一种基于客流预测的机场航站楼室温大滞后预测控制方法

1.本发明涉及机场航站楼环境控制系统智能控制技术领域，尤其涉及一种基于客流预测的机场航站楼室温大滞后预测控制方法。


背景技术：

2.机场航站楼作为重要的城市交通枢纽，对城市的可持续发展和城镇化建设具有重要的战略意义。由于服务系统功能多、人员流动规模大、全年运行时间长等特点，航站楼成为了能源消耗的重要场所，其平均能耗强度是普通公共建筑的2.9倍，是城镇住宅建筑的8.0倍，属于典型的高能耗高排放建筑(doi:10.1016/j.buildenv.2019.03.011；doi:10.1016/j.scs.2021.103619；doi:10.1016/j.enbenv.2022.06.006；doi:10.1016/j.buildenv.2018.02.009)。而作为能源消耗的重要设备，暖通空调系统占据了整个航站楼能耗的40％～80％，实施高效节能的环境控制策略成为了机场航站楼绿色低碳发展的迫切需求。由于空间结构连贯、系统规模庞大、人员流动剧烈，机场航站楼室内环境影响因素多、滞后效应强，难以使用传统机理建模方法表征其动态变化规律。而根据现有研究结果，航站楼暖通空调系统能耗中新风、照明和设备负荷均与人员行为密切相关。(doi:10.1016/j.buildenv.2019.03.011；doi:10.1016/j.scs.2021.103619；doi:10.1016/j.buildenv.2018.02.009)。2018年，清华大学刘晓华利用实际客流密度估算航站楼冷负荷指标，并指出其实际冷负荷仅为设计值的31％。2022年，北京建筑设计院谷现良利用划分区域中估算的客流密度对大兴机场航站楼能耗进行了模拟，并表示模拟值比设计值小11.3％。但由于航站楼客流分布预测的难度大，上述研究仅将航站楼某区域或整体的客流密度引入了能耗评价阶段，证明了旅客流量有助于航站楼节能运行，并未将客流分布预测真正引入航站楼环境控制系统，挖掘航站楼客流与其室内环境的关联关系。因此，必须从控制理论和技术方案上独辟蹊径，采用机器学习智能预测方法，预测机场航站楼旅客流量，进一步实现航站楼室内环境参数预测，为暖通空调系统控制提供参考依据，是解决航站楼超大空间环境控制的有效手段。


技术实现要素：

3.针对航站楼室内温度非线性、大滞后、随机性和分布性造成的航站楼暖通空调系统调控复杂的问题，本发明采用统计分析理论与机器学习方法，提供一种促进了航站楼环境控制系统节能智慧运行的基于客流预测的机场航站楼室温大滞后预测控制方法。本发明主要通过卡方分布建立航站楼旅客抵港概率模型，实现航站楼旅客时空分布预测，利用长短期记忆循环神经网络建立航站楼室内环境参数预测模型，最后采用模型预测控制方法实现航站楼暖通空调系统智能控制。以最小的能源消耗营造适宜的室内环境是暖通空调系统控制的重要目标，而室内温度是表征航站楼室内环境舒适程度和影响暖通空调系统能耗的关键指标。本发明促进了航站楼环境控制系统节能智慧运行，为机场航站楼友好便捷、绿色低碳和智能高效发展提供了重要技术支撑。
4.本发明的技术方案：
5.一种基于客流预测的机场航站楼室温大滞后预测控制方法，步骤如下：
6.s1、机场航站楼旅客时空分布预测：基于卡方分布，建立机场航站楼旅客抵港概率模型，并运用流体动力学思想，实现航站楼旅客流线的客流时空分布预测，具体步骤如下：
7.s1.1、航站楼旅客抵港概率卡方分布模型
8.提取航班信息与旅客安检信息，旅客最早与最晚抵港时间分别表示为t
ea
和t
la
；采样间隔设为ε，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；引入变换因子，采用卡方分布拟合旅客抵港概率；
[0009][0010]
其中，f(t)表示旅客抵港百分比；γ(
·
)表示伽马函数；t表示旅客抵港时间；t
sd
、t
ea
和t
la
分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；
[0011]
s1.2、航站楼旅客时空分布预测模型
[0012]
运用流体动力学思想，基于航站楼旅客抵港概率卡方分布模型，建立航站楼旅客流线的客流时空分布预测模型；设定旅客时空分布预测范围为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；
[0013][0014][0015]
其中，zj表示第j个空间单元的编号；g
f,i
表示航班i的登机口编号；表示t时刻第j个空间单元的旅客数量；c
f,i
表示航班i的载客量；l
in,j
和l
out,j
表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t
sb
和t
eb
表示开始登机时间和截止登机时间；
[0016]
如果航班i的登机口g
f,i
在空间单元zj中，则旅客进入空间单元直至登机离开；如果航班i的登机口g
f,i
不在空间单元zj中，则旅客仅穿过空间单元；航班的开始登机时间t
sb
可能早于旅客最晚抵港时间t
la
。
[0017]
s1.3、旅客时空分布预测模型辨识与校准
[0018]
旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t
sb
和截止登机时间t
eb
四项未知参数，需进行模型辨识与校准；定义旅客时空分布预测模型评价指标，包括均方根误差rmse、平均绝对误差mape和相关指数r2；监测航站楼实际旅客流量，采用粒子群优化算法，求解模型未知参数；
[0019][0020][0021][0022][0023][0024]
其中，和分别代表在第τ次迭代中第α个粒子的位置和速度；和gbest
τ
表示第τ次迭代中的个体最优值和全局最优值；a1和a2为学习因子；r1和r2为0～1之间的随机数；w为惯性权重；y
t
和分别表示航站楼实际旅客流量实时值和平均值；err表示航站楼实际旅客流量与模型预测值的误差向量；n表示样本数量；
[0025]
s2、机场航站楼室温大滞后预测：基于长短期记忆神经网络和旅客时空分布预测结果，建立机场航站楼室温大滞后预测模型，具体步骤如下：
[0026]
s2.1、航站楼室温滞后致因分析
[0027]
采用传递熵分析方法，评估各影响因素与航站楼室温的关联程度，为合理选择室温神经网络预测模型的输入参数提供保障；
[0028]
te(x
→
y)＝mi(x-；y
+
|y-)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0029]
mi(x-；y
+
|y-)＝h(x-,y-)+h(y
+
,y-)-h(y-)-h(y
+
,x-,y-)
ꢀꢀꢀꢀꢀꢀ
(10)
[0030][0031]
x＝[x1,
…
xi,
…
xn]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0032]
其中，te、mi、mi(:；:|:)和h分别表示传递熵、互信息、条件互信息和信息熵；x和y表示系统输入变量和输出变量；y
+
表示输出变量y的未来结果；x-和y-表示输入变量x和输出变量y的过去观测值；
[0033]
传递熵越大表明影响因素与预测变量之间的信息传递越充分、关联程度越紧密；
[0034]
s2.2、航站楼室温神经网络预测模型
[0035]
基于室温滞后致因，利用长短期记忆网络，建立航站楼室温大滞后预测模型；长短期记忆网络是一种循环神经网络的变体，由遗忘门、输入门和输出门组成，其门控机制可控制信息的保留或丢弃，因而具有其长期记忆能力；
[0036]
γ
f,t
＝σ(wfh
t-1
+ufx
i,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0037]
γ
i,t
＝σ(w
iht-1
+uix
i,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0038]
γ
o,t
＝σ(w
oht-1
+uox
i,t
)
[0039][0040]
[0041]ht
＝γ
o,t
⊙
tanh(c
t
)
[0042]yo,t
＝g(w
pht
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0043]
err
t
＝t
t-y
o,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0044]
其中，γ
f,t
、γ
i,t
和γ
o,t
分别表示遗忘门、输入门和输出门的输出；c
t
和h
t
分别表示候选细胞状态、细胞状态和隐含状态；x
i,t
、y
o,t
、t
t
和err
t
分别表示循环单元的输入参数、输出参数、目标参数和误差向量；wf、wi、wc、wo、uf、ui、uc、uo和w
p
分别表示遗忘门、输入门、输出门和输出单元的权值矩阵；σ(
·
)和g(
·
)分别表示sigmoid和线性激活函数；
⊙
表示hadamard乘积；
[0045]
s3、机场航站楼室温模型预测控制：基于模型预测控制理论和室温大滞后预测结果，建立机场航站楼暖通空调系统模型预测理论，具体步骤如下：
[0046]
s3.1、航站楼室温预测控制代价函数
[0047]
室温预测控制代价函数可定义为追踪误差与控制作用的权重和，一方面使室温预测值接近其设定值，另一方面保证输入变量波动幅度尽量小；
[0048]
fit(τ)＝||q(y
set,t-y
o,t
)||2+||rx
i,t
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0049]
其中，y
set,t
为输出设定值；q和r分别表示追踪误差权重和控制作用权重；
[0050]
s3.2、航站楼室温预测控制在线优化
[0051]
采取粒子群优化算法，以代价函数最小为优化目标，求解暖通空调系统最佳控制序列。
[0052]
该方法也适用于火车站、高铁站、汽车站等交通枢纽的室内温度预测控制。
[0053]
与现有技术相比，该发明的有益效果：提供了一种与航班与旅客信息相关联的航站楼室内温度预测控制方法，通过航班动态信息预测航站楼旅客流量，并将其作为输入参数用于航站楼室温预测，进而实现航站楼暖通空调系统的节能控制，为机场航站楼友好便捷、绿色低碳和智能高效发展提供了重要技术支撑。
附图说明
[0054]
图1为基于客流预测的航站楼室温大滞后预测控制方法框架图。
[0055]
图2为基于客流预测的航站楼室温大滞后预测控制逻辑图。
[0056]
图3为基于客流预测的航站楼室温大滞后预测控制方法流程图。
[0057]
图4为机场航站楼旅客抵港概率卡方分布模型图。
[0058]
图5为机场航站楼室温滞后致因分析原理图。
[0059]
图6为机场航站楼室温大滞后预测模型原理图。
[0060]
图7为机场航站楼暖通空调系统预测控制原理图。
具体实施方式
[0061]
以下结合发明内容和说明书附图与公式详细描述本发明的具体实施方式。
[0062]
参照图1-3，本发明是一种基于客流预测的机场航站楼室温大滞后预测控制方法，以广州市某机场航站楼室温大滞后预测控制为例，具体步骤如下：
[0063]
s1、机场航站楼旅客时空分布预测：参照图3，基于卡方分布，建立机场航站楼旅客抵港概率模型，并运用流体动力学思想，实现航站楼旅客流线的客流时空分布预测，具体步
骤如下：
[0064]
s1.1、航站楼旅客抵港概率卡方分布模型
[0065]
机场航站楼旅客流量与航班班次时刻密切相关，具有显著的计划性和预知性；参照图4，通过提取航班信息与旅客安检信息，设置旅客最早与最晚抵港时间分别为航班预计起飞时间前的400分钟与20分钟，即t
sd-t
ea
＝400min，t
sd-t
la
＝20min；采样间隔ε设为5分钟，统计各航班旅客安检人数，分析航站楼旅客抵港概率与航班班次的关联关系；采用卡方分布概率密度函数，建立航站楼旅客抵港概率模型；
[0066][0067]
其中，f(t)表示旅客抵港百分比；γ(
·
)表示伽马函数；t表示旅客抵港时间；t
ea
和t
la
分别表示旅客最早和最晚抵港时间；d为自由度；s为变换因子；
[0068]
广州市某机场航站楼卡方分布模型自由度d和变换因子s辨识结果分别为7和0.0974；
[0069]
s1.2、航站楼旅客时空分布预测模型
[0070]
运用流体动力学思想，基于航站楼旅客抵港概率卡方分布模型，建立航站楼旅客流线的客流时空分布预测模型；设定旅客时空分布预测范围为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；
[0071][0072][0073]
其中，zj表示第j个空间单元的编号；g
f,i
表示航班i的登机口编号；表示t时刻第j个空间单元的旅客数量；c
f,i
表示航班i的载客量；l
in,j
和l
out,j
表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t
sb
和t
eb
表示开始登机时间和截止登机时间；
[0074]
如果航班i的登机口g
f,i
在空间单元zj中，则旅客进入空间单元直至登机离开；如果航班i的登机口g
f,i
不在空间单元zj中，则旅客仅穿过空间单元；航班的开始登机时间t
sb
可能早于旅客最晚抵港时间t
la
，因此旅客登机概率分布不可简化为g(t)＝1/(t
eb-t
sb
)；
[0075]
s1.3、旅客时空分布预测模型辨识与校准
[0076]
旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t
sb
和截止登机时间t
eb
四项未知参数，需进行模型辨识与校准；定义旅客时空分布预测模型评价指标，包括均方根误差rmse、平均绝对误差mape和相关指数r2；监测航站楼实际旅客流量，采用粒子群优化算法，求解模型未知参数；
[0077][0078][0079][0080][0081][0082]
其中，和代表在第τ次迭代中第α个粒子的位置和速度；和gbest
τ
表示第τ次迭代中的个体最优值和全局最优值；a1和a2为学习因子，可取2；r1和r2为0～1之间的随机数；w为惯性权重；y
t
和分别表示航站楼实际旅客流量实时值和平均值；err表示航站楼实际旅客流量与模型预测值的误差向量；n表示样本数量；
[0083]
广州市某机场航站楼采用wi-fi室内定位技术校准旅客时空分布预测模型假设参数，旅客出勤率p为0.84、旅客平均步速v为1.21m/s、旅客开始登机时间t
sb
和截止登机时间t
eb
分别为航班起飞前42分钟和23分钟；
[0084]
s2、机场航站楼室温大滞后预测：参照图3，基于长短期记忆神经网络和旅客时空分布预测结果，建立机场航站楼室温大滞后预测模型，具体步骤如下：
[0085]
s2.1、航站楼室温滞后致因分析
[0086]
参照图5，由于航站楼围护结构通透、人员流动剧烈、系统规模庞大，导致航站楼室温滞后的因素众多；采用传递熵分析方法，评估各影响因素与航站楼室温的关联程度，为合理选择室温神经网络预测模型的输入参数提供保障；
[0087]
te(x
→
y)＝mi(x-；y
+
|y-)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0088]
mi(x-；y
+
|y-)＝h(x-,y-)+h(y
+
,y-)-h(y-)-h(y
+
,x-,y-)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0089][0090]
x＝[x1,
…
xi,
…
xn]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0091]
其中，te、mi、mi(:；:|:)和h分别表示传递熵、互信息、条件互信息和信息熵；x和y表示系统输入变量和输出变量；y
+
表示输出变量y的未来结果；x-和y-表示输入变量x和输出变量y的过去观测值；
[0092]
传递熵越大表明影响因素与预测变量之间的信息传递越充分、关联程度越紧密；广州市某机场航站楼室温滞后致因为旅客流量、室外温度、太阳辐射强度、空调系统送风温度、空调系统送风量；
[0093]
s2.2、航站楼室温神经网络预测模型
[0094]
参照图6，基于室温滞后致因，利用长短期记忆网络，建立航站楼室温大滞后预测模型；长短期记忆网络是一种循环神经网络的变体，由遗忘门、输入门和输出门组成，其门控机制可控制信息的保留或丢弃，因而具有其长期记忆能力；
[0095]
γ
f,t
＝σ(wfh
t-1
+ufx
i,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)
[0096]
γ
i,t
＝σ(w
iht-1
+uix
i,t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0097]
γ
o,t
＝σ(w
oht-1
+uox
i,t
)
[0098][0099][0100]ht
＝γ
o,t
⊙
tanh(c
t
)
[0101]yo,t
＝g(w
pht
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0102]
err
t
＝t
t-y
o,t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0103]
其中，γ
f,t
、γ
i,t
和γ
o,t
分别表示遗忘门、输入门和输出门的输出；c
t
和h
t
分别表示候选细胞状态、细胞状态和隐含状态；x
i,t
、y
o,t
、t
t
和err
t
分别表示循环单元的输入参数、输出参数、目标参数和误差向量；wf、wi、wc、wo、uf、ui、uc、uo和w
p
分别表示遗忘门、输入门、输出门和输出单元的权值矩阵；σ(
·
)和g(
·
)分别表示sigmoid和线性激活函数；
⊙
表示hadamard乘积；
[0104]
广州市某机场航站楼室温预测结果的均方根误差小于0.5℃，满足中央空调系统预测控制要求；
[0105]
s3、机场航站楼室温模型预测控制：参照图3，基于模型预测控制理论和室温大滞后预测结果，建立机场航站楼中央空调系统模型预测理论，具体步骤如下：
[0106]
s3.1、航站楼室温预测控制代价函数
[0107]
由于可处理时变、非线性、约束优化问题，模型预测控制已在暖通空调领域被广泛应用。室温预测控制代价函数可定义为追踪误差与控制作用的权重和，一方面使室温预测值接近其设定值，另一方面保证输入变量波动幅度尽量小；
[0108]
fit(τ)＝||q(y
set,t-y
o,t
)||2+||rx
i,t
||2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0109]
其中，y
set,t
为输出设定值；q和r分别表示追踪误差权重和控制作用权重；
[0110]
广州市某机场航站楼室温模型预测控制的输入变量为中央空调系统送风量；
[0111]
s3.2、航站楼室温预测控制在线优化
[0112]
参照图7，模型预测控制是一种滚动优化控制策略，在线优化是保证室温预测控制效果的关键环节；同样采取粒子群优化算法，以代价函数最小为优化目标，求解出的中央空调系统送风量可使广州市某机场航站楼室温变化范围维持在其设定值
±
0.5℃以内。