一種基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法
【專利摘要】本發(fā)明提供了一種對電梯對重的重量進(jìn)行調(diào)整的方法。步驟是：記錄下電梯從起始層開始啟動(dòng)時(shí)的對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間；電梯運(yùn)行；電梯返回至起始層后，記錄下電梯所耗用的總電能；用電梯所耗用的總電能除以乘客需要前往的樓層總和，得到平均每層消耗的電能；重復(fù)試驗(yàn)，獲得樣本數(shù)據(jù)，再通過上述的樣本數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再由遺傳算法對該神經(jīng)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行尋優(yōu)計(jì)算，找到最優(yōu)的對重參數(shù)。本發(fā)明提供的對重調(diào)節(jié)方法，屬于智能運(yùn)算，可以根據(jù)乘客人數(shù)，前往的樓層，當(dāng)前的時(shí)間作為最優(yōu)的判定，有效地使電梯的對重工作在最佳重量部件下，降低了電梯的能耗。
【專利說明】一種基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法
[0001]
【技術(shù)領(lǐng)域】
[0002]本發(fā)明提供了一種對電梯對重的重量進(jìn)行調(diào)整的方法，特別是涉及了基于遺傳算法和神經(jīng)網(wǎng)絡(luò)算法的對重調(diào)節(jié)方法，屬于控制工程【技術(shù)領(lǐng)域】。
[0003]
【背景技術(shù)】
[0004]我國是一個(gè)人口大國，隨著城市和工業(yè)化進(jìn)程的不斷加速，日益突出的能源矛盾已經(jīng)成為制約我國經(jīng)濟(jì)發(fā)展的重要問題。2008年4月I日《中華人民共和國節(jié)約能源法》正式實(shí)施，節(jié)約能源、建設(shè)節(jié)約型社會(huì)已經(jīng)成為我國的一項(xiàng)基本國策。電梯作為城市建筑中最重要的耗電設(shè)備之一，其節(jié)能降耗工作已越來越受到政府、生產(chǎn)商和用戶的關(guān)注。近年來，電梯生產(chǎn)企業(yè)加大了技術(shù)研發(fā)力度，“環(huán)保電梯”、“綠色電梯”等概念被紛紛提出。
[0005]升降電梯是一個(gè)勢能性負(fù)載，為了均勻拖動(dòng)負(fù)載，電梯由曳引機(jī)拖動(dòng)的負(fù)載是由載客轎廂和對重平衡塊組成，只有當(dāng)轎廂載重量約為50% (I噸載客電梯乘客為7人左右)時(shí)，轎廂和對重平衡塊才相互平衡，否則，轎廂和對重平衡塊就會(huì)有質(zhì)量差，使電梯運(yùn)行時(shí)產(chǎn)生機(jī)械位能，導(dǎo)致電梯在運(yùn)行時(shí)需要消耗更多的電能以克服機(jī)械位能差。曳引式電梯由于“對重機(jī)構(gòu)”的作用，在不同的負(fù)載情況下的耗電量是非常懸殊的，因此在不同負(fù)載情況下的能量效率相差較大。
[0006]針對上述的問題，可變對重的設(shè)計(jì)方案層出不窮，但是，由于電梯的運(yùn)行復(fù)雜，會(huì)受到不同的客運(yùn)時(shí)間、乘客次數(shù)、乘客前往的樓層數(shù)等影響，都會(huì)導(dǎo)致電梯對重?zé)o法工作于最佳條件下，導(dǎo)致能耗偏 高。
[0007]反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network, BPNN)是神經(jīng)網(wǎng)絡(luò)算法最具代表性的也是最常用的網(wǎng)絡(luò)類型。通常，它由一個(gè)輸入層、一個(gè)或一個(gè)以上隱藏層、一個(gè)輸出層組成，層與層之間通過權(quán)值和閾值進(jìn)行連接，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。當(dāng)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)后，神經(jīng)元的激活值從輸入層經(jīng)由各中間層向輸出層傳播，在輸出層的各神經(jīng)元獲得網(wǎng)絡(luò)的輸入相應(yīng)。接下來，按照減小目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)由各中間層逐層修正各連接權(quán)值，最后回到輸出層。
[0008]遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的并行、隨機(jī)、自適應(yīng)搜索算法。其主要思想是將原問題的解集作為一個(gè)種群，通過復(fù)制(replication)，交叉(crossover)和變異(mutation)三個(gè)遺傳操作算子對種群進(jìn)行進(jìn)化，最終得到一個(gè)最優(yōu)種群，作為問題的最優(yōu)解。它具有簡單、通用普適性強(qiáng)，適用于并行處理和應(yīng)用范圍廣等優(yōu)點(diǎn)，在工程優(yōu)化領(lǐng)域得到了廣泛的應(yīng)用。
[0009]

【發(fā)明內(nèi)容】
[0010]本發(fā)明的目的是:提供一種電梯對重的調(diào)節(jié)方法，可以根據(jù)乘客的人數(shù)以及乘客需要去的樓層進(jìn)行適應(yīng)性的調(diào)整，以降低電梯的能耗。采用的技術(shù)方案是:
一種基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法,包括如下步驟:
S1、記錄下電梯從起始層開始啟動(dòng)時(shí)的對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間；電梯運(yùn)行；電梯返回至起始層后，記錄下電梯所耗用的總電能；用電梯所耗用的總電能除以乘客需要前往的樓層總和，得到平均每層消耗的電能；重復(fù)試驗(yàn)，獲得樣本數(shù)據(jù)；
S2，以對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，以平均每層消耗的電能作為神經(jīng)網(wǎng)絡(luò)模型的輸出變量，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；
S3，記錄下乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間，以電梯的對重重量為初始種群，以平均每層消耗的電能作為適應(yīng)度函數(shù)值，通過遺傳算法找到最優(yōu)的電梯的對重重量；
S4，將電梯的對重重量調(diào)節(jié)為遺傳算法計(jì)算得到的最優(yōu)值，運(yùn)行電梯。
[0011]作為本發(fā)明進(jìn)一步的改進(jìn)，所述的神經(jīng)網(wǎng)絡(luò)模型是指BPNN神經(jīng)網(wǎng)絡(luò)。
[0012]作為本發(fā)明進(jìn)一步的改進(jìn)，BPNN神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為:隱含層傳遞函數(shù)是雙曲正切函數(shù)，輸出層傳遞函數(shù)是線性函數(shù)，訓(xùn)練函數(shù)是Levenberg-Marquardt算法,性能函數(shù)采用均方誤差，訓(xùn)練次數(shù)設(shè)置為200次。
[0013]作為本發(fā)明進(jìn)一步的改進(jìn)，BPNN神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)是4個(gè)。
[0014]作為本發(fā)明進(jìn)一步的改進(jìn)，所述的遺傳算法步驟中的參數(shù)是:最大進(jìn)化代數(shù)為50，種群大小為20。
[0015]有益效果
本發(fā)明提供的對重調(diào)節(jié)方法，屬于智能運(yùn)算，可以根據(jù)乘客人數(shù)，前往的樓層，當(dāng)前的時(shí)間作為最優(yōu)的判定，有效地使電梯的對重工作在最佳重量部件下，降低了電梯的能耗。
[0016]
【專利附圖】

【附圖說明】
[0017]圖1是實(shí)施例中電梯對重調(diào)節(jié)方法的流程示意圖。
[0018]圖2是實(shí)施例中BPNN神經(jīng)網(wǎng)絡(luò)的輸入輸出變量的示意圖。
[0019]
【具體實(shí)施方式】
[0020]按照下述的步驟對電梯的對重重量進(jìn)行優(yōu)化:
S1、記錄下電梯從起始層開始啟動(dòng)時(shí)的對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間；電梯運(yùn)行；電梯返回至起始層后，記錄下電梯所耗用的總電能；用電梯所耗用的總電能除以乘客需要前往的樓層總和，得到平均每層消耗的電能；重復(fù)試驗(yàn)，獲得樣本數(shù)據(jù)；
S2，以對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量(如圖2)，以平均每層消耗的電能作為神經(jīng)網(wǎng)絡(luò)模型的輸出變量，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型；
S3，記錄下乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間，以電梯的對重重量為初始種群，以平均每層消耗的電能作為適應(yīng)度函數(shù)值，通過遺傳算法找到最優(yōu)的電梯的對重重量；
S4，將電梯的對重重量調(diào)節(jié)為遺傳算法計(jì)算得到的最優(yōu)值，運(yùn)行電梯。
[0021]以上的步驟中，神經(jīng)網(wǎng)絡(luò)模型是指BPNN神經(jīng)網(wǎng)絡(luò)，參數(shù)設(shè)置為:隱含層傳遞函數(shù)是雙曲正切函數(shù)，輸出層傳遞函數(shù)是線性函數(shù)，訓(xùn)練函數(shù)是Levenberg-Marquardt算法,性能函數(shù)采用均方誤差，訓(xùn)練次數(shù)設(shè)置為200次，BPNN神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)是4個(gè)，遺傳算法步驟中的參數(shù)是:最大進(jìn)化代數(shù)為50，種群大小為20。
[0022]本實(shí)施例中，乘客需要前往的樓層的總個(gè)數(shù)是指乘客前往不同樓層的總個(gè)數(shù)，例如:如果有5個(gè)乘客，分別前往4樓、4樓、6樓、8樓、10樓，那么樓層的總個(gè)數(shù)是4 ;乘客需要前往的樓層總和是4+4+6+8+10=32，當(dāng)前的時(shí)間是指省略掉分鐘數(shù)的整點(diǎn)時(shí)間，例如8點(diǎn)50分作為8，9點(diǎn)32分作為9，以此類推。
[0023]試驗(yàn)共進(jìn)行200次，以這200個(gè)樣本作為訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到BPNN模型后，再以10次試驗(yàn)進(jìn)行驗(yàn)證。
[0024]再在10次試驗(yàn)時(shí)，先用固定的電梯對重進(jìn)行電梯的運(yùn)行，計(jì)算平均能耗。
[0025]再請上述10次試驗(yàn)中的乘客進(jìn)行同樣的乘坐電梯，并通過本實(shí)施例的方法對對重的重量進(jìn)行調(diào)整，經(jīng)試驗(yàn)和分析，采用本實(shí)施例中的方法可以比傳統(tǒng)的固定對重節(jié)約10%的能耗。
【權(quán)利要求】
1.一種基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法,包括如下步驟: S1、記錄下電梯從起始層開始啟動(dòng)時(shí)的對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間；電梯運(yùn)行；電梯返回至起始層后，記錄下電梯所耗用的總電能；用電梯所耗用的總電能除以乘客需要前往的樓層總和，得到平均每層消耗的電能；重復(fù)試驗(yàn)，獲得樣本數(shù)據(jù)； S2，以對重重量、乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間作為神經(jīng)網(wǎng)絡(luò)模型的輸入變量，以平均每層消耗的電能作為神經(jīng)網(wǎng)絡(luò)模型的輸出變量，對神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型； S3，記錄下乘客總重量、乘客需要前往的樓層的總個(gè)數(shù)、乘客需要前往的樓層總和、當(dāng)前的時(shí)間，以電梯的對重重量為初始種群，以平均每層消耗的電能作為適應(yīng)度函數(shù)值，通過遺傳算法找到最優(yōu)的電梯的對重重量； S4，將電梯的對重重量調(diào)節(jié)為遺傳算法計(jì)算得到的最優(yōu)值，運(yùn)行電梯。
2.根據(jù)權(quán)利要求1所述的基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法，其特征在于:所述的神經(jīng)網(wǎng)絡(luò)模型是指BPNN神經(jīng)網(wǎng)絡(luò)。
3.根據(jù)權(quán)利要求2所述的基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法，其特征在于:所述的BPNN神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為:隱含層傳遞函數(shù)是雙曲正切函數(shù)，輸出層傳遞函數(shù)是線性函數(shù)，訓(xùn)練函數(shù)是Levenberg-Marquardt算法,性能函數(shù)采用均方誤差，訓(xùn)練次數(shù)設(shè)置為200次。
4.根據(jù)權(quán)利要求1所述的基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法，其特征在于:所述的BPNN神經(jīng)網(wǎng)絡(luò)的隱藏層神經(jīng)元個(gè)數(shù)是4個(gè)。
5.根據(jù)權(quán)利要求1所述的基于遺傳算法-神經(jīng)網(wǎng)絡(luò)算法的電梯對重調(diào)節(jié)方法，其特征在于:所述的遺傳算法步驟中的參數(shù)是:最大進(jìn)化代數(shù)為50，種群大小為20。
【文檔編號】B66B1/06GK103466398SQ201310441644
【公開日】2013年12月25日 申請日期:2013年9月25日 優(yōu)先權(quán)日:2013年9月25日
【發(fā)明者】平利中 申請人:吳江駿達(dá)電梯部件有限公司