基于PSO-RVM算法的地鐵車站通風量需求預測方法

摘要：為提高地鐵車站通風量需求預測的準確性，為地鐵車站通風量的精準調控提供有力技術支持，以某地鐵工程A車站為研究對象，提出通風設備安裝施工要點，深入論述了基于地鐵車站通風量需求的歷史采集數據和PSO-RVM算法的通風量預測值的尋優過程。完成地鐵A車站工程通風量需求預測后，將預測通風量與實際通風量進行對比分析，預測偏差沒有超過規范允許的范圍，證明本文提出的預測方法的可行性與有效性，為地鐵車站的通風系統的設計和運行提供了更為可靠的參考依據。

關鍵詞：地鐵車站；PSO-RVM算法；通風量；預測值尋優

0" "引言

地鐵作為現代都市公共交通體系的重要組成部分，承載著緩解地面交通擁堵、優化城市交通結構的重要任務。然而地鐵系統的運行并不僅限于確保列車的安全與準時，還包括車站及隧道內的環境控制，特別是通風量的科學調控[1]。通風量的需求預測是地鐵環境控制系統中的關鍵步驟，影響著地鐵內部的空氣質量、乘客的舒適度，還關系到能耗的經濟性。

目前地鐵通風量的需求預測多采用參考文獻[2]和[3]提出的預測方法，雖然這些預測方法在一定程度上能滿足地鐵運營的基本需求，但是在實際應用中仍存在不足。參考文獻[2]預測方法的數據處理能力有限，不能充分利用地鐵運行的數據信息；參考文獻[3]預測方法在面對海量數據時，難以從中提取出有價值的規律和特征，從而限制了預測精度的進一步提升。

為了解決以上問題，本文引入PSO-RVM算法，即基于粒子群算法優化的相關向量機算法。其中PSO即粒子群算法，是一種基于群體智能的優化算法，通過模擬鳥群覓食的行為，每個粒子在搜索空間中不斷更新自己的位置和速度，以找到問題的最優解[4]。RVM即相關向量機，是一種稀疏貝葉斯模型，可通過自動選擇部分相關向量來完成回歸和分類任務。

PSO-RVM算法具有收斂速度快、全局搜索能力強等特點，在地鐵車站通風量的需求預測中，不僅能夠充分利用歷史數據中的信息，還能夠適應地鐵系統運行中的動態變化，為地鐵通風量的精準調控提供有力技術支持[5]。因此本文基于PSO-RVM算法設計了一種全新的地鐵車站通風量需求預測方法。

1" "工程概況

某地鐵工程全長約為30km，設有18座地下車站和4座高架車站。該地鐵工程貫穿市中心主要商業區、居住區以及交通樞紐，可為市民提供方便、快捷的出行需求。本文研究的A車站位于城市繁華的商業區，采用地下兩層結構，總建筑面積約為15000m2。在站廳層配備了寬敞的候車區以及50個自動售票機，能夠同時容納約1000名乘客候車。站臺層則設有兩條軌道，每條軌道長約120m。

A車站采用了先進的設計理念和通風設備。車站的送風量設計值為50000m3/h，以確保車站內的空氣流通和清新。同時，排風系統負責將車站內的污濁空氣排出，其設計排風量為45000m3/h。此外車站還配備了排煙系統，以應對火災等緊急情況，其排煙量設計值高達60000m3/h。

2" "通風設備安裝施工要點

2.1" "安排施工人員

根據A車站通風設備安裝工作量，設定施工人員組織如下：項目經理1人，負責整體協調；安裝工人8人，負責安裝通風管道；安裝調試人員4人，負責安裝和調試通風主機。

2.2" "選擇通風設備

根據A車站設計和通風需求，選擇與其相匹配的通風設備。該車站高峰時段通風量需求為50000m3/h，可以選擇額定風量為55000m3/h的通風機，以確保通風量滿足需求并有一定的裕量?；诘罔F車站的結構和布局，主通風管道沿車站長度方向布置，每隔10m設置分支通風管道，以滿足不同區域的通風需求。

在此基礎上，分配車站風量，設定站臺層通風量占比60%，站廳層通風量占比40%。根據設計圖紙，購置額定風量為55000m3/h的通風機2臺，直徑為500mm的通風管道100m，以及相應的連接件、密封材料等。

2.3" "安裝通風設備

2.3.1" "通風設備安裝流程

在落實施工人員組織、選擇和購置通風設備的基礎上制定通風設備施工流程。施工設備安裝流程如圖1所示。

2.3.2" "通風設備基礎施工

在安裝通風設備之前，需要按照設計圖紙規定的位置完成其基礎施工。為此需要根據通風設備的具體安裝尺寸和自身重量，來確定通風設備基礎的結構、尺寸和固定方法。

2.3.3" "通風設備主機安裝

使用合適的起重機吊裝通風設備主機時，必須確保其平衡和穩定，防止在吊裝過程中發生晃動或碰撞[6]。當通風設備主機被吊裝到基礎位置后，需要使用水平尺精確調平。選擇尺寸和型號與通風設備主機相匹配的連接件，使用螺栓將通風設備主機與其基礎連接固定[7]。

在完成通風設備主機安裝后，進行其接電作業，即接入電源線和控制線。接電作業必須由電工按照安全操作規程和通風設備主機說明書的要求完成接線作業。

2.3.4" "通風設備主機調試

通風設備主機安裝完成后，進入其調試與測試階段。該階段包括對通風機的運行狀態、風量、噪聲等關鍵參數進行測試，以確保其性能指標符合設計要求[8]。若測試中發現通風設備主機不符合性能指標要求，應立即進行調整或更換。

2.3.5" "通風管道安裝

安裝通風管道時，在確定其長度后，使用切割機進行精確切割，然后使用焊機對管道進行焊接，確保管道的尺寸和形狀符合設計要求。使用支架、吊架等固定件將完成切割和焊接的通風管道安裝固定在指定位置，安裝時精確控制管道的走向和坡度。在管道連接處、法蘭接口等位置，使用密封膠和密封墊進行密封處理，確保連接處的密封性能良好，防止發生漏風現象。

3" "歷史數據采集和通風量預測值尋優

3.1" "采集地鐵通風量需求的歷史數據

3.1.1" "采集方法

為了分析地鐵通風量需求的變化趨勢并找出其影響因素，給未來通風系統的設計和運營提供有利的數據支持，需要采集地鐵通風量的歷史數據。在采集時，需要確定所采集數據的時間范圍（如過去5年、10年等）和地點范圍（如特定車站、整條線路等）[9]。

3.1.2" "數據提取

采集到與該地鐵車站相關的設計文檔、施工記錄、運營報告等資料后，從中提取出通風量需求的歷史數據。對于無法直接從資料中獲取的數據，組織專業團隊進行實地測量和詳細記錄。地鐵車站通風量實地采集數據如表1所示。

表1中，每行數據代表一個特定時間、地點以及對應的通風量、溫度和濕度數據。通過數據庫查詢語句獲取通風量數據，并導出為Excel格式的文件。組織專業團隊進行實地測量，將測量數據錄入到表格中。通過以上采集方法，可以全面、準確地采集到地鐵通風量需求的歷史數據，為后續的通風量需求預測提供有力支持。

3.2" "基于PSO-RVM算法的通風量預測值尋優

3.2.1" "設定RVM的初始參數

在地鐵通風量需求的歷史數據采集完畢后，利用PSO-RVM算法，對通風量需求進行預測，構建PSO-RVM模型，設定相關向量機RVM的初始參數。其中，核函數的方差參數σ設置為1.0，正則化參數α為0.1，權重衰減項λ為0.01，初始權重為0。

3.2.2" "計算適應度函數

以隨機初始化粒子的位置和速度定義適應度函數，用于評估RVM參數組合的優劣。適應度函數的計算公式如下：

式中：?（p）表示粒子的適應度值；wl、wt、ws分別表示路徑長度L（p）、路徑安全性T（p）和路徑平滑性S（p）的權重。

3.2.3" "通風量預測值的尋優過程

公式（1）通過調整權重來確保路徑個體之間保持合理的差異，既能加速個體間的競爭，又能避免差距過大而抑制了有效的競爭。在每一代的進化過程中，更新并記錄適應度值最優的粒子，并將其作為當前的最優解。隨著迭代次數的不斷增加，算法逐步逼近全局最優解。

當達到預設的最大迭代次數或適應度值收斂至一定水平時，迭代過程將停止，否則算法將繼續執行優化過程。當需要預測新的通風量需求時，只需輸入相關的數據，如當前時間、地點、溫度、濕度等。隨后將這些輸入數據代入PSO-RVM模型中，進行通風量需求的預測。模型會輸出預測的通風量值，作為決策參考。

通過以上流程，可以利用PSO-RVM算法對地鐵通風量需求進行高效且準確的預測。該算法結合了粒子群優化和相關向量機的優點，能夠自動尋找并確定最優的RVM參數組合，從而顯著提高預測的精度和效率。

4" "預測結果和實際效果分析

4.1" "預測結果

按照上述流程完成地鐵A車站工程通風量需求預測后，對預測結果進行客觀分析。為了更具體地展示不同時段地鐵通風量預測方法的實際效果，選取A地鐵車站一天內的多個不同時間段，通過上述流程獲取這些時段的通風量預測值，將該預測值與實際值進行了對比。A地鐵車站通風量需求預測結果如表2所示。

4.2" "實際效果分析

表2中，預測通風量偏差的正值，表示預測通風量高于實際通風量；負值表示預測通風量低于實際通風量。由表2可以看出，應用本文提出的基于PSO-RVM算法的預測方法后，不同時段地鐵通風量預測值均接近實際通風量，預測偏差最高不超過1.20%，符合通風量預測規范要求允許±5%的偏差范圍。

這一結果證明了本文提出該預測方法的可行性與有效性，在不同時段的地鐵通風量預測中，該預測方法表現出更高的準確性和穩定性，能夠更準確預測地鐵車站實際的通風量需求，為地鐵車站的通風系統設計和運行提供了更可靠的參考依據。

5" "結束語

地鐵系統的不斷發展和智能化水平的提高，對通風量需求預測的要求也越來越高?；赑SO-RVM算法的預測方法，不僅能夠滿足當前地鐵通風系統對通風量預測的高標準需求，而且憑借其出色的可擴展性和適應性，為地鐵通風系統未來升級與優化提供了強有力的技術支持，為地鐵通風量需求的精準預測提供了全新的思路和方法。

綜上所述，本文提出的基于PSO-RVM算法的地鐵通風量需求預測方法具有重要的理論意義和實際應用價值。通過深入研究和探索這一預測方法，期待為地鐵通風量需求的精準調控和智能化管理貢獻出更大的力量。

參考文獻

[1]"" 趙寧，郭智杰，杜梅霞，等.地鐵車站通風空調大系統動態調控策略研究[J].山西建筑，2024，50（5）：126-130.

[2]"" 李元陽，方興，胡欽，等.某地鐵車站通風空調系統風水聯動控制方法及應用[J].暖通空調，2023，53（S2）：226-231.

[3]"" 鄭懿，宋潔，王威.地鐵車站通風空調系統節能策略研究[J].制冷與空調，2023，23（8）： 93-102.

[4]"" 王麗慧，尹立元，胡田偉，等.基于空氣熱平衡的地鐵車站熱壓通風風量計算與分析[J/OL].暖通空調，1-7[2024-12-27].https：//doi.org/10.19991/j.hvac1971.2023.09.11.

[5]"" 宋潔，鄭懿，張曉晨.基于實測的地鐵車站設備管理用房通風空調系統性能優化分析研究[J].上海節能，2023（6）：806-813.

[6]"" 劉加棟.城市軌道交通深埋車站（區間）活塞通風模擬計算與現場實測分析[J].暖通空調，2022，52（S2）：126-129.

[7]"" 曹勇，丁天一，于震.地鐵站通風空調控制系統節能優化研究綜述[J].建筑科學，2022，38（4）：213-228.

[8]"" 陳薈多，周東一，肖湘華.基于廣義回歸神經網絡的地鐵屏蔽門通風量預測研究[J].中阿科技論壇（中英文）， 2021（9）：101-103.

[9]"""""""""" 錢飛.基于PSO-RVM算法的地鐵通風量需求預測建模[J].信息技術與信息化， 2021（8）：116-118.