基于深度神经网络的高铁站空调系统智能控制策略

李 莎，姚富宏，涂家祺，王胜男

基于深度神经网络的高铁站空调系统智能控制策略

李 莎1，姚富宏2，涂家祺1，王胜男2

（1. 西南交通大学，经济管理学院，成都 610031；2. 中铁二院工程集团有限责任公司，建筑研究设计院，成都 610031）

高铁站是公共设施中高能源消耗的大型半封闭建筑。针对高铁站如何在满足乘客舒适度的同时，尽可能降低空调能耗这一问题，本文设计了一种基于深度神经网络算法的空调控制策略。首先，设计了基于Energy Plus平台的仿真模型；然后，结合多种传感器获取高铁站的室内外环境参数，并提取出室外温度、客流密度、室内温度、室内湿度、室内二氧化碳浓度、室内环境热舒适度、能耗七个影响空调系统控制状态的因素；最后，构建了深度神经网络分类模型以及深度神经网络回归模型两类空调控制模型，以获取包含空调的设置温度、空调和热回收机的开启台数等参数的控制策略。同时使用Weighted-F1、Accuracy、Mean Squared Error和R-Squared四个评价指标分别对两个模型控制性能进行评价。研究结果表明，本研究提出的控制策略预测准确率最高能达到0.99，能有效实现高铁站空调系统的智能控制。

热舒适度；空调控制；深度神经网络；高铁站

0 引 言

建筑业是我国单项能耗最大的行业，而据《2019中国建筑能耗研究报告》显示，公共建筑在其中的单位能耗强度最高[1]。因此，在我国节能减排的背景下，如何减少公共建筑的能耗损失意义重大。

基于此，本文以人员流动大、建筑层间高、空间跨度大的半封闭型公共建筑—— 高铁站为研究对象，以满足乘客舒适度并减少能耗为目标，通过仿真模型和传感器技术获取高铁站内的环境参数，并设计深度神经网络的分类算法与回归算法两类机器学习算法，通过表征室内环境舒适度的指标—— PPD（Predicted Percentage of Dissatisfied）、空调能耗和环境参数预测空调及热回收机的开启状态及温度设置，最终形成高铁站空调系统的智能温度控制策略。

本文的主要研究贡献如下：

（1）提出了一种同时满足室内热舒适度和能耗要求的空调控制策略，其中包括对空调台数的控制、热回收机台数的控制以及空调开启温度的设置。

（2）考虑到大型半封闭建筑物—— 高铁站空气流动性强，室内温度、湿度等状态参数变化频繁，其对空调控制参数呈现非线性影响。因此，本文提出深度神经网络模型来学习二者的隐性影响关系，从而获取智能温控策略。

1 相关工作

1.1 PMV-PPD评价标准

早在2005年，国际标准化组织ISO (International Organization for Standardization）就确定了评价热舒适度的标准—— PMV-PPD（Predicted Mean Vote-Predicted Percentage of Dissatisfied）指标[2]。随后，该标准增加了热环境的等级划分，逐渐成为学者们研究热舒适度的重要参考[3]。莫志姣等[4]以某汽车车室为研究对象，利用PMV-PPD评价标准，计算车内PMV-PPD的分布，并通过UFD编程对其进行可视化处理，以此作为分析车内热舒适度的依据。赵德印等[5]则以上海办公空调房间为研究对象，利用PMV-PPD评价指标去评估不同空调组合的节能潜力。Pourshaghaghy等[6]通过计算PMV-PPD指数，对伊朗西部Kermanshah市一家医院的空调系统性能和热舒适水平进行了评价。林家泉等[7]和薛长乐等[8]均利用CFD技术建立了飞机客舱的仿真模型，并通过PMV- PPD评价指标得到了满足热舒适性要求的地面空调最佳送风速度，为实现地面空调节能提供了一定的参考。

1.2 空调控制策略研究

空调的节能减耗一直是暖通方向研究追求的目标，控制策略则在其中扮演着至关重要的角色。近年来，国内外学者在空调控制策略的探索上也做了不少的研究和努力，从目前的研究成果来看，可大致分为针对空调自身特性提出的控制策略、基于空调分区域提出的控制策略以及基于机器学习方法提出的控制策略三个部分。

（1）针对空调自身特性进行控制。为降低新风系统的能耗，曾伟[9]提出了新风循环再利用的变新风量控制策略，并通过实际项目对控制策略进行能耗分析，研究表明，该策略比最不利情况下的新风控制策略每天多节约新风电能24 kW·h。Che等[10]建立了一种能反映变频空调负荷运行特性、有利于实际应用的虚拟储能模型。该策略通过室内温度设定值来控制变频空调，并优先考虑虚拟充电状态较高的温度设定值。通过仿真和算例分析表明，该策略能有效控制空调负荷，并能满足用户要求的舒适度。Christopher等[11]设计了一种基于轻量动态优先级的新型控制策略，利用该策略可以降低建筑用电高峰需求，通过对80台空调机组和40台制冷机组的仿真，验证了该控制策略的有效性。孟庆龙等[12]则从变风量风系统的水力特性出发，提出了一种改进型总风量法对空调进行控制，并利用变静压法、总风量法进行对比实验，研究表明，改进型总风量法在控制效果上优于其他两种，在节能效果上也有显著的提高。于恩禄等[13]以全系统变风量为前提，提出了对地铁空调系统进行智慧控制的方法，通过对地铁空调水系统以及大小系统的全局优化控制，将系统综合的节能率提升了20%。

（2）对空调分区域进行控制。胡帅等[14]以广东省某购物广场的中央空调作为研究对象，通过对不同冷负荷区域建立不同的数学模型，提出了一种分区模型的局部控制策略，并与旧系统方法进行对比，验证了分区模型控制策略的可行性以及节能效果。张广丽等[15]提出了一种基于动态分区控制的方法，并提出了动态分区的控制策略，与静态分区相比，该方法提高了控制调节的水平，在一定程度上减少了能耗。潘秋浩等[16]根据高铁站的实际建筑情况，对高铁站的不同区域分别进行空调位置和通风大小的设计，并对空调、风机的控制系统进行设定，从而达到高铁站节能的要求。Behzad等[17]针对可变风量系统提出了一种多区域空调系统的控制策略，通过与传统变风量空调系统的比较可知该控制策略在节能方面具有一定的潜力。

（3）利用机器学习方法改进控制策略。安大伟等[18]针对空调控制具有滞后性和慢时变的特点，提出了单神经元控制空调系统的方法，并利用MATLAB对空调系统进行仿真，实验表明，该模型的温控精确率高、抗干扰能力强。陈鑫等[19]运用K均值聚类算法对某办公建筑的空调实际运行数据聚类，并利用TRNSYS仿真软件对该办公楼的夏季空调系统进行模拟，最终选择出经济适用性最强的控制策略。针对低温条件下，电动汽车制热的滞后性和时变性，Cheng等[20]在热泵空调控制策略的基础上，结合PID控制和模糊控制，提出了一种PID-模糊复合控制策略。研究表明，该策略比传统控制策略在缩短调节时间方面有改进，比PID控制降低了29.5%，比模糊控制降低了6.1%。单奎等[21]将监督学习算法应用于空调的节能控制上，提出了一种可实时优化空调控制的方案，并对某摩天大楼冷却水系统进行模拟研究，通过与半物理模型的优化控制对比可知该方案在节能方面有显著优势。Zhao等[22]提出了一种基于支持向量机的负荷预测模糊控制策略，将预测负荷作为模糊控制器的输入参数，对暖通空调系统进行前馈模糊控制。同时，通过对天津大学地源热泵系统的实例分析，表明该控制策略在保证最小的室内温度波动的同时，也能降低总能耗。瞿叶奇等[23]利用随机森林算法建立了一种针对中央空调的机器学习模型，并设计了一种优化控制策略，仿真表明，该控制策略的控制效果比传统的PID控制更加平稳，效率也有所提升。Gulsun等[24]提出了一种利用人工神经网络预测室外温度的方法，与此同时，将预测结果应用于SDFSS（Smart Dual Fuel Switching System）控制器，从而达到数据驱动模型取代高精度传感器的控制转变。王玉涛等[25]利用长短时记忆神经网络（Long Short-term Memory，LSTM）建立预测平均投票数模型，提出了一种基于树莓派的自适应空调智能控制系统，通过预测的PMV值设置空调的温度，结果表明，该系统可精确预测满足人体舒适度的空调温度。张子苏[26]则提出了一种基于粒子群算法优化神经网络PID控制器的控制方法，对变风量的空调系统进行控制，研究结果表明，该方法提高了空调系统的控制精度。

虽然目前针对空调控制策略的研究颇丰，但仍存在以下不足：

（1）目前大多数文献主要针对汽车和办公建筑等封闭空间进行空调控制策略研究，对于高铁站等大型半封闭建筑的研究相对缺乏。

（2）大多数文献通过变风量系统去改进空调的控制策略，虽然能有效地达到空调节能减耗的要求，但并未将人体的热舒适度考虑在内，人体在建筑中的舒适感有待评判。

（3）部分文献虽然使用了机器学习方法去改进空调的控制策略，但并未细化到研究控制空调的参数，很难直接应用于工程实践。

因此，本文以四川省某高铁站为研究对象，针对大型半封闭建筑进行建模、仿真，通过机器学习的方法获取环境参数、能耗、热舒适度和空调控制之间较为复杂的非线性关系，进而实现对空调系统的智能控制。

2 问题描述

为获取高铁站内空调系统控制策略，本研究首先通过大量的文献调研及实地走访，确定了影响空调系统控制状态的七个因素：室内环境热舒适度、能耗、室外温度、客流密度、室内温度、室内湿度、室内二氧化碳浓度。之后，基于Energy Plus构建高铁站的热工环境仿真模型，根据空调系统的不同控制状态设计多种运行工况，以获取海量的仿真数据，并通过现场传感器捕捉数据，对仿真模型进行校正。在此基础上，本文构建了基于深度神经网络，兼顾热舒适度和能耗的空调系统的智能控制策略。

本文选取室内不满意预测百分比（PPD）指标作为高铁站室内热舒适度评价指标。PPD指数可对热不满意的人数给出定量的预计值，计算公式如下[2]：

式中：PMV代表了大多数人在同一环境中的平均冷热感觉，通过人体的状态、衣着情况以及环境状况可以计算出人体产热和散热之间的差值，对人体的热舒适感觉进行评价。PMV值计算公式如下[27]：

据国家标准可以将PPD分为三级，具体划分如表1所示。

表1 PPD等级划分

3 高铁车站热工环境仿真模型构建

3.1 高铁站及空调系统概况

为使研究能够应用到实际场景中，本文选取四川省某高铁站作为研究对象。该站所在地属亚热带季风气候，冬冷夏热，站内层高6m，吊顶1m。因涉及人体舒适性的研究，本文研究集中在长为74m，宽为28m的候车区内。该空间的8台热回收机和5台空调为站内空气交换的主要设备。本研究进行了问卷调查以收集乘客的热舒适度体验，并在站点内人员流动频繁的位置安装传感器以获得室内各环境参数的实时数据。

3.2 建模数据收集

根据高铁站的实际调研情况，本文利用Energy Plus仿真平台对研究对象进行仿真建模，仿真模型如图1所示。

图1 高铁站仿真模型图

模型中的建筑朝向、围护结构构造、建筑结构等参数，均严格按照调研的实际数据进行设置。为了准确获取空调系统的状态参数，本研究设置了8台热回收机和5台空调的所有开启台数组合，生成了5×8＋5＋8＝53种工况。考虑到空调的开启温度对能耗有直接影响，本研究设置了8种不同范围的空调开启温度组合（具体情况见表2），并仿真出一年的数据，最终获得了424×8760＝3 714 240个实例。

表2 空调温度组合

4 基于深度神经网络的高铁站空调控制模型

4.1 深度神经网络模型

本研究分别针对高铁站空调、热回收机开启台数与空调设置温度，构建了深度神经网络分类模型和深度神经网络回归模型。

4.2 空调系统控制模型构建

本研究构建的深度神经网络分类模型和深度神经网络回归模型分别包含1个输入层、3个隐藏层、1个输出层。两类空调系统控制模型构建过程如图2所示。

图2 空调系统控制流程图

5 实验与结果

5.1 数据预处理

在将数据集输入模型前，本研究进行了数据预处理，具体步骤包括：

步骤1 数据合并。对不同工况下的所有仿真数据文件进行清洗，统一数据的属性、顺序及格式。原始数据表包含时间、室外温度、室内温度、室内湿度、室内CO2浓度、PPD、DOAS供电风机电能、VRF冷泵电能、VRF热泵电能等数据，为将其和控制策略结合起来，本研究加入了客流量、空调台数、热回收机台数、空调设置温度、空调预设温度ID（冬季设置温度，夏季设置温度）五个属性。即将空调系统控制状态的参数（空调开启温度、空调开启台数、热回收机开启台数等）合并到原始数据表中。

步骤2 缺失值与异常值的处理。删除数据集中缺失能耗的数据及异常值，对偏差数据进行修正。在能耗设置方面，对于只开空调的数据文件，将热回收机的能耗值设定为0；对于只开热回收机的数据文件，则将反映空调制冷和制热能耗值的数据都设为0。空调控制的效果会有一定的滞后性，为了将环境状态、热舒适度、能耗和控制策略对应起来，将数据文件中下一时刻的PPD、能耗值对应到当前时刻。同时对空调开启温度做规范化处理，先将所有工况空调温度设置为0，再通过如下规则进行处理：（1）若只开热回收机，空调的设置温度调整为室内温度；（2）若只开启空调，室内温度在设定范围以外的，将空调设定温度调整为设定范围的上下限值（例如温度设置范围为16℃～23℃，则对于室内温度低于16℃的情况，空调设置温度为16℃。对于室内温度高于23℃的情况，空调设置温度为23℃）；（3）若热回收机和空调同时开启，室内温度在温度预定范围以内，设置同（1），否则同（2），最后删除空调设置温度为0的所有数据。

步骤3 数据筛选。将每个数据文件经过前述步骤处理后合并。用不同功耗作为阈值筛选出低功耗数据，最终获得满足低能耗和热舒适条件的数据。

数据预处理后的数据集如表3所示。

表3 根据PPD、能耗阈值划分的实验数据集

空调系统的控制参数包含空调温度、空调台数、热回收机台数。根据三个控制参数和数据预处理的结果，对相关参数进行修正处理，最后进行统计分析，数据分布情况如表4、表5、表6所示。

表4 空调开启台数分布表

表5 热回收机开启台数分布表

表6 空调温度分布表

5.2 评价指标

本文选取均方误差[29]（Mean Squared Error，MSE）和拟合优度[30]（R-Squared，R2）两个指标来评价回归模型预测性能。

MSE标准计算如式（4）所示：

R2标准计算如式（5）所示：

同时采用Accuracy（准确率）[31]和Weighted- F1（加权宏平均）作为分类模型的性能评估指标。正确率是测试集分类正确的样本数与测试集总的样本数之比，其计算公式为：

F1为精度和召回率的加权平均值，其中F1值在1时达到最佳值，在0时达到最差值[32]。本文对于空调和热回收机开启台数的分类问题，采用Weighted-F1指标。对于每一个类别，用二分类的公式计算出F1值记为F1i，然后将多个F1i给予不同的权重进行计算。

Weighted-F1值的计算如式（7）所示：

式中：代表类别数；w代表每个类别的样本所占的比例；为精度；为召回率。两者计算公式为：

式中：TP为正例预测正确的个数；FP为负例预测错误的个数；FN为正例预测错误的个数。

为了进一步测试算法准确性，本文使用十折交叉验证对深度神经网络的分类和回归模型进行测试，即将数据集分成十份，依次将其中九份作为训练数据，一份作为测试数据，进行试验。将十次结果的正确率（或差错率）的平均值作为算法精度的估计值。

5.3 实验与结果

将数据处理后获取的低能耗且热舒适度较好的目标数据集，分别放入不同的模型进行训练。空调开启台数和热回收机开启台数为分类模型，十折交叉验证的结果见表7、表8；空调开启温度为回归模型，结果见表9。

表7 空调开启台数十折交叉验证结果

表8 热回收机开启台数十折交叉验证结果

表9 空调开启温度十折交叉验证结果

深度神经网络分类模型的评价指标为准确率和Weighted-F1，每次的训练都能达到较好的结果。由表7可知，空调开启台数控制模型中，十次验证的准确率平均值达到0.985 9，Weighted-F1平均值达到0.983 9。由表8可知，热回收机开启台数控制模型的准确率都高于0.99，十次验证平均值达到0.995 3，平均Weighted-F1值为0.995 3。

表9显示了空调开启温度控制策略的回归模型训练及测试结果，评价指标为MSE和R2，十次交叉验证的评价MSE达到1.6518E-08，平均R2达到0.999 9。

根据表中所示结果可知，针对空调开启台数、热回收机开启台数的深度神经网络分类模型，和针对空调开启温度的深度神经网络回归模型预测准确性良好。

6 结 论

对于高铁站这类半封闭大型建筑空间，合理的空调系统智能控制策略，既能满足合理的热舒适度要求，又能有效地控制空调系统低能耗运行，因此，该研究对乘客的体验满意度提升和能耗的减少都具有重要的意义。

本文通过现场调研，以及多种传感器获取高铁站现场的温度、湿度、CO2浓度等环境参数，再基于Energy Plus平台构建对应的仿真模型，并根据实际数据对仿真模型进行修正。在仿真模型中运行了53种工况，共获得3 714 240个实例。同时筛选出低能耗、高舒适度数据，在此基础上分别构建了五层深度神经网络分类模型与五层深度神经网络回归模型。针对空调开启台数、热回收机开启台数，使用了深度神经网络分类模型，预测准确率最高分别达到0.988 4、0.997 2，Weighted-F1的值最高分别达到0.986 8、0.997 2。针对空调开启温度使用了深度神经网络回归模型，MSE的值最低达到1.1930E-09，R2的值最高达到0.999 9。结果表明，本文所构建的深度神经网络模型可以在较短的时间内，获得同时满足室内热舒适度和能耗要求的智能温控策略。

[1] 中国建筑节能协会. 2019中国建筑能耗研究报告[J]. 建筑, 2020(7): 30-39.

[2] The authority of the standards policy and strategy committee. ISO 7730: 2005 ergonomics of the thermal environment - analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD indices and local thermal comfort criteria[S]. Geneva: International Organization for Standards, 2005.

[3] 景胜蓝, 李百战, 李楠, 等. 基于热感觉指标确定热舒适判据的一项国际标准简介[J]. 暖通空调, 2010, 40(8): 110-113.

[4] 莫志姣, 唐江明, 谷正气, 等. 基于PMV-PPD可视化车室热舒适性仿真研究[J]. 计算机仿真, 2016, 33(9): 163-168.

[5] 赵德印, 潘黎, 范宏武, 等. 基于PMV-PPD的嵌管式外墙辐射空调系统夏季热舒适与节能潜力分析[J]. 制冷与空调, 2019, 19(10): 82-87.

[6] POURSHAGHAGHY A, OMIDVARI M. Examination of thermal comfort in a hospital using PMV–PPD model [J]. Applied ergonomics, 2012, 43(6): 1089-1095.

[7] 林家泉, 李弯弯. 基于PMV-PPD的地面空调最佳送风速度[J]. 航空学报, 2017, 38(8): 77-84.

[8] 薛长乐, 李艳娜, 张涛波. 基于PMV指标的驾驶舱热舒适性研究[J]. 制冷与空调(四川), 2020, 34(4): 416-421.

[9] 曾伟. 多区域变风量空调系统新风循环再利用变新风量控制策略[J]. 制冷与空调, 2018, 18(2): 99-103.

[10] CHE H B, YANG J X, ZHAO Y C, et al. Control strategy for inverter air conditioners under demand response[J]. Processes, 2019, 7, 407.

[11] CHRISTOPHER W, MAHABIR B, JAMES N, et al. Peak load reduction and load shaping in HVAC and refrigeration systems in commercial buildings by using a novel lightweight dynamic priority-based control strategy[J]. Applied Energy, 2020, 277: 115543.

[12] 孟庆龙, 王文强, 葛俊伶. 变风量空调系统控制策略仿真与实验研究[J]. 建筑科学, 2020, 36(2): 44-50, 78.

[13] 于恩禄, 徐智, 韩学伟. 基于全系统变风量的智慧空调控制系统应用方案研究[J]. 电气化铁道, 2020, 31(S1): 213-218.

[14] 胡帅, 方康玲, 何鹏. 中央空调分区模型控制策略研究[J]. 计算机仿真, 2015, 32(3): 268-271.

[15] 张广丽, 龚延风, 牛晓峰, 等. 全空气空调系统全年多工况动态分区控制方法[J]. 暖通空调, 2019, 49(11): 32-36.

[16] 潘秋浩, 朱明明. 某高铁站空调通风及控制系统设计[J]. 洁净与空调技术, 2019, 104(4): 72-75.

[17] BEHZAD R, JUAN M Z, BRYAN S, et al. Control strategies in multi-zone air conditioning systems[J]. Energies, 2019, 12(3): 347.

[18] 安大伟, 王晋, 娄承芝. 采用单神经元自适应控制高精度空调系统仿真[J]. 计算机仿真, 2004(2): 105-108, 118.

[19] 陈鑫, 单明珠. 某办公建筑空调运行控制策略分析[J]. 洁净与空调技术, 2020(1): 39-44.

[20] CHENG A Y, ZHAO N J, ZHANG Y L. Research and analysis on the control strategy of electric vehicle heat pump air conditioning[J]. International Core Journal of Engineering, 2020, 6(2): 55-62.

[21] 单奎, 王家远. 一种基于监督学习的自适应空调优化控制方案[J]. 暖通空调, 2019, 49(12): 86-90, 53.

[22] ZHAO J, SHAN Y. A fuzzy control strategy using the load forecast for air conditioning system[J]. Energies, 2020, 13, 530.

[23] 瞿叶奇, 高德欣, 孙亚光. 基于机器学习的中央空调的优化控制策略[J]. 青岛科技大学学报: 自然科学版, 2019, 40(1): 111-118.

[24] GULSUN D, ALAN S F, MATHIEU D. Development and optimization of artificial neural network algorithms for the prediction of building specific local temperature for HVAC control[J]. International Journal of Energy Research, 2020, 44(11): 1-19.

[25] 王玉涛, 于金星, 陈鑫, 等. 基于树莓派的自适应空调控制系统设计[J]. 物联网技术, 2020, 10(10): 76-78, 81.

[26] 张子苏. 基于PSO-BP-PID控制在变风量空调系统中的应用[J]. 数字技术与应用, 2020, 38(7): 42-44.

[27] FANGER P O. Assessment of man's thermal comfort in practice[J]. Occupational and Environmental Medicine, 1973, 30(4): 313-324.

[28] HintonG E, Salakhutdinov R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507.

[29] 许德祥. 统计模型中均方误差的区间估计[J]. 经济数学, 1999(1): 52-54.

[30] AGRESTI A. Applying R – type measures to ordered categorical data[J]. Technometrics, 1986, 28(2): 133-138.

[31] ZHOU Z H, TANG W. Clusterer ensemble [J]. Knowledge Based Systems, 2006, 19(1): 77-83.

[32] DAVIDE C, GIUSEPPE J. The advantages of the Matthews correlation coefficient(MCC)over F1 score and accuracy in binary classification evaluation [J]. BMC Genomics, 2020, 21(1): 1-13.

Intelligent Control Strategy for Air Conditioning System in High-speed Railway Stations Based on Deep Neural Networks

LI Sha1, YAO Fu-hong2, TU Jia-qi1, WANG Sheng-nan2

( 1. College of Economics and Management, Southwest Jiaotong University, Chengdu 610031, China; 2. Architecture Department, China Railway Eryuan Engineering Group Co., Ltd., Chengdu 610031, China )

A high-speed rail station is a large semi-enclosed building with extremely high energy consumption. Aiming at reducing the air-conditioning energy consumption while satisfying passenger comfort in high-speed railway stations, in this study, we designed a control strategy for air conditioning based on a deep neural network algorithm. We, first, designed a simulation model based on the energy plus platform, combined with a variety of sensors to obtain the indoor and outdoor environmental parameters of high-speed railway station, and extracted seven factors affecting air conditioning control state, namely, outdoor temperature, density of passenger flow, indoor temperature, indoor humidity, carbon-dioxide concentration, indoor thermal comfort, and energy consumption. Finally, two kinds of air conditioning control models, the deep neural network classification model and the deep neural network regression model, were developed to obtain the control strategy including setting the temperature of air conditioning, the number of open units of air conditioning, and heat recovery machine. Weighted-F1, accuracy, mean squared error, and R-squared indices were used to evaluate the control performance of the two models. The results show that the control strategy proposed in this study has the highest prediction accuracy of 0.99, which can effectively realize the intelligent control of the air conditioning system at high-speed railway stations.

thermal comfort; air conditioning control; deep neural network; high-speed rail station

1672-4747（2021）03-0102-09

U291.6; TP181

A

10.19961/j.cnki.1672-4747.2020.11.010

2020-11-13

2020-12-27

国家重点研发计划项目（2018YFC0705000）

李莎（1997—），女，四川宜宾人，硕士研究生，主要研究方向为机器学习、物流配送资源优化，E-mail：635756717@qq.com

李莎，姚富宏，涂家祺，等. 基于深度神经网络的高铁站空调系统智能控制策略[J]. 交通运输工程与信息学报，2021, 19(3): 102-110.

LI Sha, YAO Fu-hong, TU Jia-qi, et al. Intelligent Control Strategy for Air Conditioning System in High-speed Railway Stations Based on Deep Neural Networks[J]. Journal of Transportation Engineering and Information, 2021, 19(3): 102-110.

（责任编辑：李愈）