電梯混合能源節能系統的集成控制研究

Research on the Integrated Control of the Elevator Hybrid Energy－saving System

林　堯1，2　劉艷斌1　陳泰潮2(福州大學機械工程及自動化學院1，福建福州　350108;福建省特種設備檢驗研究院2，福建福州　350008)

?

電梯混合能源節能系統的集成控制研究

第一作者林堯(1971－)，男，現為福州大學機械工程及自動化學院在讀博士研究生，高級工程師;主要研究方向為電梯及起重設備的故障診斷、檢驗方法等。

0　引言

電梯在給人們的生活帶來便利的同時，其逐年增加的巨大能耗引起了建筑界和節能領域的關注［1］。據清華大學建筑節能研究中心的統計數據，電梯的能耗一般占整個建筑總能耗的5%～15%。與大多數單純依靠電能、熱能等單一能源作為唯一動力源的設備一樣，傳統電梯主要依靠電網供電運行。電梯又因其獨特的工作特性，在大部分工作時間內并未運行在最佳能效模式下，造成自身再生能量的浪費［2］。為了減少電梯再生能量的浪費及其對公共電網的依賴，本文提出了一種基于電網、太陽能、蓄電池、超級電容器、回饋能量等混合能源管理的電梯集成控制節能系統模型和控制策略，運用模糊神經網絡預測控制策略，實現混合能源的合理自動調配和綜合利用，達到電梯節能降耗的目的。

1　建立電梯混合能源節能系統集成控制模型

目前電梯的節能主要有以下3種方式。一是通過改變電梯的拖動方式，提高電梯的拖動效率，如將三相異步電機齒輪傳動改為永磁同步電機無齒輪傳動，但這種方法成本較高，需要改變電梯的控制系統［3］。二是再生能量的回饋電網，但是直接回饋至電網的再生能量含有諧波，會污染電網，造成電網波動［4］。三是僅用超級電容實現再生能量的再利用，此種方法成本較高，且超級電容能量密度小，不適合存儲電梯產生的穩態能量［5－6］。這三種節能方式除存在上述不足之外，電梯節能技術還需考慮以下兩個方面的問題。一是電梯實際有效率和能量損耗，即使將電梯發電的回饋能量全部存儲再利用，也無法滿足電動狀態所需的能量。二是如何合理控制電梯再生能量的輸出與電梯能量需求在時間上的匹配、流動，解決電梯在實際運行時存在能量供給和能源消耗不平衡問題。

電梯作為現代垂直交通工具，其載荷流(乘坐人員的變化)類似于交通系統中的交通流。如何實時準確地對電梯載荷流進行預測，是電梯節能研究的核心問題。即如何有效地利用實時載荷數據信息去預測未來某一時刻的電梯載荷狀況［7］，從而控制混合能源管理系統內部各能量之間的開關，實現能量的自動調配與綜合利用，最大程度減少公共電網的支出。為此，在充分利用電梯自身再生能量和綠色能源的基礎上，設計了一種基于電網、太陽能、蓄電池、超級電容器、回饋能量等混合能源管理的電梯集成控制節能系統，其控制模型原理圖如圖1所示。

圖1　基于混合能源電梯集成控制節能系統原理圖Fig.1　Principle of the elevator integrated control energy－saving system based on hybrid energy

通過對電梯載荷流特性分析研究，依據電梯載荷流變化情況，以及電網、太陽能、蓄電池、超級電容和回饋能量等各種能量的存儲狀態，運用基于混沌系統的模糊神經網絡預測控制策略，對混合能源管理系統中電網、太陽能、蓄電池、超級電容器和回饋能量間的DC/DC控制模塊開關變量參數進行預測控制。該方法實現了電網、太陽能、蓄電池、超級電容和回饋能量等混合能量之間合理自動調配和綜合利用，從而實現電梯最大程度的節能。

2　模糊神經網絡預測控制系統模型

電梯作為一個多變量、強耦合的非線性系統，其運行負載與電梯垂直運動具有無規則及不確定性。因此，電梯可認為是一種混沌系統。近年來，模糊神經網絡在智能控制、模糊決策、專家系統、模式識別等領域發揮了重要作用，其理論、模型、算法和應用技術一直是這些領域的重要研究課題［8］。能量控制流程圖如圖2所示。

圖2　電梯混沌系統的能量控制流程圖Fig.2 Energy control flowchart of elevator hybrid energy management system

根據電梯混合能源管理系統集成控制的特點，應建立一種預測控制系統模型［9］，對系統的運行情況進行預測，便于分析系統的目標動態變化。結合模糊神經網絡在混沌系統智能控制方面的優點，本文建立了基于模糊神經網絡的電梯混沌系統預測控制模型。

對圖2中的模糊處理及神經網絡模塊，采用神經網絡來實現0階Takagi－Sugeno模糊系統，使得該系統具有自適應學習能力。為此，構建一個具有6個輸入變量以及4個輸出變量。輸入變量x = (x1，x2，x3，x4，x5，x6)，各變量分別為電梯運行時刻、電梯所需能量、超級電容電量、蓄電池能量、太陽能光伏電量以及電網獲取的能量。輸出變量y = (α，β，γ，δ)，各變量分別為超級電容與蓄電池的DC/DC控制開關變量α、超級電容與變頻器的DC/DC控制開關變量β、太陽能與蓄電池的DC/ DC控制開關變量γ以及蓄電池與控制電路的DC/AC控制開關變量δ。4層模糊神經網絡拓撲結構如圖3所示。

對電梯節能系統各能量模塊，采用模糊神經網絡進行模擬預測。首先對輸入單元進行模糊處理，其次對神經網絡中各層神經元之間的連接權值進行初始化，最后根據輸入輸出對神經網絡進行訓練。以某寫字樓一臺曳引式客梯為例，客梯額定載質量為800 kg，10層10站，額定速度為1.0 m/s，提升高度為30 m，平衡系數為45%。模糊神經網絡預測控制電梯節能裝置中超級電容采用兩組并聯，每組160個串聯的方式，每個超級電容為2.7 V，1 000 F。超級電容整體容量為12.5 F。蓄電池由4個串聯而成，每個蓄電池容量為20 V、100 Ah。為了方便分析，設定該寫字樓的電梯只停靠底層和頂層兩站，中間不停靠，在10樓有50人辦公。具體實現過程如下。

(1)訓練樣本。以早晨7:00為初始值，1 min為時間步長，到晚上20:00為止。本文根據該臺電梯每時刻的負載序列，共采集了一個上班周期5天的數據樣本，每天分為上班高峰期、上班期間、下班高峰期、下班期間4種工況。表1為某一天上班高峰期的部分樣本數據。

表1　上班高峰期工況時的節能系統能量分布Tab.1 Energy distribution of energy－saving system during rush hour conditions

從表1可以看出，在上班高峰期，電梯運行在電動狀態的時間遠大于發電狀態的時間。此時模糊神經網絡預測控制系統不斷將蓄電池中的能量轉移到超級電容中，供電梯使用。

(2)對輸入神經元的模糊化處理。第一個輸入神經元，是一個時間值，其上下班高峰期為早上7點到8點之間、中午12點到13點之間、下午18點到19點之間，在這些時間段內電梯的使用頻率較高;而上午10點和下午16點是電梯使用比較空閑的時刻。如果僅僅采用時間值輸入就難以充分挖掘電梯使用頻率低、較低、高、較高等信息，最好采用0到1的數值來表示電梯的使用頻率，從0到1表示使用頻率越來越高。而引用模糊集的概念就能很好地解決這個問題。構建高斯函數隸屬關系，對其進行模糊處理。每個特征參數隸屬都采用φ(h，m )函數來確定。該函數定義如下:

式(1)中需要將小時轉化為分鐘，因此k1值為60; c1和c2分別為不同時間段內的中心，電梯的乘客人數在各個時間段內呈高斯分布，其中c1= 10，c2= 16 ; m為某一時間的分鐘數;φ(h，m )取值范圍為(0，1］，其值越高，說明此時的電梯使用頻率越高。電梯的使用繁忙程度與時間的關系如圖4所示。比如，在8點左右上班高峰期的某一時刻8: 15，此時h = 8，m = 15;代入公式，可計算得到φ(h，m )值為0.92°，在10點左右某一時刻10:15，此時h =10，m =15;代入公式，計算得到的φ(h，m )值為0.61。

圖4　電梯使用的繁忙程度與時間的關系Fig4　Relationship between how busy the elevator in use and time

(3)初始化神經網絡權值矩陣。在對神經元進行模糊處理后，構建各個神經元之間的連接權值，組成神經網絡權值矩陣，并對神經網絡權值矩陣進行初始化。

(4)訓練神經網絡。本文采用Matlab的神經網絡工具箱進行神經網絡的構建［10］，將樣本輸入神經網絡進行訓練。

圖5給出了神經網絡預測模型訓練過程中誤差的變化曲線，從訓練結果顯示經過有限次數循環訓練后都達到了給定的目標精度0.002。

圖5　基于trainlm訓練的誤差變化曲線圖Fig.5　Error change curve based on the trainlm training

3　仿真實驗與分析

為了驗證所訓練的模糊神經網絡的預測精度，現將一組新的樣本作為檢測樣本。其輸入分別為電梯運行時刻、電梯所需能量、超級電容電量、蓄電池能量、太陽能光伏電量以及電網獲取的能量，根據6個輸入變量預測4個輸出變量，其第五天樣本部分的數據如表2所示。

對于電梯控制而言，最主要的開關變量為超級電容與蓄電池的DC/DC控制開關變量α和超級電容與變頻器的DC/DC控制開關變量β，因此通過神經網絡預測得到的兩個輸出變量與實際得到的數據相對比，分別如圖6和圖7所示。

通過圖6和圖7可知，α和β兩個開關變量的預測值與實際測量得到的樣本值幾乎吻合。最終預測結果表明，這種方法能夠很好地根據電梯的輸入能量對各開關變量的變化進行預測。因此，可認為基于混沌系統的模糊神經網絡預測控制模型可靠、預測精度高。

表2　第五天樣本部分輸入與輸出Tab.2 Partial inputs and outputs on the fifth day

圖6　開關變量α預測值與樣本值比較圖Fig.6　Comparison chart of the predicted value of variable α and sample value comparison chart

圖7　開關變量β預測值與樣本值比較圖Fig.7　Comparison chart of the predicted value of variable β and sample value

4　結束語

本文根據能量在系統內部轉換的規律和工作模式轉換條件，建立了電梯混合能源節能系統集成控制模型，提出了一種基于混沌系統的模糊神經預測控制策略，實現混合能源的合理自動調配和綜合利用。同時以電梯上班高峰期工況為例，運用Matlab軟件對模糊神經預測控制算法進行仿真。仿真結果表明，該算法跟蹤性能優良、預測精度更高、穩定性更好，可應用于電梯混沌系統，能夠滿足電梯混合能源管理集成控制系統中高精度的控制要求，為電梯提供新的能量。同時，又能在電梯處于發電狀態時吸收并存儲再生能量供電梯重新使用，以達到提高電梯的整體運行效率、節能降耗的目的。

參考文獻

［1］王倩，萬蒞新.電梯能耗檢測系統設計［D］.合肥:中國科學技術大學，2011.

［2］Attainaese C，Nardi V.Virtual testing of high speed elevators using supercapactor recovery system［C］/ / IEEE International Conference on Industrial Technology，2004.

［3］黃娟麗，萬杰，李少綱.電梯節能技術綜述［J］.能源與環境，2010，1(1):30－31.

［4］張小鳳，田聯房.電梯能饋系統及其電能質量控制方法研究［D］.廣州:華南理工大學，2012.

［5］米運洪，郭健.基于超級電容的電梯節能技術研究與實現［D］.廣州:華南理工大學，2012.

［6］Tominaga S，Suga I，Araki H，et al.Development of energysaving elevator using regenerated power storage system［C］/ /Power Conversion Conference，2002 PCC Osaka 2002 Proceedings of the.2002:890－895.

［7］劉靜，關偉.交通流預測方法綜述［J］.公路交通科技，2004，121(13):82－85.

［8］譚文，王耀南，雷曉峰.用神經網絡控制非線性系統的混沌運動［J］.湖南大學學報，2002，29(3):49－52.

［9］劉斌.非線性系統建模及預測控制若干問題研究［D］.杭州:浙江大學，2004.

［10］叢爽.面向MATLAB工具箱的神經網絡理論與應用［M］.合肥:中國科學技術大學出版社，2009.

Research on the Integrated Control of the Elevator Hybrid Energy－saving System

林堯1，2劉艷斌1陳泰潮2
(福州大學機械工程及自動化學院1，福建福州350108;福建省特種設備檢驗研究院2，福建福州350008)

摘要:為了實現電梯最大程度的節能，建立了一種基于電網、太陽能、蓄電池、超級電容器、回饋能量等混合能源管理的電梯集成控制節能系統模型。運用基于混沌系統的模糊神經網絡預測控制策略，對節能系統中各能量間的DC/DC控制模塊開關變量參數進行預測控制，實現混合能源的合理自動調配和綜合利用。在典型工況下，運用Matlab軟件對模糊神經預測控制算法進行仿真。仿真結果表明，該控制策略能夠滿足電梯混合能源節能系統集成控制要求，達到節能降耗的目的。

關鍵詞:混合能源電梯節能系統集成控制模糊神經網絡預測控制Matlab

Abstract:In order to realize the greatest degree of energy saving for elevators，the model of elevator integrated control energy saving system is established based on hybrid energy management，including power grid，solar energy，storage battery，super capacitor and feedback energy，etc.By using fuzzy neural network predictive control strategy based on chaotic system，the predictive control for discrete variable parameters of DC/DC control modules of various energies in energy saving system is conducted，to implement reasonable automatic allocation and comprehensive utilization.The results of simulation show that this control strategy satisfies the requirements of elevator hybrid energy integrated control systems，reaches the purpose of energy saving and reducing energy consumption.

Keywords:Hybrid energy Elevator energy－saving systemIntegrated control Fuzzy neural network Predictive control Matlab

中圖分類號:TH211; TP2

文獻標志碼:A

DOI:10.16086/j.cnki.issn1000－0380.201603022

修改稿收到日期:2015－05－26。