基于深度神經網絡的高鐵站空調系統智能控制策略

李 莎，姚富宏，涂家祺，王勝男

基于深度神經網絡的高鐵站空調系統智能控制策略

李 莎1，姚富宏2，涂家祺1，王勝男2

（1. 西南交通大學，經濟管理學院，成都 610031；2. 中鐵二院工程集團有限責任公司，建筑研究設計院，成都 610031）

高鐵站是公共設施中高能源消耗的大型半封閉建筑。針對高鐵站如何在滿足乘客舒適度的同時，盡可能降低空調能耗這一問題，本文設計了一種基于深度神經網絡算法的空調控制策略。首先，設計了基于Energy Plus平臺的仿真模型；然后，結合多種傳感器獲取高鐵站的室內外環境參數，并提取出室外溫度、客流密度、室內溫度、室內濕度、室內二氧化碳濃度、室內環境熱舒適度、能耗七個影響空調系統控制狀態的因素；最后，構建了深度神經網絡分類模型以及深度神經網絡回歸模型兩類空調控制模型，以獲取包含空調的設置溫度、空調和熱回收機的開啟臺數等參數的控制策略。同時使用Weighted-F1、Accuracy、Mean Squared Error和R-Squared四個評價指標分別對兩個模型控制性能進行評價。研究結果表明，本研究提出的控制策略預測準確率最高能達到0.99，能有效實現高鐵站空調系統的智能控制。

熱舒適度；空調控制；深度神經網絡；高鐵站

0 引 言

建筑業是我國單項能耗最大的行業，而據《2019中國建筑能耗研究報告》顯示，公共建筑在其中的單位能耗強度最高[1]。因此，在我國節能減排的背景下，如何減少公共建筑的能耗損失意義重大。

基于此，本文以人員流動大、建筑層間高、空間跨度大的半封閉型公共建筑—— 高鐵站為研究對象，以滿足乘客舒適度并減少能耗為目標，通過仿真模型和傳感器技術獲取高鐵站內的環境參數，并設計深度神經網絡的分類算法與回歸算法兩類機器學習算法，通過表征室內環境舒適度的指標—— PPD（Predicted Percentage of Dissatisfied）、空調能耗和環境參數預測空調及熱回收機的開啟狀態及溫度設置，最終形成高鐵站空調系統的智能溫度控制策略。

本文的主要研究貢獻如下：

（1）提出了一種同時滿足室內熱舒適度和能耗要求的空調控制策略，其中包括對空調臺數的控制、熱回收機臺數的控制以及空調開啟溫度的設置。

（2）考慮到大型半封閉建筑物—— 高鐵站空氣流動性強，室內溫度、濕度等狀態參數變化頻繁，其對空調控制參數呈現非線性影響。因此，本文提出深度神經網絡模型來學習二者的隱性影響關系，從而獲取智能溫控策略。

1 相關工作

1.1 PMV-PPD評價標準

早在2005年，國際標準化組織ISO (International Organization for Standardization）就確定了評價熱舒適度的標準—— PMV-PPD（Predicted Mean Vote-Predicted Percentage of Dissatisfied）指標[2]。隨后，該標準增加了熱環境的等級劃分，逐漸成為學者們研究熱舒適度的重要參考[3]。莫志姣等[4]以某汽車車室為研究對象，利用PMV-PPD評價標準，計算車內PMV-PPD的分布，并通過UFD編程對其進行可視化處理，以此作為分析車內熱舒適度的依據。趙德印等[5]則以上海辦公空調房間為研究對象，利用PMV-PPD評價指標去評估不同空調組合的節能潛力。Pourshaghaghy等[6]通過計算PMV-PPD指數，對伊朗西部Kermanshah市一家醫院的空調系統性能和熱舒適水平進行了評價。林家泉等[7]和薛長樂等[8]均利用CFD技術建立了飛機客艙的仿真模型，并通過PMV- PPD評價指標得到了滿足熱舒適性要求的地面空調最佳送風速度，為實現地面空調節能提供了一定的參考。

1.2 空調控制策略研究

空調的節能減耗一直是暖通方向研究追求的目標，控制策略則在其中扮演著至關重要的角色。近年來，國內外學者在空調控制策略的探索上也做了不少的研究和努力，從目前的研究成果來看，可大致分為針對空調自身特性提出的控制策略、基于空調分區域提出的控制策略以及基于機器學習方法提出的控制策略三個部分。

（1）針對空調自身特性進行控制。為降低新風系統的能耗，曾偉[9]提出了新風循環再利用的變新風量控制策略，并通過實際項目對控制策略進行能耗分析，研究表明，該策略比最不利情況下的新風控制策略每天多節約新風電能24 kW·h。Che等[10]建立了一種能反映變頻空調負荷運行特性、有利于實際應用的虛擬儲能模型。該策略通過室內溫度設定值來控制變頻空調，并優先考慮虛擬充電狀態較高的溫度設定值。通過仿真和算例分析表明，該策略能有效控制空調負荷，并能滿足用戶要求的舒適度。Christopher等[11]設計了一種基于輕量動態優先級的新型控制策略，利用該策略可以降低建筑用電高峰需求，通過對80臺空調機組和40臺制冷機組的仿真，驗證了該控制策略的有效性。孟慶龍等[12]則從變風量風系統的水力特性出發，提出了一種改進型總風量法對空調進行控制，并利用變靜壓法、總風量法進行對比實驗，研究表明，改進型總風量法在控制效果上優于其他兩種，在節能效果上也有顯著的提高。于恩祿等[13]以全系統變風量為前提，提出了對地鐵空調系統進行智慧控制的方法，通過對地鐵空調水系統以及大小系統的全局優化控制，將系統綜合的節能率提升了20%。

（2）對空調分區域進行控制。胡帥等[14]以廣東省某購物廣場的中央空調作為研究對象，通過對不同冷負荷區域建立不同的數學模型，提出了一種分區模型的局部控制策略，并與舊系統方法進行對比，驗證了分區模型控制策略的可行性以及節能效果。張廣麗等[15]提出了一種基于動態分區控制的方法，并提出了動態分區的控制策略，與靜態分區相比，該方法提高了控制調節的水平，在一定程度上減少了能耗。潘秋浩等[16]根據高鐵站的實際建筑情況，對高鐵站的不同區域分別進行空調位置和通風大小的設計，并對空調、風機的控制系統進行設定，從而達到高鐵站節能的要求。Behzad等[17]針對可變風量系統提出了一種多區域空調系統的控制策略，通過與傳統變風量空調系統的比較可知該控制策略在節能方面具有一定的潛力。

（3）利用機器學習方法改進控制策略。安大偉等[18]針對空調控制具有滯后性和慢時變的特點，提出了單神經元控制空調系統的方法，并利用MATLAB對空調系統進行仿真，實驗表明，該模型的溫控精確率高、抗干擾能力強。陳鑫等[19]運用K均值聚類算法對某辦公建筑的空調實際運行數據聚類，并利用TRNSYS仿真軟件對該辦公樓的夏季空調系統進行模擬，最終選擇出經濟適用性最強的控制策略。針對低溫條件下，電動汽車制熱的滯后性和時變性，Cheng等[20]在熱泵空調控制策略的基礎上，結合PID控制和模糊控制，提出了一種PID-模糊復合控制策略。研究表明，該策略比傳統控制策略在縮短調節時間方面有改進，比PID控制降低了29.5%，比模糊控制降低了6.1%。單奎等[21]將監督學習算法應用于空調的節能控制上，提出了一種可實時優化空調控制的方案，并對某摩天大樓冷卻水系統進行模擬研究，通過與半物理模型的優化控制對比可知該方案在節能方面有顯著優勢。Zhao等[22]提出了一種基于支持向量機的負荷預測模糊控制策略，將預測負荷作為模糊控制器的輸入參數，對暖通空調系統進行前饋模糊控制。同時，通過對天津大學地源熱泵系統的實例分析，表明該控制策略在保證最小的室內溫度波動的同時，也能降低總能耗。瞿葉奇等[23]利用隨機森林算法建立了一種針對中央空調的機器學習模型，并設計了一種優化控制策略，仿真表明，該控制策略的控制效果比傳統的PID控制更加平穩，效率也有所提升。Gulsun等[24]提出了一種利用人工神經網絡預測室外溫度的方法，與此同時，將預測結果應用于SDFSS（Smart Dual Fuel Switching System）控制器，從而達到數據驅動模型取代高精度傳感器的控制轉變。王玉濤等[25]利用長短時記憶神經網絡（Long Short-term Memory，LSTM）建立預測平均投票數模型，提出了一種基于樹莓派的自適應空調智能控制系統，通過預測的PMV值設置空調的溫度，結果表明，該系統可精確預測滿足人體舒適度的空調溫度。張子蘇[26]則提出了一種基于粒子群算法優化神經網絡PID控制器的控制方法，對變風量的空調系統進行控制，研究結果表明，該方法提高了空調系統的控制精度。

雖然目前針對空調控制策略的研究頗豐，但仍存在以下不足：

（1）目前大多數文獻主要針對汽車和辦公建筑等封閉空間進行空調控制策略研究，對于高鐵站等大型半封閉建筑的研究相對缺乏。

（2）大多數文獻通過變風量系統去改進空調的控制策略，雖然能有效地達到空調節能減耗的要求，但并未將人體的熱舒適度考慮在內，人體在建筑中的舒適感有待評判。

（3）部分文獻雖然使用了機器學習方法去改進空調的控制策略，但并未細化到研究控制空調的參數，很難直接應用于工程實踐。

因此，本文以四川省某高鐵站為研究對象，針對大型半封閉建筑進行建模、仿真，通過機器學習的方法獲取環境參數、能耗、熱舒適度和空調控制之間較為復雜的非線性關系，進而實現對空調系統的智能控制。

2 問題描述

為獲取高鐵站內空調系統控制策略，本研究首先通過大量的文獻調研及實地走訪，確定了影響空調系統控制狀態的七個因素：室內環境熱舒適度、能耗、室外溫度、客流密度、室內溫度、室內濕度、室內二氧化碳濃度。之后，基于Energy Plus構建高鐵站的熱工環境仿真模型，根據空調系統的不同控制狀態設計多種運行工況，以獲取海量的仿真數據，并通過現場傳感器捕捉數據，對仿真模型進行校正。在此基礎上，本文構建了基于深度神經網絡，兼顧熱舒適度和能耗的空調系統的智能控制策略。

本文選取室內不滿意預測百分比（PPD）指標作為高鐵站室內熱舒適度評價指標。PPD指數可對熱不滿意的人數給出定量的預計值，計算公式如下[2]：

式中：PMV代表了大多數人在同一環境中的平均冷熱感覺，通過人體的狀態、衣著情況以及環境狀況可以計算出人體產熱和散熱之間的差值，對人體的熱舒適感覺進行評價。PMV值計算公式如下[27]：

據國家標準可以將PPD分為三級，具體劃分如表1所示。

表1 PPD等級劃分

3 高鐵車站熱工環境仿真模型構建

3.1 高鐵站及空調系統概況

為使研究能夠應用到實際場景中，本文選取四川省某高鐵站作為研究對象。該站所在地屬亞熱帶季風氣候，冬冷夏熱，站內層高6m，吊頂1m。因涉及人體舒適性的研究，本文研究集中在長為74m，寬為28m的候車區內。該空間的8臺熱回收機和5臺空調為站內空氣交換的主要設備。本研究進行了問卷調查以收集乘客的熱舒適度體驗，并在站點內人員流動頻繁的位置安裝傳感器以獲得室內各環境參數的實時數據。

3.2 建模數據收集

根據高鐵站的實際調研情況，本文利用Energy Plus仿真平臺對研究對象進行仿真建模，仿真模型如圖1所示。

圖1 高鐵站仿真模型圖

模型中的建筑朝向、圍護結構構造、建筑結構等參數，均嚴格按照調研的實際數據進行設置。為了準確獲取空調系統的狀態參數，本研究設置了8臺熱回收機和5臺空調的所有開啟臺數組合，生成了5×8＋5＋8＝53種工況。考慮到空調的開啟溫度對能耗有直接影響，本研究設置了8種不同范圍的空調開啟溫度組合（具體情況見表2），并仿真出一年的數據，最終獲得了424×8760＝3 714 240個實例。

表2 空調溫度組合

4 基于深度神經網絡的高鐵站空調控制模型

4.1 深度神經網絡模型

本研究分別針對高鐵站空調、熱回收機開啟臺數與空調設置溫度，構建了深度神經網絡分類模型和深度神經網絡回歸模型。

4.2 空調系統控制模型構建

本研究構建的深度神經網絡分類模型和深度神經網絡回歸模型分別包含1個輸入層、3個隱藏層、1個輸出層。兩類空調系統控制模型構建過程如圖2所示。

圖2 空調系統控制流程圖

5 實驗與結果

5.1 數據預處理

在將數據集輸入模型前，本研究進行了數據預處理，具體步驟包括：

步驟1 數據合并。對不同工況下的所有仿真數據文件進行清洗，統一數據的屬性、順序及格式。原始數據表包含時間、室外溫度、室內溫度、室內濕度、室內CO2濃度、PPD、DOAS供電風機電能、VRF冷泵電能、VRF熱泵電能等數據，為將其和控制策略結合起來，本研究加入了客流量、空調臺數、熱回收機臺數、空調設置溫度、空調預設溫度ID（冬季設置溫度，夏季設置溫度）五個屬性。即將空調系統控制狀態的參數（空調開啟溫度、空調開啟臺數、熱回收機開啟臺數等）合并到原始數據表中。

步驟2 缺失值與異常值的處理。刪除數據集中缺失能耗的數據及異常值，對偏差數據進行修正。在能耗設置方面，對于只開空調的數據文件，將熱回收機的能耗值設定為0；對于只開熱回收機的數據文件，則將反映空調制冷和制熱能耗值的數據都設為0。空調控制的效果會有一定的滯后性，為了將環境狀態、熱舒適度、能耗和控制策略對應起來，將數據文件中下一時刻的PPD、能耗值對應到當前時刻。同時對空調開啟溫度做規范化處理，先將所有工況空調溫度設置為0，再通過如下規則進行處理：（1）若只開熱回收機，空調的設置溫度調整為室內溫度；（2）若只開啟空調，室內溫度在設定范圍以外的，將空調設定溫度調整為設定范圍的上下限值（例如溫度設置范圍為16℃～23℃，則對于室內溫度低于16℃的情況，空調設置溫度為16℃。對于室內溫度高于23℃的情況，空調設置溫度為23℃）；（3）若熱回收機和空調同時開啟，室內溫度在溫度預定范圍以內，設置同（1），否則同（2），最后刪除空調設置溫度為0的所有數據。

步驟3 數據篩選。將每個數據文件經過前述步驟處理后合并。用不同功耗作為閾值篩選出低功耗數據，最終獲得滿足低能耗和熱舒適條件的數據。

數據預處理后的數據集如表3所示。

表3 根據PPD、能耗閾值劃分的實驗數據集

空調系統的控制參數包含空調溫度、空調臺數、熱回收機臺數。根據三個控制參數和數據預處理的結果，對相關參數進行修正處理，最后進行統計分析，數據分布情況如表4、表5、表6所示。

表4 空調開啟臺數分布表

表5 熱回收機開啟臺數分布表

表6 空調溫度分布表

5.2 評價指標

本文選取均方誤差[29]（Mean Squared Error，MSE）和擬合優度[30]（R-Squared，R2）兩個指標來評價回歸模型預測性能。

MSE標準計算如式（4）所示：

R2標準計算如式（5）所示：

同時采用Accuracy（準確率）[31]和Weighted- F1（加權宏平均）作為分類模型的性能評估指標。正確率是測試集分類正確的樣本數與測試集總的樣本數之比，其計算公式為：

F1為精度和召回率的加權平均值，其中F1值在1時達到最佳值，在0時達到最差值[32]。本文對于空調和熱回收機開啟臺數的分類問題，采用Weighted-F1指標。對于每一個類別，用二分類的公式計算出F1值記為F1i，然后將多個F1i給予不同的權重進行計算。

Weighted-F1值的計算如式（7）所示：

式中：代表類別數；w代表每個類別的樣本所占的比例；為精度；為召回率。兩者計算公式為：

式中：TP為正例預測正確的個數；FP為負例預測錯誤的個數；FN為正例預測錯誤的個數。

為了進一步測試算法準確性，本文使用十折交叉驗證對深度神經網絡的分類和回歸模型進行測試，即將數據集分成十份，依次將其中九份作為訓練數據，一份作為測試數據，進行試驗。將十次結果的正確率（或差錯率）的平均值作為算法精度的估計值。

5.3 實驗與結果

將數據處理后獲取的低能耗且熱舒適度較好的目標數據集，分別放入不同的模型進行訓練。空調開啟臺數和熱回收機開啟臺數為分類模型，十折交叉驗證的結果見表7、表8；空調開啟溫度為回歸模型，結果見表9。

表7 空調開啟臺數十折交叉驗證結果

表8 熱回收機開啟臺數十折交叉驗證結果

表9 空調開啟溫度十折交叉驗證結果

深度神經網絡分類模型的評價指標為準確率和Weighted-F1，每次的訓練都能達到較好的結果。由表7可知，空調開啟臺數控制模型中，十次驗證的準確率平均值達到0.985 9，Weighted-F1平均值達到0.983 9。由表8可知，熱回收機開啟臺數控制模型的準確率都高于0.99，十次驗證平均值達到0.995 3，平均Weighted-F1值為0.995 3。

表9顯示了空調開啟溫度控制策略的回歸模型訓練及測試結果，評價指標為MSE和R2，十次交叉驗證的評價MSE達到1.6518E-08，平均R2達到0.999 9。

根據表中所示結果可知，針對空調開啟臺數、熱回收機開啟臺數的深度神經網絡分類模型，和針對空調開啟溫度的深度神經網絡回歸模型預測準確性良好。

6 結 論

對于高鐵站這類半封閉大型建筑空間，合理的空調系統智能控制策略，既能滿足合理的熱舒適度要求，又能有效地控制空調系統低能耗運行，因此，該研究對乘客的體驗滿意度提升和能耗的減少都具有重要的意義。

本文通過現場調研，以及多種傳感器獲取高鐵站現場的溫度、濕度、CO2濃度等環境參數，再基于Energy Plus平臺構建對應的仿真模型，并根據實際數據對仿真模型進行修正。在仿真模型中運行了53種工況，共獲得3 714 240個實例。同時篩選出低能耗、高舒適度數據，在此基礎上分別構建了五層深度神經網絡分類模型與五層深度神經網絡回歸模型。針對空調開啟臺數、熱回收機開啟臺數，使用了深度神經網絡分類模型，預測準確率最高分別達到0.988 4、0.997 2，Weighted-F1的值最高分別達到0.986 8、0.997 2。針對空調開啟溫度使用了深度神經網絡回歸模型，MSE的值最低達到1.1930E-09，R2的值最高達到0.999 9。結果表明，本文所構建的深度神經網絡模型可以在較短的時間內，獲得同時滿足室內熱舒適度和能耗要求的智能溫控策略。

[1] 中國建筑節能協會. 2019中國建筑能耗研究報告[J]. 建筑, 2020(7): 30-39.

[2] The authority of the standards policy and strategy committee. ISO 7730: 2005 ergonomics of the thermal environment - analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD indices and local thermal comfort criteria[S]. Geneva: International Organization for Standards, 2005.

[3] 景勝藍, 李百戰, 李楠, 等. 基于熱感覺指標確定熱舒適判據的一項國際標準簡介[J]. 暖通空調, 2010, 40(8): 110-113.

[4] 莫志姣, 唐江明, 谷正氣, 等. 基于PMV-PPD可視化車室熱舒適性仿真研究[J]. 計算機仿真, 2016, 33(9): 163-168.

[5] 趙德印, 潘黎, 范宏武, 等. 基于PMV-PPD的嵌管式外墻輻射空調系統夏季熱舒適與節能潛力分析[J]. 制冷與空調, 2019, 19(10): 82-87.

[6] POURSHAGHAGHY A, OMIDVARI M. Examination of thermal comfort in a hospital using PMV–PPD model [J]. Applied ergonomics, 2012, 43(6): 1089-1095.

[7] 林家泉, 李彎彎. 基于PMV-PPD的地面空調最佳送風速度[J]. 航空學報, 2017, 38(8): 77-84.

[8] 薛長樂, 李艷娜, 張濤波. 基于PMV指標的駕駛艙熱舒適性研究[J]. 制冷與空調(四川), 2020, 34(4): 416-421.

[9] 曾偉. 多區域變風量空調系統新風循環再利用變新風量控制策略[J]. 制冷與空調, 2018, 18(2): 99-103.

[10] CHE H B, YANG J X, ZHAO Y C, et al. Control strategy for inverter air conditioners under demand response[J]. Processes, 2019, 7, 407.

[11] CHRISTOPHER W, MAHABIR B, JAMES N, et al. Peak load reduction and load shaping in HVAC and refrigeration systems in commercial buildings by using a novel lightweight dynamic priority-based control strategy[J]. Applied Energy, 2020, 277: 115543.

[12] 孟慶龍, 王文強, 葛俊伶. 變風量空調系統控制策略仿真與實驗研究[J]. 建筑科學, 2020, 36(2): 44-50, 78.

[13] 于恩祿, 徐智, 韓學偉. 基于全系統變風量的智慧空調控制系統應用方案研究[J]. 電氣化鐵道, 2020, 31(S1): 213-218.

[14] 胡帥, 方康玲, 何鵬. 中央空調分區模型控制策略研究[J]. 計算機仿真, 2015, 32(3): 268-271.

[15] 張廣麗, 龔延風, 牛曉峰, 等. 全空氣空調系統全年多工況動態分區控制方法[J]. 暖通空調, 2019, 49(11): 32-36.

[16] 潘秋浩, 朱明明. 某高鐵站空調通風及控制系統設計[J]. 潔凈與空調技術, 2019, 104(4): 72-75.

[17] BEHZAD R, JUAN M Z, BRYAN S, et al. Control strategies in multi-zone air conditioning systems[J]. Energies, 2019, 12(3): 347.

[18] 安大偉, 王晉, 婁承芝. 采用單神經元自適應控制高精度空調系統仿真[J]. 計算機仿真, 2004(2): 105-108, 118.

[19] 陳鑫, 單明珠. 某辦公建筑空調運行控制策略分析[J]. 潔凈與空調技術, 2020(1): 39-44.

[20] CHENG A Y, ZHAO N J, ZHANG Y L. Research and analysis on the control strategy of electric vehicle heat pump air conditioning[J]. International Core Journal of Engineering, 2020, 6(2): 55-62.

[21] 單奎, 王家遠. 一種基于監督學習的自適應空調優化控制方案[J]. 暖通空調, 2019, 49(12): 86-90, 53.

[22] ZHAO J, SHAN Y. A fuzzy control strategy using the load forecast for air conditioning system[J]. Energies, 2020, 13, 530.

[23] 瞿葉奇, 高德欣, 孫亞光. 基于機器學習的中央空調的優化控制策略[J]. 青島科技大學學報: 自然科學版, 2019, 40(1): 111-118.

[24] GULSUN D, ALAN S F, MATHIEU D. Development and optimization of artificial neural network algorithms for the prediction of building specific local temperature for HVAC control[J]. International Journal of Energy Research, 2020, 44(11): 1-19.

[25] 王玉濤, 于金星, 陳鑫, 等. 基于樹莓派的自適應空調控制系統設計[J]. 物聯網技術, 2020, 10(10): 76-78, 81.

[26] 張子蘇. 基于PSO-BP-PID控制在變風量空調系統中的應用[J]. 數字技術與應用, 2020, 38(7): 42-44.

[27] FANGER P O. Assessment of man's thermal comfort in practice[J]. Occupational and Environmental Medicine, 1973, 30(4): 313-324.

[28] HintonG E, Salakhutdinov R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

[29] 許德祥. 統計模型中均方誤差的區間估計[J]. 經濟數學, 1999(1): 52-54.

[30] AGRESTI A. Applying R – type measures to ordered categorical data[J]. Technometrics, 1986, 28(2): 133-138.

[31] ZHOU Z H, TANG W. Clusterer ensemble [J]. Knowledge Based Systems, 2006, 19(1): 77-83.

[32] DAVIDE C, GIUSEPPE J. The advantages of the Matthews correlation coefficient(MCC)over F1 score and accuracy in binary classification evaluation [J]. BMC Genomics, 2020, 21(1): 1-13.

Intelligent Control Strategy for Air Conditioning System in High-speed Railway Stations Based on Deep Neural Networks

LI Sha1, YAO Fu-hong2, TU Jia-qi1, WANG Sheng-nan2

( 1. College of Economics and Management, Southwest Jiaotong University, Chengdu 610031, China; 2. Architecture Department, China Railway Eryuan Engineering Group Co., Ltd., Chengdu 610031, China )

A high-speed rail station is a large semi-enclosed building with extremely high energy consumption. Aiming at reducing the air-conditioning energy consumption while satisfying passenger comfort in high-speed railway stations, in this study, we designed a control strategy for air conditioning based on a deep neural network algorithm. We, first, designed a simulation model based on the energy plus platform, combined with a variety of sensors to obtain the indoor and outdoor environmental parameters of high-speed railway station, and extracted seven factors affecting air conditioning control state, namely, outdoor temperature, density of passenger flow, indoor temperature, indoor humidity, carbon-dioxide concentration, indoor thermal comfort, and energy consumption. Finally, two kinds of air conditioning control models, the deep neural network classification model and the deep neural network regression model, were developed to obtain the control strategy including setting the temperature of air conditioning, the number of open units of air conditioning, and heat recovery machine. Weighted-F1, accuracy, mean squared error, and R-squared indices were used to evaluate the control performance of the two models. The results show that the control strategy proposed in this study has the highest prediction accuracy of 0.99, which can effectively realize the intelligent control of the air conditioning system at high-speed railway stations.

thermal comfort; air conditioning control; deep neural network; high-speed rail station

1672-4747（2021）03-0102-09

U291.6; TP181

A

10.19961/j.cnki.1672-4747.2020.11.010

2020-11-13

2020-12-27

國家重點研發計劃項目（2018YFC0705000）

李莎（1997—），女，四川宜賓人，碩士研究生，主要研究方向為機器學習、物流配送資源優化，E-mail：635756717@qq.com

李莎，姚富宏，涂家祺，等. 基于深度神經網絡的高鐵站空調系統智能控制策略[J]. 交通運輸工程與信息學報，2021, 19(3): 102-110.

LI Sha, YAO Fu-hong, TU Jia-qi, et al. Intelligent Control Strategy for Air Conditioning System in High-speed Railway Stations Based on Deep Neural Networks[J]. Journal of Transportation Engineering and Information, 2021, 19(3): 102-110.

（責任編輯：李愈）