)掛墻式廣告燈箱提供的廣告照明。

圖1 某地鐵站臺平面圖

公共區(qū)的子區(qū)域劃分如圖2 所示，共分為9 個子區(qū)域（區(qū)域A—區(qū)域I），建立的站臺三維仿真模型如圖3所示。

圖2 公共區(qū)子區(qū)域劃分

圖3 某地鐵站臺三維仿真模型

1.1.2 站臺照明模型

對站臺燈具進(jìn)行選型、布置和分組。文獻(xiàn)［7］中規(guī)定的站臺（地下）照度標(biāo)準(zhǔn)值為150 lx，國內(nèi)地下站臺平均照度值上限一般超過國家標(biāo)準(zhǔn)的40%以上（達(dá)到210 lx），因此，將站臺照度的調(diào)節(jié)范圍確定為150～210 lx，考慮5%～10%的設(shè)計余量，即站臺照明最大平均照度為220～230 lx。

站臺燈具選型和布置如下。

（1）該站臺2 側(cè)軌行區(qū)共均勻分布36 個12 封（3 m×1.5 m）廣告燈箱（燈箱功率400 W，表面光通量18 000 lm，內(nèi)部為LED 燈條）。因此，在DIALux 軟件燈具庫中選擇功率100 W、光通量4 500 lm、顯色指數(shù)85、長度3 m 的掛墻式LED 燈條，每4 個燈條模擬1 個廣告燈箱，共布置144 個燈條，燈具布局如圖4（a）所示，燈條以橙色邊框藍(lán)色填充表示。

圖4 某地鐵站臺燈具布局

（2）該站臺公共區(qū)燈具為T5 熒光燈管（功率18 W，布燈416 盞）。該燈管光通量不可調(diào)，故不能用于光照動態(tài)調(diào)控。因此，在DIALux 軟件燈具庫中選用光通量可調(diào)的LED 燈具對公共區(qū)照明系統(tǒng)進(jìn)行改造，該LED 燈具為功率47 W、光通量2 248 lm、顯色指數(shù)85的方形嵌入式燈具，共布置133 個燈具，燈具布局如圖4（b）所示，燈具以橙色邊框藍(lán)色填充表示。

照明模擬結(jié)果顯示站臺最大平均照度為227 lx，燈具選型與布局滿足設(shè)計要求。

實(shí)際站臺中廣告照明的照度不變，為子區(qū)域提供恒定照度。因此，光照調(diào)控過程僅需對基礎(chǔ)照明燈具進(jìn)行分組。以區(qū)域A、區(qū)域B 和區(qū)域C 為例，依據(jù)子區(qū)域劃分和燈具布置，將區(qū)域A 內(nèi)燈具、區(qū)域B 內(nèi)燈具、區(qū)域C 內(nèi)燈具、區(qū)域A 與區(qū)域B 邊界燈具、區(qū)域B 與區(qū)域C 邊界燈具分別劃分為1 個燈組，如圖5 所示，每個虛線框內(nèi)燈具為1 個燈組。其余子區(qū)域燈具分組規(guī)則類同，將公共區(qū)LED 燈具共分為15 組，見表1。至此，站臺照明模型建立完成。

圖5 公共區(qū)燈具分組（區(qū)域A、區(qū)域B和區(qū)域C為例）

表1 公共區(qū)LED燈組

1.1.3 公共區(qū)子區(qū)域CIC及其等式約束

利用站臺照明模型進(jìn)行照明模擬，獲取公共區(qū)子區(qū)域CIC并建立其等式約束的步驟如下。

（1）全區(qū)照明模擬，如圖6（a）所示，得到全區(qū)燈具為子區(qū)域提供的最大照度。

（2）軌行區(qū)廣告照明模擬，如圖6（b）所示，得到廣告燈箱為子區(qū)域提供的恒定照度。

（3）公共區(qū)LED 燈組照明模擬，如圖6（c）所示（以燈組11為例），得到子區(qū)域的CIC。

圖6 某地鐵站臺照明模擬渲染圖

（4）子區(qū)域CIC 等式約束建立。以區(qū)域A 為例，將步驟（1）中得到的全區(qū)照明為區(qū)域A 提供的最大照度記為EA-max，步驟（2）中得到的廣告照明為區(qū)域A 提供的照度記為EA_adv，則基礎(chǔ)照明為區(qū)域A 提供的最大照度為EmaxA_basic=EA-max-EA_adv。步驟 （3） 中得到的區(qū)域A 的CIC 記為(EA1，EA2，…，EA15)，且滿足等式約束為EmaxA_basic=EA1+EA2+…+EA15，其余子區(qū)域類同，故子區(qū)域的CIC滿足等式約束為

其中，

式中：Earea_LED表示由各子區(qū)域CIC 構(gòu)成的（9×15）維CIC矩陣；L表示元素均為1的（15×1）維列向量。

1.2 光照調(diào)控模型

1.2.1 最小能耗優(yōu)化光照調(diào)控模型

站臺光照動態(tài)調(diào)控方法的基本思想為：各子區(qū)域的人群密度不同照度需求也不同，則照明系統(tǒng)根據(jù)各子區(qū)域照度需求自動更改LED 燈組照度。各子區(qū)域的照度是相互耦合的，且燈組數(shù)量大于子區(qū)域數(shù)量，因此LED 燈組可以有多種不同的照度組合達(dá)到各子區(qū)域需求的照度水平，在眾多的燈組照度組合中，搜尋到使照明能耗最小的照度組合，實(shí)現(xiàn)光照的最優(yōu)控制。

區(qū)域A—區(qū)域I 的基礎(chǔ)照明照度需求為Earea_basic=(EA_basic，EB_basic，…，EI_basic)T，當(dāng)燈組1～燈組15 的調(diào)光比向量α=(α1，α2，…，α15)T時，可滿足各子區(qū)域照度需求，基于式（1），有等式約束為

光照動態(tài)調(diào)控的目的是滿足子區(qū)域照度需求的前提下，探究照明系統(tǒng)的最小能耗運(yùn)行模式，即滿足照度需求的前提下尋找電能W 的相對最小值。站臺公共區(qū)使用的LED 燈具型號相同，忽略其電阻值的微小差異性，假設(shè)其額定電流為I，電阻為R，則照明系統(tǒng)t時間內(nèi)消耗的總電能W為

式中：mi為第i組燈的燈具個數(shù)，i＝1，2，…，15。

s.t.

Earea_LEDα=Earea_basic

1.2.2 等式約束降維處理方法

對于優(yōu)化問題中等式約束的處理，通常采用的方法是等式約束松弛法和雙不等式約束法，但是等式約束松弛法會改變優(yōu)化拓?fù)淇臻g，雙不等式約束難以獲得可行解［8］。基于變量獨(dú)立性分析的等式約束降維處理方法，將等式約束轉(zhuǎn)化為多目標(biāo)，再求解無等式約束多目標(biāo)優(yōu)化問題，可以使等式約束嚴(yán)格滿足的同時降低系統(tǒng)維數(shù)，避免了等式約束松弛法和雙不等式約束法的弊端。因此，采用變量獨(dú)立性分析對光照調(diào)控模型中的等式約束進(jìn)行處理。

設(shè)公共區(qū)每個燈組的調(diào)光比為1 個優(yōu)化變量，共15個優(yōu)化變量；每個子區(qū)域的CIC滿足1個等式約束，共9 個等式約束。由于存在等式約束，相互獨(dú)立的變量最多只有15-9＝6 個。因此，下文選取6 個優(yōu)化變量作為自由變量，其余9 個非自由變量由9個線性等式約束求解得出。

采用Gauss-Jordan 消元法將CIC 矩陣Earea_LED變換為簡化行階梯形矩陣來選取自由變量，階梯矩陣每1 個階梯對應(yīng)調(diào)光比向量α=(α1，α2，…，α15)T中的1 個非自由變量，其余變量為自由變量。根據(jù)求得的行階梯形矩陣，選取子區(qū)域邊界燈組（燈組1—燈組6）的調(diào)光比α1,α2,…,α6作為自由變量，子區(qū)域內(nèi)燈組（燈組7—燈組15）的調(diào)光比α7,α8,…,α15通過自由變量確定，由此可將式（2）表示為

解式（5）中的線性方程，將α7，α8，…，α15表示為自由變量向量αfv=(α1，α2，…，α6)的函數(shù)為

由式（6）將式（4）所示的含等式約束單目標(biāo)優(yōu)化模型轉(zhuǎn)換為1 個無等式約束多目標(biāo)優(yōu)化模型，構(gòu)造新的目標(biāo)函數(shù)F(αfv)為

s.t.

其中，

式中：f (αfv)為降維處理后的等效表達(dá)；gj(αfv)為降維處理后非自由變量取值范圍的不等式約束。

2 基于自適應(yīng)反向遺傳算法的光照最優(yōu)控制

遺傳算法（Genetic algorthm，GA）是一種啟發(fā)式優(yōu)化算法，具有較強(qiáng)的魯棒性，適用于多目標(biāo)、非線性優(yōu)化問題的求解。江等［9］將遺傳算法應(yīng)用于求解鐵路集裝箱班列始發(fā)時刻的優(yōu)化模型，使集裝箱在辦理站停留時間最短；麻等［10］利用雙編碼層的節(jié)能操縱遺傳算法求解節(jié)能操縱優(yōu)化模型，優(yōu)化效果優(yōu)于常規(guī)操縱仿真算法；李等［11］建立了綜合快運(yùn)方案優(yōu)化模型并利用遺傳算法進(jìn)行求解，降低了運(yùn)輸總成本。鑒于遺傳算法在求解優(yōu)化模型方面的適用性，將其用于光照調(diào)控模型的求解。

遺傳算法存在收斂速度較慢和局部尋優(yōu)能力較差的不足，為此，引入反向?qū)W習(xí)（Oppositionbased learning，OBL）［12-13］對遺傳算法進(jìn)行改進(jìn)，以提高算法性能。OBL 理論中，實(shí)數(shù)γ ∈[a，b]的反向數(shù)定義為=a+b-γ。文獻(xiàn)［11］的試驗(yàn)結(jié)果表明，將反向?qū)W習(xí)直接引入傳統(tǒng)遺傳算法構(gòu)成反向遺傳算法（OBL-GA），引入1 個隨機(jī)解（染色體）及其對應(yīng)的反向解（抗染色體），對算法性能提升有限。原因在于當(dāng)種群的染色體離全局最優(yōu)解相對較遠(yuǎn)時，抗染色體會在前期迭代中急劇占據(jù)種群，因此隨后的迭代中抗染色體可能無效甚至對收斂到最優(yōu)解產(chǎn)生負(fù)面影響。

Rahnamayans 等［14］基于反向數(shù)提出了準(zhǔn)反向數(shù)為q=rand[(a+b)/2，]，Ergezer 等［15］基于準(zhǔn)反向數(shù)提出了準(zhǔn)反射反向數(shù)為qr=rand[γ，(a+b)/2]，準(zhǔn)反向數(shù)和準(zhǔn)反射反向數(shù)相較于反向數(shù)尋優(yōu)效率更優(yōu)。因此，借鑒準(zhǔn)反向數(shù)和準(zhǔn)反射反向數(shù)尋優(yōu)的思想，提出一種基于最優(yōu)目標(biāo)值的自適應(yīng)反向?qū)W習(xí)（Adaptive opposition-based learning，AO?BL）方法，對遺傳算法進(jìn)行改進(jìn)，構(gòu)成自適應(yīng)反向遺傳算法（AOBL-GA）。

AOBL-GA 求解光照最優(yōu)控制問題的過程如下。

（1）初始化調(diào)光比種群A(t)，A(t)由n個不同的調(diào)光比向量αfv=(α1，α2，…，α6)組成。

（2）若當(dāng)前迭代次數(shù)t 小于迭代次數(shù)限值，則進(jìn)行步驟（3），否則跳轉(zhuǎn)至步驟（7）。

（3）計算A(t)中n個αfv對應(yīng)的目標(biāo)值F(αfv)和平均目標(biāo)值Fav(αfv)，若其中有p（p＜n）個較劣調(diào)光比向量對應(yīng)的F(αbad)≥Fav(αfv)，則計算p 個αbad分別對應(yīng)的AOBL 調(diào)光比向量其向量元素計算方法為

其中，

（5）對N（t）進(jìn)行交叉，變異操作產(chǎn)生新調(diào)光比種群A（t＋1）。

（6）迭代次數(shù)＋1（即t+1 替換為t），返回步驟（2）。

（7）迭代結(jié)束。

（8）輸出A（t）中最小目標(biāo)值Fmin(αfv)對應(yīng)的最優(yōu)調(diào)光比向量αbest。

由于AOBL-GA 是自適應(yīng)的，反向搜索區(qū)間隨迭代次數(shù)的增加而變小，使得迭代后期原染色體和抗染色體均在全局最優(yōu)解的鄰域內(nèi)，避免了迭代后期抗染色體對收斂到全局最優(yōu)解產(chǎn)生的負(fù)面影響。AOBL-GA 利用每次迭代中最優(yōu)目標(biāo)值個體的先驗(yàn)信息自動確定反向搜索區(qū)間，在每次迭代過程中引入較劣個體的自適應(yīng)反向個體，保證迭代過程中優(yōu)良基因不被丟失的同時保持算法的開發(fā)能力，提高遺傳算法的收斂速度和局部尋優(yōu)能力。

3 試驗(yàn)驗(yàn)證

為驗(yàn)證AOBL-GA 的性能，進(jìn)行算法對比試驗(yàn)；為驗(yàn)證動態(tài)調(diào)控方法的調(diào)控效果，進(jìn)行光照調(diào)控模擬試驗(yàn)。由于光照調(diào)控模擬試驗(yàn)中需要利用算法對比后的最優(yōu)算法求解調(diào)光比，因此，需首先進(jìn)行算法對比試驗(yàn)，其次進(jìn)行光照調(diào)控模擬試驗(yàn)。

3.1 算法對比試驗(yàn)

將AOBL-GA 與粒子群算法（PSO）、競賽選擇遺傳算法（Tournament selection-Genetic algo?rithm，TS-GA）和反向遺傳算法（OBL-GA）進(jìn)行對比試驗(yàn)。設(shè)置算法最大迭代次數(shù)為200，粒子群算法的群體規(guī)模為40，慣性權(quán)重由0.9逐漸遞減至0.4，學(xué)習(xí)因子均為2；遺傳算法的種群規(guī)模為40，交叉概率為0.6，變異概率為0.03。

設(shè)計4 組試驗(yàn)，分別對應(yīng)4 種子區(qū)域照度設(shè)定值，見表2。

表2 不同照明場景的子區(qū)域照度設(shè)定

利用每種算法分別對每組實(shí)驗(yàn)進(jìn)行30 次重復(fù)試驗(yàn)，即每種算法共進(jìn)行120 次試驗(yàn)，統(tǒng)計每種算法在30 次重復(fù)實(shí)驗(yàn)中的最大、最小、平均適應(yīng)度以及適應(yīng)度標(biāo)準(zhǔn)差，試驗(yàn)結(jié)果見表3。

表3 不同算法照明模擬試驗(yàn)結(jié)果

由表3 可知，AOBL-GA 與其他3 種算法相比，4 組試驗(yàn)對應(yīng)的適應(yīng)度最大值、最小值、平均值和適應(yīng)度標(biāo)準(zhǔn)差均更優(yōu)，表明AOBL-GA 局部尋優(yōu)能力更強(qiáng)且穩(wěn)定性更好。

選擇各算法在第10 次試驗(yàn)的適應(yīng)度變化曲線作為展示，觀察算法收斂速度和尋優(yōu)能力，適應(yīng)度變化曲線如圖7所示。

圖7 不同照度設(shè)定適應(yīng)度變化曲線

由圖7 可知，AOBL-GA 和其余3 種算法相比，4 組試驗(yàn)對應(yīng)的適應(yīng)度曲線收斂速度均更快，在迭代40 余次之后即能迅速收斂到最優(yōu)值附近，表明AOBL-GA具有更快的收斂速度。

算法對比試驗(yàn)結(jié)果表明，AOBL-GA 相比于其他3 種算法在收斂速度、局部尋優(yōu)能力和穩(wěn)定性方面均更優(yōu)。

3.2 光照調(diào)控模擬試驗(yàn)

動態(tài)調(diào)控方法的調(diào)控效果主要包括照度調(diào)控效果和照明節(jié)能效果。因此，進(jìn)行光照調(diào)控模擬試驗(yàn)，從2 個方面驗(yàn)證動態(tài)調(diào)控方法的調(diào)控效果：①光照調(diào)控模型的可行性驗(yàn)證；②動態(tài)調(diào)控方法的節(jié)能性驗(yàn)證。

3.2.1 光照調(diào)控模型可行性驗(yàn)證

利用AOBL-GA 對光照調(diào)控模型進(jìn)行求解，得到4 種照明場景對應(yīng)的LED 燈組最優(yōu)調(diào)光比見表4；將調(diào)光比輸入站臺照明模型進(jìn)行照明模擬，得到照度模擬值，將其與照度設(shè)定值作比較，討論光照調(diào)控模型的可行性，照度模擬值和設(shè)定值的比較見表5。

表4 不同照明場景最優(yōu)調(diào)光比

由表5 可知，求得的照度模擬值和設(shè)定值之差絕對值不超過2 lx，照度偏差保持在1.33%（2 lx/150 lx≈0.013 3）以內(nèi)，調(diào)控結(jié)果準(zhǔn)確。試驗(yàn)結(jié)果表明，光照調(diào)控模型可實(shí)現(xiàn)精確調(diào)光，能夠滿足子區(qū)域照度需求，模型具有較強(qiáng)的可行性。

表5 不同照明場景照度設(shè)定值與模擬值比較

3.2.2 動態(tài)調(diào)控方法節(jié)能性驗(yàn)證

由于廣告照明照度恒定，僅需比較基礎(chǔ)照明節(jié)能效果。西安地鐵4 號線工作日時刻表分為高、中、低峰期，該站臺末班車到站時間為23：36，閉站時間為23：45，高峰期（7：00—9：00，17：00—19：00）內(nèi)開啟所有基礎(chǔ)照明燈具（100%），中峰期（9：00—17：00，19：00—21：00）內(nèi)開啟80%的基礎(chǔ)照明燈具，低峰期（6：00—7：00，21：00—23：45）內(nèi)開啟50%的基礎(chǔ)照明燈具。由T5 熒光燈管參數(shù)計算得到該站臺基礎(chǔ)照明日電耗為416個×0.018 kW×(1.0×4 h＋0.8×10 h＋0.5×3 h)＝101.088 0 kW·h。

考慮站臺實(shí)際人數(shù)（人數(shù)統(tǒng)計數(shù)據(jù)顯示，站臺人數(shù)在9～625 人區(qū)間內(nèi)變化），定義站臺照度調(diào)節(jié)范圍見表6。表6中，站臺人數(shù)按中國行進(jìn)行人服務(wù)水平分級標(biāo)準(zhǔn)建議表中的行人空間占有量劃分［16］，照度變化區(qū)間長度（15 lx）為極端工況下滿足站臺照度均勻度規(guī)定的臨界值。

表6 地鐵站臺照度調(diào)節(jié)范圍

照度設(shè)定值的計算方法：某時段站臺人數(shù)對應(yīng)的照度調(diào)節(jié)范圍為Emin～Emax，人數(shù)統(tǒng)計得到區(qū)域A—區(qū)域I的人群密度分別為ρA，ρB，…，ρI，借助歸一化思想計算子區(qū)域照度設(shè)定值，以區(qū)域A 為例，其照度設(shè)定值計算式為

基于站臺人數(shù)的實(shí)測數(shù)據(jù)，使用動態(tài)調(diào)控方法對某工作日的站臺光照進(jìn)行調(diào)控并進(jìn)行能耗計算，調(diào)控方式如下。

（1）開站后初始時段（6：00—6：15）與閉站前時段（23：00—23：45）站臺人數(shù)較少，站臺光照保持最低照度（150 lx）。

（2）其余時段按照動態(tài)調(diào)控方法進(jìn)行光照調(diào)控。人數(shù)統(tǒng)計數(shù)據(jù)顯示高峰期、中峰期和低峰期內(nèi)分別經(jīng)過每4，10 和15 min 時間人數(shù)明顯變化，將各時段人數(shù)明顯變化時間作為對應(yīng)的調(diào)控變換時間。

計算得到部分調(diào)光時刻子區(qū)域照度設(shè)定值見表7，求得的LED 燈組部分調(diào)光比與照明能耗見表8。

由表8可知，使用動態(tài)調(diào)控方法對選定工作日的站臺光照進(jìn)行調(diào)控，照明能耗為48.462 4 kW·h，相較于該站臺實(shí)際單日照明能耗（101.088 0 kW·h），實(shí)現(xiàn)了52.06%的照明節(jié)能，表明動態(tài)調(diào)控方法具有良好的節(jié)能性。

光照調(diào)控模擬試驗(yàn)結(jié)果表明，動態(tài)調(diào)控方法在滿足子區(qū)域照度需求的同時，具有顯著的節(jié)能效果，調(diào)控效果得以驗(yàn)證。

4 結(jié) 論

（1）利用提出的自適應(yīng)反向?qū)W習(xí)方法對遺傳算法進(jìn)行改進(jìn)，改進(jìn)算法相比粒子群算法、競賽選擇遺傳算法和反向遺傳算法，迭代40 余次即可收斂至最優(yōu)值附近，收斂速度更快；最大、最小和平均適應(yīng)度值均更?。ㄗ钚≈祮栴}），局部尋優(yōu)能力更強(qiáng)；適應(yīng)度標(biāo)準(zhǔn)差均更小，穩(wěn)定性更優(yōu)。

（2）利用動態(tài)調(diào)控方法對站臺光照進(jìn)行控制，站臺公共區(qū)各子區(qū)域照度模擬值和設(shè)定值之差絕對值不超過2 lx，照度偏差控制在1.33%以內(nèi)，并實(shí)現(xiàn)了52.06%的照明節(jié)能，在滿足照度需求的同時顯著降低了照明能耗。

（3）本文提出的動態(tài)調(diào)控方法對地鐵站臺的照明節(jié)能進(jìn)行了有益探索，可為人工照明地下空間的照明節(jié)能控制方案設(shè)計提供參考。