基于GA-BP方法的地鐵站動態人員冷負荷預測研究

楊 福，王衍金，江戰紅

（1.華東交通大學土木建筑學院，江西 南昌330013；2.南昌軌道交通集團有限公司，江西 南昌330038）

隨著城市軌道交通需求的迅速擴大，地鐵已經成為現代城市不可或缺的公共交通方式，極大地緩解了地面交通壓力，方便了人們出行。乘坐地鐵不但方便快捷，而且是一種綠色環保的公共交通出行方式。然而，高能耗也是地鐵站運營過程中面臨的實際問題，當前地鐵站通風空調系統一般按照最大負荷需求進行設計，且很大一部分地鐵站的通風空調系統在運行過程中并未根據站內人流量的變化進行實時調節，導致地鐵站通風空調系統設備負荷率低，系統能效比遠低于設計值，能源利用效率低[1]。近年來地鐵實際運營數據顯示，地鐵站全年空調能耗約占其全年總能耗的31%[2]。降低地鐵站通風空調系統能耗是降低地鐵站運行能耗的重要途徑。

由于地鐵站不同時段人流量變化較大，導致通風空調系統負荷的波動，人流高峰時段和低峰時段相差甚大。要對地鐵站通風空調系統采取運行調節措施，降低運行能耗，就必須對地鐵內人流量及人員冷負荷進行預測。建立準確可靠的人流量預測模型，對站內的人員冷負荷進行計算分析，可為通風空調系統的運行調節提供重要的數據支撐。

當前冷負荷系數法是人員冷負荷計算的主要方法[3]，該方法把得熱計算和負荷計算兩步合并成一步，通過冷負荷系數直接從各種擾量源求得分項逐時冷負荷。然而由于地鐵站深處地下，其圍護結構內表面溫度日逐時變化較小，人流量存在較大的波動性，且從室外進入地鐵站內時的散熱散濕狀況較為復雜，本文在對地鐵站人流量進行預測的基礎上，采用人體散熱模型進行人員冷負荷的預測計算。

1 GA-BP神經網絡方法

1.1 傳統BP神經網絡方法

地鐵站人流量分析和預測不但是地鐵規劃設計的基礎，也是地鐵運營公司和學者們關注的重點，學者們也提出了一些人流量預測模型，比如時間序列分析模型（ARMA，ARIMA）[4-5]、灰色預測模型[6]等。然而，對地鐵站動態人流量的預測分析，這些方法存在一定的局限性，不具備自學習和泛化能力，預測精度也比較低，難以得到理想的預測結果。隨著人工神經網絡預測方法的興起，如BP神經網絡[7-8]、支持向量機[9]等模型的應用很好地解決了自學習和泛化能力的問題。在預測方面，BP神經網絡法可以實現復雜的非線性問題，正是這種特點，使得BP神經網絡法成為當前主要的預測方法之一。

1.2 GA-BP預測模型

雖然BP神經網絡應用廣泛，但也存在不足。傳統的BP神經網絡法初始權值隨機賦值，容易使網絡陷入局部極小，導致全局達不到最優[10]，這個問題使得傳統的BP神經網絡模型無法對地鐵站人流量進行準確穩定的預測分析。針對該問題，采用遺傳算法優化BP神經網絡（GA-BP）對地鐵站人流量進行預測分析，通過遺傳算法得到最優初始權值和閾值并將其輸入到BP神經網絡中。

遺傳算法用于優化BP神經網絡的初始權值和閾值，根據建立的BP神經網絡的初始權值和閾值，用訓練數據訓練BP神經網絡，得到預測的輸出值，計算預測輸出和期望輸出之間的誤差，將誤差絕對值之和作為個體適應度值F[11]

式中：n為網絡輸出節點數；yi為BP神經網絡第i個節點的期望輸出；oi為第i個節點的預測輸出；k為系數。

個體的選擇基于適應度比例的選擇方法，每個個體的選擇概率pi為

式中：Fi為個體i的適應度值，根據研究內容，適應度值越小越好，所以個體被選擇概率與適應度值成反比；k為系數；N為種群個體數目。

2 人員冷負荷計算模型

人體與周圍環境的換熱是自然對流換熱、受迫對流換熱、輻射換熱以及潛熱換熱共同作用的結果，受體表溫度[12]、環境溫度、空氣流速以及風向的影響[13]。當風速較小時以自然對流為主，風速較大時以受迫對流為主[14-16]。由于地鐵站處于地下，圍護結構內表面溫度逐時變化較小，人體與圍護結構內表面的輻射換熱量轉化的冷負荷可忽略不計。研究表明，簡化人體的幾何形狀對人體與環境之間的整體熱傳遞影響不大[17]。一個身高約為1.7 m，體重約為60 kg的成年男子，其外表面積約為1.69 m2，為簡化人體與環境的復雜換熱過程，本文將人體簡化為一個高1.7 m，底面直徑為0.3 m的光滑圓柱，且人體表面溫度均勻。

2.1 人體表面受迫對流換熱

當人體周圍空氣流速較大時，人體表面以受迫對流換熱為主，當風速大于0.75 m/s時，人體表面自然對流的影響可忽略不計[13]。人體表面受迫對流受環境風速、風向以及湍流強度的影響[18]

式中：N u為努謝爾特數；下標0表示湍流強度I為0%時的值；B為常系數；ReT為湍流能量產生和消耗的比率，ReT=I×Re0.5；Re為雷諾數，Re=lv/v；v為人體周圍空氣流速，m/s。

式中：I為湍流強度，反映脈動風速的相對強度；v′為風速的標準偏差；V為平均風速。

N u的定義

式中：h為對流換熱系數，W/（m2·k）；l為定型尺寸；λ為導熱系數，W/（m·k）。

將式（6）代入式（4）得

式中：A，n為常系數，根據實驗數據所得[18]，A=9.93，B=1.03，n=0.54。

人體表面受迫對流換熱量Qx為

式中：AD為人體外表面積。

綜合式（8）和式（11）可知，地鐵站人員與環境對流換熱量形成的逐時冷負荷Q1為

式中：nτ為逐時人流量。

2.2 人體呼吸散熱

人體呼吸散熱包含呼吸顯熱散熱和呼吸潛熱散熱兩部分[19-20]

式中：Qs，res為呼吸顯熱散熱；mres為呼吸質量流量；Tex為呼出空氣溫度；Ta為周圍環境空氣溫度。

式中：dex為呼出空氣含濕量；da為周圍環境空氣含濕量；hfg為水的汽化潛熱。

2.3 人體皮膚表面蒸發潛熱換熱

人體皮膚表面蒸發潛熱換熱包含皮膚擴散蒸發散熱，皮膚汗液蒸發散熱[19-20]

式中：Qe，dif為皮膚擴散蒸發散熱；Qe，rsw為皮膚汗液蒸發散熱。

式中：wrsw為由調節性出汗引起的皮膚濕潤度；Qe，sk為皮膚表面蒸發散熱；w為皮膚表面濕潤度[21]；Qe，max為人體表面最大蒸發量，其取決于皮膚和周圍環境的水蒸氣壓力之差。

式中：Psk，s為皮膚表面的水蒸氣分壓力；Pa為環境空氣水蒸氣分壓力；Re，t為服裝與環境之間的蒸發熱阻[22]。

綜合式（9）、式（12）和式（19），地鐵站人員逐時冷負荷Q為

3 結果驗證與分析

采用Matlab編程對地鐵站動態人員冷負荷進行預測。由于地鐵站人流量的逐時變化，人員冷負荷也是動態變化的；因此對地鐵站內的全天逐時人流量和人員冷負荷進行預測計算。選用南昌地鐵1號線雙港站和地鐵大廈站2016年和2017年6月至8月的日逐時人流數據作為訓練輸入和驗證數據，雙港站是起始站，地鐵大廈站是中轉站。取2016年6月和7月的數據作為訓練集輸入數據，2017年6月和7月的數據作為訓練集輸出數據，將2016年和2017年8月的數據進行仿真檢測網絡的預測準確度。地鐵營運時間為6：00至23：00，輸入神經元數目為18，隱含層數為12，輸出神經元數目為18，通過M atlab中的trainlm函數對網絡進行訓練。

遺傳算法優化后的BP神經網絡初始參數為種群規模100，進化代數500，權值和閾值的取值范圍為[-3，3]。

利用遺傳算法優化BP神經網絡確定其最優權值wij，wjk和閾值θj，2個地鐵站的平均適應度值在前期進化時不斷降低，經過第261代的進化后，平均適應度值趨于穩定，穩定在147，而地鐵大廈站，在進化了153代后，平均適應度值趨于平穩，穩定在178，此時的權值和閾值即為最優初始權值和閾值。

將優化后的最優初始權值和閾值輸入到BP神經網絡中進行訓練，將得到的預測人流量與實際監測人流量值進行比較。圖1和圖2為GA-BP方法與傳統的BP神經網絡法及實際監測人流量日逐時人流量的比較結果。將得到的人流量預測結果代入人員冷負荷計算模型中，得出的人員冷負荷結果與實際監測人流量與人員冷負荷值進行比較。圖3和圖4是本文提出的GA-BP方法與傳統的BP神經網絡法及實際監測人流量日逐時人員冷負荷值的比較結果。

圖1 雙港站日逐時人流量對比結果Fig.1 Comparisons of the hourly passenger flow in the Shuanggang Station

圖2 地鐵大廈站日逐時人流量對比結果Fig.2 Comparisons of the hourly passenger flow in the Metro Central Station

圖3 雙港站日逐時人員冷負荷對比結果Fig.3 Comparisons of the hourly personnel cooling load in the Shuanggang Station

圖4 地鐵大廈站日逐時人員冷負荷對比結果Fig.4 Comparisons of the hourly personnel cooling load in the Metro Central Station

比較可知，在雙港站和地鐵大廈站日逐時人員冷負荷值預測結果中，GA-BP模型和BP模型所得逐時預測結果均接近實測結果，而GA-BP模型的預測結果誤差較小。GA-BP模型與BP模型誤差比較如表1所示。

通過比較可知，雙港站和地鐵大廈站的GABP模型所得預測結果都明顯更接近實測結果，相比于傳統BP模型，GA-BP模型預測結果更穩定，波動幅度較小，預測誤差降低10%左右。對比雙港站和地鐵大廈站，GA-BP模型的預測結果表明，地鐵大廈站的預測誤差比雙港站偏大6.59%，其原因是地鐵大廈站是中轉站，客流量較大，且每日逐時人數波動較大，導致人員冷負荷波動大，預測準確度降低。

在人員冷負荷預測結果的分析過程中，本文采用擬合相關系數指標R2評價每日逐時人員冷負荷預測準確度，通過計算每日逐時預測值曲線與實際值曲線的擬合程度來評價預測算法的擬合能力，R2越接近于1，則代表擬合程度越高，預測準確性越好。

表1 逐時人員冷負荷預測結果平均誤差對比Tab.1 Comparative results of the hourly personnel cooling load average error for the prediction models%

分別就GA-BP方法和BP神經網絡方法對人員冷負荷預測結果的擬合相關系數進行了比較，結果如圖5和圖6所示。

圖5 雙港站人員冷負荷擬合相關系數對比Fig.5 Comparison of the fitting correlation coefficients for the personnel cooling load in the Shuanggang Station

圖6 地鐵大廈站人員冷負荷擬合相關系數對比Fig.6 Comparison of the fitting correlation coefficients for the personnel cooling load in the Metro Central Station

比較結果可知，2個地鐵站的GA-BP模型對人員冷負荷預測的擬合相關系數較為穩定，而傳統BP模型的擬合相關系數波動較大，僅有部分日期的擬合相關系數較接近1.0。由此可見傳統BP模型人員冷負荷預測結果偏差更大，且人員冷負荷預測結果波動較大。雙港站的預測結果顯示，相比于傳統BP預測模型，GA-BP模型擬合相關系數R2更接近1.0，平均值為0.924 6，而BP模型的擬合相關系數平均值為0.823 9。地鐵大廈站GA-BP模型擬合相關系數平均值為0.891 7，而BP模型的擬合系數平均值為0.874 3，說明GA-BP預測模型比BP模型更準確，優化效果明顯。圖7是雙港站和地鐵大廈站的擬合相關系數比較結果，地鐵大廈站的人員冷負荷擬合度比雙港站低，擬合相關系數平均值低0.032 9，且6，9，20 d和27 d的擬合系數值偏差較大。由于地鐵大廈站是中轉站，日逐時人數波動較大，導致人員冷負荷波動較大，擬合度降低；因此地鐵大廈站的預測結果偏差比雙港站大。

圖7 兩站人員冷負荷擬合相關系數對比Fig.7 Comparison of the fitting correlation coefficients for the personnel cooling load in the two stations

綜上所述，GA-BP模型比傳統的BP模型預測效果更好，預測準確性更高。但是，GA-BP模型的預測誤差仍然在10%左右，主要原因是地鐵站人數波動較大，人員冷負荷處于動態變化當中，難以得到更加準確的網絡模型；雖然大部分日期的逐時人員冷負荷擬合程度較好，但是仍然有部分日期的R2值偏低，在9 d和25 d后的R2值降低幅度較大，原因是人數變化太大，導致人員冷負荷波動較大，預測準確度降低。盡管在人員波動較大時GA-BP模型的預測結果仍存在偏差，但相比于傳統的BP神經網絡模型更加準確，且穩定性更佳，更加適用于地鐵站人員冷負荷的預測分析。

4 結論

地鐵站人員冷負荷的預測對于地鐵站通風空調系統的節能運行有重要意義，建立了地鐵站人員冷負荷計算模型，并采用遺傳算法優化的BP神經網絡對地鐵站的人流量和人員冷負荷進行了預測，得出以下結論。

1）利用遺傳算法對BP神經網絡的初始權值和閾值進行優化，提高了BP神經網絡的非線性學習能力。通過與地鐵站實際運行監測結果和傳統BP神經網絡模型的預測結果比較發現，GA-BP模型的人員冷負荷預測平均誤差降低10%左右。

2）由于地鐵大廈站是中轉站，人流量相對雙港站較大，導致人員冷負荷波動大，對比結果表明，地鐵大廈站預測誤差比雙港站大6.59%。

3）對比BP神經網絡模型，兩站人員冷負荷GA-BP預測模型結果的擬合相關系數值至少提高了0.1，且預測穩定性更佳，更加適用于地鐵人員冷負荷的預測。