基于模糊神经网络的电梯群控算法研究

王清霞　金　曦（.大连市技师学院，汽车工程系，辽宁 大连 6000；.大连市无线电监测站，辽宁 大连 6000）

基于模糊神经网络的电梯群控算法研究

王清霞1金曦2
（1.大连市技师学院，汽车工程系，辽宁 大连 116000；2.大连市无线电监测站，辽宁 大连 116000）

本文对常见的电梯智能群控算法进行了分析比较，重点研究了模糊神经网络算法。本文首先对大厦客流的特征进行长期统计分析，进而对电梯群交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别。根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。

电梯群控；模糊神经网络；交通模式；派梯算法

1 概述

随着人类社会的不断发展进步，高层建筑的数量逐渐成为城市发展繁荣的标志之一，而电梯是高层建筑中不可或缺的组成部分，因此电梯技术也随之得到了飞速发展。电梯在控制技术方面逐步从一部电梯发展为多部电梯的集中控制。这样将多部电梯集中起来并统一进行协调和优化的调度系统，就是电梯群控系统（EGCS）。在电梯群控系统中，智能算法是整个系统的核心，目前常见的算法主要有：专家系统、模糊控制、遗传算法、人工神经网络和模糊神经网络等。本文采用的是模糊神经网络算法。本文首先分析大厦客流，对电梯群的交通模式进行分类，利用模糊神经网络对电梯群的交通模式进行了识别，根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算，选取可信度最大的电梯响应呼梯信号，最终完成派梯。

图1为电梯群控系统从呼梯信号产生到完成派梯的系统框图。

2 交通模式的分类与识别

2.1 交通模式的分类

建筑的功能不同，其乘坐电梯的人群也不同，因此往往具有不同的交通客流，每一栋大厦都有自己独特的交通客流特征。以一栋办公高层写字楼为例，一天之中交通客流会随着时间的变化而变化。由于上班人群具有严格的作息规律，因此交通客流变化也有一定规律可循。对于大楼而言，交通客流主要分为三类：进入客流、层间客流和离开客流。进入客流，乘客由一楼大厅或地下停车场进入大楼，乘坐电梯前往各自的目的楼层；层间客流，乘客在自己所在的楼层乘坐电梯前往其它楼层；离开客流，乘客从自己所在楼层前往一楼大厅或地下停车场，离开大楼。

在电梯运行过程中，交通客流是不断变化的，只有通过交通客流的变化，确定当前电梯交通模式，才能采用合适的调度算法。本文以高层办公大楼为研究目标，根据固定时间段内交通客流变化，将电梯交通模式分为6类：上行高峰交通模式、下行高峰交通模式、空闲交通模式、中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式。

2.2 模糊神经网络

将交通模式分类后，接下来需要识别电梯群当前的交通模式，本文采用模糊神经网络来进行识别。模糊神经网络是将模糊理论和人工神经网络取长补短的融合应用，可以实现复杂信息处理和控制的智能算法。将模糊逻辑和人工神经网络结合起来，人工神经网络可以进行逻辑运算从而能够对模糊变量和模糊规则，充分发挥各自优势。模糊神经网络的结构是根据输入输出变量个数及其模糊子集数、模糊规则数等决定的，权值的赋值也跟模糊变量有关，因此可以充分的利用现有专家经验建立模糊子集和规则库，根据实际需要确定网络结构。

模糊神经网络的网络结构构建规则与人工神经网络不同，人工神经网络对中间隐含层数量可以根据需要进行设置，而模糊神经网络结构中层数是固定的，分别为输入层、模糊化层、规则层、综合层、输出层。

（1）输入层：输入层是模糊神经网络拓扑结构的第一层，输入变量通过该层的节点输入到整个网络中。因此在输入层的每一个节点都代表着一个输入变量。每个神经元即节点，把输入变量输入到第二层。神经元的数量等于输入变量的个数。

（2）模糊化层：模糊化层也叫输入语言变量层。每个输入变量都要实现定义好各自模糊子集，通过这一层计算全部模糊子集的隶属度函数。该层的神经元数量是由上一层的节点数和各输入变量的模糊子集数量决定的。

（3）规则层：该层节点为规则节点，代表逻辑规则。每个节点具有“与”的逻辑运算功能。该层全部节点形成一个if-than规则库。

（4）综合层：该层的神经元个数等于输出变量的所有模糊子集个数。该层节点执行模糊“或”运算，用来合成具有同样结果的规则。

图1 电梯群控系统框图

（5）输出层：该层又叫做反模糊化层。这一层的网络结构是由输出变量的个数决定的。

2.3 交通模式识别

本文以高层写字楼为例，统计全时间段大厦内乘坐电梯的客流数据，总结特点，提取有效的特征值。以10分钟为一个单位时间段，特征值有：单位时间内总客流量、进入客流量、离开客流量、客流最大中间楼层、客流次大中间楼层。其中进入客流量为从一楼大厅和地下停车场进入电梯的乘客数量。根据上述五个特征值，对之前已经分为五类的交通模式进行识别。五类交通模式中，单中间层繁忙模式和双中间层繁忙模式本质上属于中间层繁忙模式，但根据实际可能发生的交通客流变化情况，本文将这两种交通模式单独细化出来，作为中间层繁忙模式的特例，便于电梯群控调度的优化处理。因此在识别过程中应该分为两个步骤来识别，首先识别上行高峰交通模式、下行高峰交通模式、空闲交通模式和中间层繁忙模式。然后再针对一般中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式进行识别。如果第一步确认不属于中间层繁忙模式或中间层交通客流较小，则不需要进行第二个步骤进行细化识别。

将单位时间内总客流量、进入客流量和离开客流量作为输入变量，在输入网络之前要先分别除以单位时间段内总客流量最大值进行归一化处理，归一化之后，输入变量均属于[0，1]。模糊神经网络输出变量是各交通模式所占的比例，比例最大的交通模式为当前电梯群所处的交通模式。首先计算上行高峰交通模式、下行高峰交通模式、空闲交通模式和中间层繁忙模式所占比例，如果中间层繁忙模式所占比例较大，那么需要继续比较一般中间层繁忙模式、单中间层繁忙模式和双中间层繁忙模式所占的比例，最终确定所占比例最大的交通模式，那么就判定该交通模式为电梯群当前处于的交通模式。

模糊神经网络在模式识别之前需要进行训练，训练成功之后才能进行识别，确保误差在可以接受的范围之内。训练用输入数据因为需要进行归一化处理，输入值同样只能在[0，1]区间，因此将输入样本间隔取值0.2。将第一步骤输入变量和输出变量的模糊子集个数定义为6个，代表含义分别为极大、很大、较大、较小、很小、极小。第二步骤输入输出变量模糊子集个数定义为4个，代表含义分别为很大、较大、较小、很小。因此可以确定两个步骤各自的网络结构，即各层的节点数量。模糊子集个数定义过多或过小，都将影响网络的误差和效率。根据之前介绍过的学习方法对网络进行训练，其中模糊规则抽取阈值为β0=0.05。第一步骤中的网络结构为：第一层3个节点，第二层18个节点，第三层216个节点，第四层24个节点，第五层4个节点。第二步骤中的网络结构为：第一层2个节点，第二层8个节点，第三层16个节点，第四层12个节点，第五层3个节点。

3 电梯群控系统派梯算法

电梯群控的派梯算法是一个多目标的优化算法，需要综合考虑到全部人群平均等待时长、全部人群在电梯内运行平均时效、人群久待时间所占比例和电梯群总体能耗等因素。本文针对不同交通客流模式，分别进行优化派梯算法研究。

电梯群控系统需要同时控制多部电梯响应多个不同的呼梯信号，所以一般的数学模型无法做到，这里将继续采用模糊神经网络来实现多目标优化。这电梯性能的多个指标中，最重要的是乘客平均等候电梯时间AWT、乘客平均乘坐电梯时间ART和能耗RNC这三个指标。

本文采用系数加权法来确定AWT、ART、RNC三个变量的权值。根据各实际情况对应的系数，计算AWT、ART、RNC的权值，再根据加权公式的得到最终的结果。电梯群处于繁忙的工作状态时，往往是大量集中客流导致的，此时重点加权的参数应该是人群的平均等候电梯时间，同时也要使人群乘坐电梯时间不能过长，在这种情况下能耗的因素可以基本忽略。所以平均等候电梯时间的权值最大，平均乘梯时间次之，能耗的权值最小。

电梯处于中间层繁忙客流模式时，大厦内各楼层的各类客流量比较平均，且客流量较小。因此需要综合考虑等候电梯时间、乘梯时间和能耗，三者重要性差距较小，所以三个权值应该接近，权值确定为3=[0.35 0.35 0.3]。

电梯为空闲交通模式时，此状态下的乘客很少，综合考虑三个因素后，应该以降低能耗为首要因素，平均等候电梯时间和平均乘坐电梯时间均为次要因素，因此将权值确定为4=[0.25 0.25 0.5]。

电梯处于单层或是双层中间层繁忙流模式时，由此前的交通模式分析可知，处于这种模式时人群乘坐电梯主要集中在大厦内某一中间楼层或任意两个中间楼层（可以不相邻），但繁忙状态不会理论上大于上下高峰客流。那么此时重点加权的参数是人群平均等候电梯时间和人群平均乘坐电梯的时间，最后加权的参数是能耗因素。因此确定单中间层繁忙模式的权值为5=[0.4 0.4 0.2]，双中间层繁忙模式的权值为6=[0.4 0.4 0.2]。

上述已经确定好的权值，也可以根据实际情况，通过统计数据结果或专家经验作为参考进行修正。上行高峰交通客流模式、中间层繁忙客流模式、下行高峰交通客流模式、单中间层繁忙模式、双中间层繁忙模式和空闲交通客流模式。所占的交通比例分别为P1、P2、P3、P4、P5、P6，并且有P1+P2+P3+P4+P5+P6=1。则最终计算出AWT、ART、RNC的权值如下式：

产生一个叫梯信号后，系统将会立即通过HCWT、maxHCWT、CV和GD这四个参数来计算出每台电梯的乘客平均等候电梯时间AWT、乘客平均乘坐电梯时间ART和能耗RNC指标。HCWT为呼梯信号产生到响应电梯到达该层的运行时间和等待时间，其中运行时间包括启动加速、匀速和减速至停止的时间；等待时间包括打开电梯门、乘客进入、关闭电梯门的时间。maxHCWT为某台电梯响应的所有呼梯信号中的最大等待时间，包括已经响应的和新分配给它的所有呼梯信号。CV表示响应未来呼梯信号的能力。计算公式为：CV=1-（P1+P2）/P0，其中P1为当前电梯内人数，P2为已经响应但未处理的乘客人数，P0为电梯额度载客数量。GD为新产生的呼梯信号楼层与电梯所响应的所有信号楼层之间的最短距离。该距离需要考虑到电梯运行方向。为了简化计算，该距离以楼层为单位。

图2 交通模式识别中的模糊神经网络结构图

建立模糊神经网络模型，输入变量为HCWT、maxHCWT、CV和GD，输出变量为AWT、ART、RNC这三项的可信度。根据不同的交通模式，调整三项可信度的权值，计算出最终的可信度。通过比较各电梯响应该呼梯信号的可信度，选取可信度最大的电梯来完成派梯。

结语

本文以某一30层大厦的电梯群为例进行仿真，该大厦有电梯6部，每部电梯额定载人15人。首先根据客流特征值识别当前电梯群所处的交通模式，然后根据当前交通模式计算AWT、ART和RNC的权值，并通过HCWT、maxHCWT、CV 和GD这四个参数来计算出AWT、ART、RNC这三项的可信度，根据交通模式计算出最终可信度。通过比较这6部电梯最终可信度大小，选取可信度最大的电梯进行派梯。本文利用MATLAB软件进行了仿真实验，取得了较好的实验效果。如何对各加权系统进行合理调整，使算法更加优化是值得继续深入研究的方向。

[1] 郭建龙.基于模糊神经网络的电梯群控系统的研究[D].东北大学，2013.

[2] 张绍谦.模糊神经网络在电梯群控系统中的应用研究[D].东北大学，2009.

[3] 李向莉.基于模糊神经网络的电梯群控系统调度方法研究[D].苏州大学，2006.

[4] 唐海燕.基于模糊神经网络的电梯群优化控制研究[D].哈尔滨工业大学，2006.

[5] 鲍海.基于模糊神经网络的电梯群控系统交通模式识别和多目标优化群控算法研究[D].同济大学，2007.

TP183

A