电梯混合能源节能系统的集成控制研究

Research on the Integrated Control of the Elevator Hybrid Energy－saving System

林　尧1，2　刘艳斌1　陈泰潮2(福州大学机械工程及自动化学院1，福建福州　350108;福建省特种设备检验研究院2，福建福州　350008)



电梯混合能源节能系统的集成控制研究

第一作者林尧(1971－)，男，现为福州大学机械工程及自动化学院在读博士研究生，高级工程师;主要研究方向为电梯及起重设备的故障诊断、检验方法等。

0　引言

电梯在给人们的生活带来便利的同时，其逐年增加的巨大能耗引起了建筑界和节能领域的关注［1］。据清华大学建筑节能研究中心的统计数据，电梯的能耗一般占整个建筑总能耗的5%～15%。与大多数单纯依靠电能、热能等单一能源作为唯一动力源的设备一样，传统电梯主要依靠电网供电运行。电梯又因其独特的工作特性，在大部分工作时间内并未运行在最佳能效模式下，造成自身再生能量的浪费［2］。为了减少电梯再生能量的浪费及其对公共电网的依赖，本文提出了一种基于电网、太阳能、蓄电池、超级电容器、回馈能量等混合能源管理的电梯集成控制节能系统模型和控制策略，运用模糊神经网络预测控制策略，实现混合能源的合理自动调配和综合利用，达到电梯节能降耗的目的。

1　建立电梯混合能源节能系统集成控制模型

目前电梯的节能主要有以下3种方式。一是通过改变电梯的拖动方式，提高电梯的拖动效率，如将三相异步电机齿轮传动改为永磁同步电机无齿轮传动，但这种方法成本较高，需要改变电梯的控制系统［3］。二是再生能量的回馈电网，但是直接回馈至电网的再生能量含有谐波，会污染电网，造成电网波动［4］。三是仅用超级电容实现再生能量的再利用，此种方法成本较高，且超级电容能量密度小，不适合存储电梯产生的稳态能量［5－6］。这三种节能方式除存在上述不足之外，电梯节能技术还需考虑以下两个方面的问题。一是电梯实际有效率和能量损耗，即使将电梯发电的回馈能量全部存储再利用，也无法满足电动状态所需的能量。二是如何合理控制电梯再生能量的输出与电梯能量需求在时间上的匹配、流动，解决电梯在实际运行时存在能量供给和能源消耗不平衡问题。

电梯作为现代垂直交通工具，其载荷流(乘坐人员的变化)类似于交通系统中的交通流。如何实时准确地对电梯载荷流进行预测，是电梯节能研究的核心问题。即如何有效地利用实时载荷数据信息去预测未来某一时刻的电梯载荷状况［7］，从而控制混合能源管理系统内部各能量之间的开关，实现能量的自动调配与综合利用，最大程度减少公共电网的支出。为此，在充分利用电梯自身再生能量和绿色能源的基础上，设计了一种基于电网、太阳能、蓄电池、超级电容器、回馈能量等混合能源管理的电梯集成控制节能系统，其控制模型原理图如图1所示。

图1　基于混合能源电梯集成控制节能系统原理图Fig.1　Principle of the elevator integrated control energy－saving system based on hybrid energy

通过对电梯载荷流特性分析研究，依据电梯载荷流变化情况，以及电网、太阳能、蓄电池、超级电容和回馈能量等各种能量的存储状态，运用基于混沌系统的模糊神经网络预测控制策略，对混合能源管理系统中电网、太阳能、蓄电池、超级电容器和回馈能量间的DC/DC控制模块开关变量参数进行预测控制。该方法实现了电网、太阳能、蓄电池、超级电容和回馈能量等混合能量之间合理自动调配和综合利用，从而实现电梯最大程度的节能。

2　模糊神经网络预测控制系统模型

电梯作为一个多变量、强耦合的非线性系统，其运行负载与电梯垂直运动具有无规则及不确定性。因此，电梯可认为是一种混沌系统。近年来，模糊神经网络在智能控制、模糊决策、专家系统、模式识别等领域发挥了重要作用，其理论、模型、算法和应用技术一直是这些领域的重要研究课题［8］。能量控制流程图如图2所示。

图2　电梯混沌系统的能量控制流程图Fig.2 Energy control flowchart of elevator hybrid energy management system

根据电梯混合能源管理系统集成控制的特点，应建立一种预测控制系统模型［9］，对系统的运行情况进行预测，便于分析系统的目标动态变化。结合模糊神经网络在混沌系统智能控制方面的优点，本文建立了基于模糊神经网络的电梯混沌系统预测控制模型。

对图2中的模糊处理及神经网络模块，采用神经网络来实现0阶Takagi－Sugeno模糊系统，使得该系统具有自适应学习能力。为此，构建一个具有6个输入变量以及4个输出变量。输入变量x = (x1，x2，x3，x4，x5，x6)，各变量分别为电梯运行时刻、电梯所需能量、超级电容电量、蓄电池能量、太阳能光伏电量以及电网获取的能量。输出变量y = (α，β，γ，δ)，各变量分别为超级电容与蓄电池的DC/DC控制开关变量α、超级电容与变频器的DC/DC控制开关变量β、太阳能与蓄电池的DC/ DC控制开关变量γ以及蓄电池与控制电路的DC/AC控制开关变量δ。4层模糊神经网络拓扑结构如图3所示。

对电梯节能系统各能量模块，采用模糊神经网络进行模拟预测。首先对输入单元进行模糊处理，其次对神经网络中各层神经元之间的连接权值进行初始化，最后根据输入输出对神经网络进行训练。以某写字楼一台曳引式客梯为例，客梯额定载质量为800 kg，10层10站，额定速度为1.0 m/s，提升高度为30 m，平衡系数为45%。模糊神经网络预测控制电梯节能装置中超级电容采用两组并联，每组160个串联的方式，每个超级电容为2.7 V，1 000 F。超级电容整体容量为12.5 F。蓄电池由4个串联而成，每个蓄电池容量为20 V、100 Ah。为了方便分析，设定该写字楼的电梯只停靠底层和顶层两站，中间不停靠，在10楼有50人办公。具体实现过程如下。

(1)训练样本。以早晨7:00为初始值，1 min为时间步长，到晚上20:00为止。本文根据该台电梯每时刻的负载序列，共采集了一个上班周期5天的数据样本，每天分为上班高峰期、上班期间、下班高峰期、下班期间4种工况。表1为某一天上班高峰期的部分样本数据。

表1　上班高峰期工况时的节能系统能量分布Tab.1 Energy distribution of energy－saving system during rush hour conditions

从表1可以看出，在上班高峰期，电梯运行在电动状态的时间远大于发电状态的时间。此时模糊神经网络预测控制系统不断将蓄电池中的能量转移到超级电容中，供电梯使用。

(2)对输入神经元的模糊化处理。第一个输入神经元，是一个时间值，其上下班高峰期为早上7点到8点之间、中午12点到13点之间、下午18点到19点之间，在这些时间段内电梯的使用频率较高;而上午10点和下午16点是电梯使用比较空闲的时刻。如果仅仅采用时间值输入就难以充分挖掘电梯使用频率低、较低、高、较高等信息，最好采用0到1的数值来表示电梯的使用频率，从0到1表示使用频率越来越高。而引用模糊集的概念就能很好地解决这个问题。构建高斯函数隶属关系，对其进行模糊处理。每个特征参数隶属都采用φ(h，m )函数来确定。该函数定义如下:

式(1)中需要将小时转化为分钟，因此k1值为60; c1和c2分别为不同时间段内的中心，电梯的乘客人数在各个时间段内呈高斯分布，其中c1= 10，c2= 16 ; m为某一时间的分钟数;φ(h，m )取值范围为(0，1］，其值越高，说明此时的电梯使用频率越高。电梯的使用繁忙程度与时间的关系如图4所示。比如，在8点左右上班高峰期的某一时刻8: 15，此时h = 8，m = 15;代入公式，可计算得到φ(h，m )值为0.92°，在10点左右某一时刻10:15，此时h =10，m =15;代入公式，计算得到的φ(h，m )值为0.61。

图4　电梯使用的繁忙程度与时间的关系Fig4　Relationship between how busy the elevator in use and time

(3)初始化神经网络权值矩阵。在对神经元进行模糊处理后，构建各个神经元之间的连接权值，组成神经网络权值矩阵，并对神经网络权值矩阵进行初始化。

(4)训练神经网络。本文采用Matlab的神经网络工具箱进行神经网络的构建［10］，将样本输入神经网络进行训练。

图5给出了神经网络预测模型训练过程中误差的变化曲线，从训练结果显示经过有限次数循环训练后都达到了给定的目标精度0.002。

图5　基于trainlm训练的误差变化曲线图Fig.5　Error change curve based on the trainlm training

3　仿真实验与分析

为了验证所训练的模糊神经网络的预测精度，现将一组新的样本作为检测样本。其输入分别为电梯运行时刻、电梯所需能量、超级电容电量、蓄电池能量、太阳能光伏电量以及电网获取的能量，根据6个输入变量预测4个输出变量，其第五天样本部分的数据如表2所示。

对于电梯控制而言，最主要的开关变量为超级电容与蓄电池的DC/DC控制开关变量α和超级电容与变频器的DC/DC控制开关变量β，因此通过神经网络预测得到的两个输出变量与实际得到的数据相对比，分别如图6和图7所示。

通过图6和图7可知，α和β两个开关变量的预测值与实际测量得到的样本值几乎吻合。最终预测结果表明，这种方法能够很好地根据电梯的输入能量对各开关变量的变化进行预测。因此，可认为基于混沌系统的模糊神经网络预测控制模型可靠、预测精度高。

表2　第五天样本部分输入与输出Tab.2 Partial inputs and outputs on the fifth day

图6　开关变量α预测值与样本值比较图Fig.6　Comparison chart of the predicted value of variable α and sample value comparison chart

图7　开关变量β预测值与样本值比较图Fig.7　Comparison chart of the predicted value of variable β and sample value

4　结束语

本文根据能量在系统内部转换的规律和工作模式转换条件，建立了电梯混合能源节能系统集成控制模型，提出了一种基于混沌系统的模糊神经预测控制策略，实现混合能源的合理自动调配和综合利用。同时以电梯上班高峰期工况为例，运用Matlab软件对模糊神经预测控制算法进行仿真。仿真结果表明，该算法跟踪性能优良、预测精度更高、稳定性更好，可应用于电梯混沌系统，能够满足电梯混合能源管理集成控制系统中高精度的控制要求，为电梯提供新的能量。同时，又能在电梯处于发电状态时吸收并存储再生能量供电梯重新使用，以达到提高电梯的整体运行效率、节能降耗的目的。

参考文献

［1］王倩，万莅新.电梯能耗检测系统设计［D］.合肥:中国科学技术大学，2011.

［2］Attainaese C，Nardi V.Virtual testing of high speed elevators using supercapactor recovery system［C］/ / IEEE International Conference on Industrial Technology，2004.

［3］黄娟丽，万杰，李少纲.电梯节能技术综述［J］.能源与环境，2010，1(1):30－31.

［4］张小凤，田联房.电梯能馈系统及其电能质量控制方法研究［D］.广州:华南理工大学，2012.

［5］米运洪，郭健.基于超级电容的电梯节能技术研究与实现［D］.广州:华南理工大学，2012.

［6］Tominaga S，Suga I，Araki H，et al.Development of energysaving elevator using regenerated power storage system［C］/ /Power Conversion Conference，2002 PCC Osaka 2002 Proceedings of the.2002:890－895.

［7］刘静，关伟.交通流预测方法综述［J］.公路交通科技，2004，121(13):82－85.

［8］谭文，王耀南，雷晓峰.用神经网络控制非线性系统的混沌运动［J］.湖南大学学报，2002，29(3):49－52.

［9］刘斌.非线性系统建模及预测控制若干问题研究［D］.杭州:浙江大学，2004.

［10］丛爽.面向MATLAB工具箱的神经网络理论与应用［M］.合肥:中国科学技术大学出版社，2009.

Research on the Integrated Control of the Elevator Hybrid Energy－saving System

林尧1，2刘艳斌1陈泰潮2
(福州大学机械工程及自动化学院1，福建福州350108;福建省特种设备检验研究院2，福建福州350008)

摘要:为了实现电梯最大程度的节能，建立了一种基于电网、太阳能、蓄电池、超级电容器、回馈能量等混合能源管理的电梯集成控制节能系统模型。运用基于混沌系统的模糊神经网络预测控制策略，对节能系统中各能量间的DC/DC控制模块开关变量参数进行预测控制，实现混合能源的合理自动调配和综合利用。在典型工况下，运用Matlab软件对模糊神经预测控制算法进行仿真。仿真结果表明，该控制策略能够满足电梯混合能源节能系统集成控制要求，达到节能降耗的目的。

关键词:混合能源电梯节能系统集成控制模糊神经网络预测控制Matlab

Abstract:In order to realize the greatest degree of energy saving for elevators，the model of elevator integrated control energy saving system is established based on hybrid energy management，including power grid，solar energy，storage battery，super capacitor and feedback energy，etc.By using fuzzy neural network predictive control strategy based on chaotic system，the predictive control for discrete variable parameters of DC/DC control modules of various energies in energy saving system is conducted，to implement reasonable automatic allocation and comprehensive utilization.The results of simulation show that this control strategy satisfies the requirements of elevator hybrid energy integrated control systems，reaches the purpose of energy saving and reducing energy consumption.

Keywords:Hybrid energy Elevator energy－saving systemIntegrated control Fuzzy neural network Predictive control Matlab

中图分类号:TH211; TP2

文献标志码:A

DOI:10.16086/j.cnki.issn1000－0380.201603022

修改稿收到日期:2015－05－26。