一种基于动态优化的多目标电梯调度系统及方法与流程

本发明涉及电梯群控技术领域，特别涉及一种基于动态优化的多目标电梯调度系统及方法。

背景技术：

随着我国城市化的推展，高层建筑不断涌现，加上环保、安全、智能化..等意识的形成，用户对电梯的使用需求,除了基本的候梯时间以外，还有诸如：避免降低长时候梯机率、快速抵达、乘坐时的空间舒适感、节能…等，已逐渐丰富多样。随着需求的丰富多样，以往用来控制电梯系统的简单程序已逐渐被专家系统、神经网络与模糊控制…等取代，加上建筑楼层与电梯控制数不断增加，整体运算复杂度也随之提高，因此如何在满足用户需求的同时，优化系统整体性能，已成为了各电梯厂家的核心议题。

技术实现要素：

针对上述问题，本发明提供了一种基于动态优化的多目标电梯调度系统及方法。

一方面，本发明提供的一种基于动态优化的多目标电梯调度系统，其包括：

呼梯模块：用以传递呼梯数据；

控制器模块，用以进行数据传递、计算与派梯；

远程模块，用以进行远程监控与管理。

在本发明的一个优选实施例中，所述控制器模块包括依次进行数据流转的数据处理子模块、模型库子模块、调度算法子模块、派梯管理子模块。

在本发明的一个优选实施例中，所述数据处理子模块接收来自所述呼梯模块的呼梯数据以及电梯群内控制器传来的运行状态数据，并将所接收的呼梯数据和运行状态数据传入所述模型库子模块中。

在本发明的一个优选实施例中，所述模型库子模块直接导出模型中目前最佳的派梯规则作为参考派梯数据并连同所接收的呼梯数据和运行状态数据传入所述调度算法子模块进行试算。

在本发明的一个优选实施例中，所述调度算法子模块依据所述的呼梯数据和运行状态数据计算最佳派梯讯息，同时与所述模型库子模块提供的参考派梯数据进行比较，择优将最优派梯数据提供给派梯管理子模块。

在本发明的一个优选实施例中，所述派梯管理子模块在接受到最优派梯数据后则对呼梯数据进行添加、删除与存储等处理，完成派梯队列的更新数据，同时将派梯队列的更新数据传入远程模块中。

在本发明的一个优选实施例中，所述远程模块包括数据管理子模块和模型管理子模块。

在本发明的一个优选实施例中，所述数据管理子模块用来存贮所述派梯队列的更新数据并用来监控每台单梯的目前楼层位置、转化的内外呼信号、内外呼信号数量、单梯运行方向、运行状态信息以及对每个乘客目的层呼叫的派梯结果。

在本发明的一个优选实施例中，所述模型管理子模块作为算法参数管理、新模型建立以及将模型更新到模型库子模块中。

另一方面，本发明还提供了一种基于动态优化的多目标电梯调度方法，所述方法是采用改良差分进化算法作为调度算法的基础，主要是通过一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果。

在本发明的一个优选实施例中，所述多目标电梯调度方法包含：

首先是初始化，其方式是在解空间中随机均匀产生m个个体，每个个体由n维向量组成，其表示为：

第i个个体的第j维值取值方式如下：

再来是进入一连串的变异，交叉与选择，找到比所述控制器模块提供的参考派梯数据更佳的派梯结果；其中公式(1)中的xi(0)代表派梯数据，总共有m个，xi，1(0)，xi，2(0)，xi，3(0)，…，xi，n(0)分别代表第1，2，3…n台电梯走行方向，0代表下行，1代表上行，公式(2)中的lj_min为产生布尔函数值前的下限值，lj_max为产生布尔函数值前的上限值。

在本发明的一个优选实施例中，所述变异的方法是以第g次迭代中的第i个个体为例，从种群中随机选择3个个体xp1(g)，xp2(g)，xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：

vi(g)＝xp1(g)+f·(xp2(g)-xp3(g))(3)

公式(3)中的f为缩放因子，一般是在[0，2]之间选择，通常取0.5。；xp1(g)代表随机选择的第1个个体，xp2(g)代表随机选择的第2个个体，xp3(g)随机选择的第3个个体。

交叉的方式是通过概率的方式随机生成新的个体，操作方法如下：

公式(4)中的cr称为交叉概率；ui，j(g+1)代表通过概率的方式挑选出来的新个体，vi，j(g+1)代表通过概率的方式随机生成的个体，xi，j(g)代表原本的个体值；

所述选择的方式是采用贪婪选择的策略，选择较优的个体作为新的个体，操作方法如下：

公式(5)中，xi，j(g+1)代表采用贪婪选择，所选出的新个体。，ui(g+1)代表通过概率的方式挑选出来的个体，xi(g)代表原本的个体值；

然后按照公式(3)至(5)进行迭代更新，直到找出合适的解为止。

在本发明的一个优选实施例中，所述f为0.5。

在本发明的一个优选实施例中，所述基于动态优化的多目标电梯调度方法涉及到的差分变异策略种类包括但不限于：de/rand/1/bin、de/rand/2/bin、de/best/1/bin、de/best/2/bin、de/rand-to-best/bin、de/current-to-rand/bin、de/current-to-best/bin…等。

在本发明的一个优选实施例中，所述基于动态优化的多目标电梯调度方法涉及到的估算方法包括但不限于蒙特卡罗(montecarlo)、均匀分布、重要性抽样…等。

由于本发明是采用找到比模型库子模块提供的参考派梯数据更佳的派梯结果，加上定期人工更新模型，因此相较于传统的派梯方法，本方法会随着电梯的使用次数增加，派梯质量会越好。

附图说明：

图1为本发明实施例中的系统模块结构图；

图2为本发明实施例中的调度算法流程图；

图3为本发明实施例中的综合评价函数结构图；

具体实施方式

为使本领域技术人员更好地理解本发明的技术方按，下面结合附图和具体实施方式对本发明作进一步详细描述。

实施例1：

如图1所示，是本发明实施例中的系统模块结构图。该系统包括呼梯模块100、控制器模块200与远程模块300：

呼梯模块100：主要功能是传递呼梯数据。

控制器模块200：利用数据处理子模块201接收来自呼梯模块的呼梯数据以及电梯群内控制器传来的运行状态数据，将呼梯数据和运行状态数据传入模型库子模块202中，由模型库子模块202直接导出模型中目前最佳的派梯规则作为参考派梯数据，同时连同前述的呼梯数据和运行状态数据传入调度算法子模块203进行试算。最后由调度算法子模块203依据前述的参考派梯数据与实际试算结果，择优将最优派梯数据提供给派梯管理子模块204。派梯管理子模块204在接受到最优派息数据后则对呼梯信号进行添加、删除与存储等处理,完成派梯队列的更新，同时易将相关数据传入远程模块300中的数据管理子模块301。

远程模块300：其中的数据管理子模块301主要用来监控每台单梯的目前楼层位置、转化的内外呼信号、内外呼信号数量、单梯运行方向、运行状态等信息以及对每个乘客目的层呼叫的派梯结果。另外模型管理子模块302则是作为算法参数管理、新模型建立以及将模型更新到模型库子模块中。

实施例2：

如图2所示，是本发明实施例中的调度算法流程图。所述方法是采用改良差分进化算法作为调度算法的基础，主要是通过一连串的变异，交叉与选择，找到比模型库子模块202提供的参考派梯数据更佳的派梯结果。所述调度方法包含：

首先是初始化，其方式是在解空间中随机均匀产生m个个体，每个个体由n维向量组成，其可表示为：

第i个个体的第j维值取值方式如下：

其中公式(6)中的xi(0)代表派梯数据，总共有m个，xi，1(0)，xi，2(0)，xi，3(0)，…，xi，n(0)分别代表第1，2，3…n台电梯走行方向，0代表下行，1代表上行，公式(7)中的lj_min为产生布尔函数值前的下限值，lj_max为产生布尔函数值前的上限值。

每一维的向量为一个整数，其编码方式为最后一码为0代表电梯下行呼梯，最后一码为1代表电梯上行呼梯。其余电梯的顺序编码。例如有1-99台电梯，则10代表第1台电梯下行呼梯，11代表第1台电梯上行呼梯；20代表第2台电梯下行呼梯，11代表第2台电梯上行呼梯；30代表3台电梯下行呼梯，31代表第3台电梯上行呼梯…以此类推，990代表第99台电梯下行呼梯，991代表第99台电梯上行呼梯。

再来是进入一连串的变异，交叉与选择。

首先变异的部分，以第g次迭代中的第i个个体为例，从种群中随机选择3个个体xp1(g)，xp2(g)，xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：

vi(g)＝xp1(g)+f·(xp2(g)-xp3(g))(8)

公式(8)中的f为缩放因子，一般是在[0，2]之间选择，通常取0.5。；xp1(g)代表随机选择的第1个个体，xp2(g)代表随机选择的第2个个体，xp3(g)随机选择的第3个个体。

再来是交叉，其方式是通过概率的方式随机生成新的个体，操作方法如下：

公式(9)中的cr称为交叉概率；ui，j(g+1)代表通过概率的方式挑选出来的新个体，vi，j(g+1)代表通过概率的方式随机生成的个体，xi，j(g)代表原本的个体值；

最后是选择，其方式是采用贪婪选择的策略，选择较优的个体作为新的个体。操作方法如下：

公式(10)中，xi，j(g+1)代表采用贪婪选择，所选出的新个体。，ui(g+1)代表通过概率的方式挑选出来的个体，xi(g)代表原本的个体值；

然后按照公式(8)至(10)进行迭代更新，直到找出合适的解为止。

实施例3：

本发明主要是在处理多目标调度问题，因此如图3所示。其中系统输入变量有建筑物参数、电梯状态与呼梯信号三类。建筑物参数包含了电梯数量、楼层高度、建筑物楼层数…等。电梯状态参数包含了电梯速度、电梯加速度、加速度变化率、电梯当前所在楼层、电梯当前运行方向、电梯中乘客的数量、电梯的目标楼层…等。呼梯信号包含了呼梯信号的起始楼层、呼梯信号的乘梯方向、呼梯信号的目的楼层…等。在计算目标函数时，可加入限制条件，诸如：长候梯时间(60sec)、长时乘梯时间(90sec)…等。以下兹以电梯群控系统中使用的组合目标函数为例进行说明：

式(6)中的f为综合评价函数，i＝1，2，3，…，n，n为电梯总部数。其中fi为各组合目标函数，组合目标函数f1、f2、f3、f4、f5分别为平均候梯时间、平均乘梯时间、长时间候梯率、轿厢拥挤度与系统能耗。ωi为比重系数，且

其中：

平均候梯时间(f1)：为「轿厢到达乘客所在层的运行时间」与「轿厢在运行过程中停靠的时间」两者之合。「轿厢在运行过程中停靠的时间」为「轿箱平均开门时间」、「乘客进出轿箱平均时间」与「轿箱平均关门时间」三者之合，之后再乘以轿厢到达乘客所在楼层所停靠的次数。

平均乘梯时间(f2)：为「轿厢到达目的层的运行时间」与「轿厢在运行过程中停靠的时间」两者之合。由于无法立即得知乘客的目的层，因此采用抽样方法来估算乘客的目的楼层，对乘梯时间做粗略预测。诸如：蒙特卡罗(montecarlo)、均匀分布、重要性抽样…等。

长时候梯率(f3)：在响应呼梯信号的总次数中，候梯时间超过一定时间(一般设为60秒)的次数，所占的比例。

轿厢拥挤度(f4)：采用两种方式计算，第一种是采用轿箱内乘客数量，亦即电梯内实际乘客数量对于电梯的额定载客数量的占比。第二种是采用轿箱内乘客重量，亦即电梯内实际乘客重量对于电梯的额定载客重量的占比。

系统能耗(f5)：为到达乘客所在楼层的过程中启动和停止电梯的次数之和。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内。