基于模糊控制技術的電梯群控仿真算法

黃振

（廣州匯古建設有限公司，廣東 廣州 510663）

在“智能建筑”建設背景下，人工智能技術也被廣泛應用于建筑的各個方面，如樓宇智能照明系統、電梯智能控制系統等。現階段電梯群控系統的智能控制方法主要有三種，分別是基于專家系統的控制算法、基于模糊邏輯的控制算法、基于神經網絡的控制算法。對比來看，基于模糊控制算法的電梯群控系統，可有效解決多目標控制要求，有利于解決電梯群控系統多樣性、非線性等問題。引入了模糊控制技術的電梯群控系統，將會縮短候梯時間、降低平均乘坐電梯時間，提高了電梯運行效率，滿足電梯乘客要求，成為高層建筑電梯群優化運行的一種主要模式。

1 基于模糊控制技術的電梯群控系統設計

電梯群控系統由6 個核心單元組成，并且每個單元都有獨立的轎廂控制器與上位機、群控電梯相連，其組成結構如圖1 所示。

圖1 電梯群控系統組成結構示意圖

交通數據管理單元的功能是收集和處理電梯實時狀態數據，這些數據被傳送到上位機，基于數據分析預估下一個時間段對廳層召喚的響應分配。交通模式識別單元的功能是基于現階段電梯內乘客所處的交通狀態，進行交通模式識別、分析，進而分配最適合當前電梯任務的交通模式。召喚分配單元的功能是在確定交通模式之后，根據既定的運行規則、控制程序，計算出電梯群性能的綜合評價指標，以此為依據確定最佳的電梯召喚響應模式。數據管理單元則是存儲電梯相關參數的數據庫。電梯管理單元用于電梯狀態數據的收集和保持上位機與群控電梯之間的正常通訊。終端機管理單元基于前端數據分析，下達電梯調度指令。

2 模糊控制理論下電梯分配實現方法

2.1 基于評價函數分析電梯客流的仿真模型

影響電梯群控系統運行性能的因素有多種，因此在電梯群控仿真模型設計時，必須要選擇恰當的評價指標，這樣才能在仿真實驗中更加明確地驗證該電梯群控的控制效果是否符合預期。本次設計中選擇4 項評價指標，分別是等候電梯時間（AWT）、乘客平均乘坐電梯時間（ART）、長時間候梯率（LWP）和電梯能耗（RPC）。基于上述指標建立電梯評價函數：

在式（1）中，Si表示電梯調度算法的評價函數值，該值越大，說明電梯響應召喚信號的概率越高。SAWTi表示乘客平均候梯時間短的隸屬度；SARTi表示乘客平均乘梯時間短的隸屬度；SLWP表示長時間候梯概率低的隸屬度；SRPCi表示電梯運行能量消耗低的隸屬度。Ai表示不同交通模式下的權重系數，i的區間范圍為0～1，其中A1+A2+A3+A4=1。

2.2 確定電梯群控系統的輸入量

在確定4 項指標的基礎上，本文還設計了5 個變量，通過變量的優化達到改善指標的效果。5 個變量分別是：a.電梯廳層召喚等待時間（HCWT），即電梯響應廳層的召喚命令后，從乘客在電梯內完成響應至到達該樓層所需的等候時間；b.最長等待時間（LWT），即電梯完成整個樓層所有響應需要的最長時間；c.轎廂容量（CV），乘客進入電梯后，轎廂內的剩余空間；d.群控召喚的集中度（GD），即新樓層召喚位置與已經得到呼叫響應的樓層之間的集中度，可表示為GD=d/（h×4），其中d 表示發出呼叫樓層與轎廂停靠樓層的高度差值，h 為樓層高度值；e.轎廂利用率（UR），電梯在上升或下降時，轎廂響應呼叫的總概率，可通過公式計算：

式（2）中，NF 為總的樓層數，NFi表示第i 層和起始樓層的層數差，NPi表示第i 層候梯人數，CV0表示轎廂的額定容量，n 表示電梯運行期間產生的召喚次數。

2.3 變量的模糊化處理

對5 個輸入量做模糊化處理，是進行模糊推理的必要條件。本文基于隸屬函數對輸入量進行模糊化處理，具體處理方法為：

2.3.1 廳層召喚響應時間的模糊化。此參數可用于評價電梯群控系統性能優劣，并且對候梯時間有直接影響。通常來說，召喚響應時間＜20s 為最優，召喚響應時間＞40s 為很差，兩者之間為正常。響應時間越長，則乘客的乘用體驗越差。

2.3.2 最長響應時間模糊化。響應時間太長會導致電梯利用率下降，從而增加長候梯事件的發生率。最長響應時間＜30s 為最優交通模式，最長響應時間＞60s 為最差，兩者之間為正常。最長響應時間同樣會決定電梯的乘用體驗。

2.3.3 單部電梯呼叫響應的模糊化。通常認為轎廂內載客人數＜額定總量的20%時，屬于體驗良好；載客人數＞額定總量的60%時，屬于體驗較差，兩者之間為正常。

2.3.4 集中程度的模糊化。一般來說該值＜0.2，電梯能耗最小，該值＞0.6 電梯能耗較大，兩者之間為正常。

2.3.5 轎廂總利用率的模糊化。一般情況下該值＜0.2 為利用率低，該值＞0.6 為利用率高，兩者之間為正常。

2.4 模糊推理算法的實現流程

基于電梯評價函數，結合輸入量的模糊化處理，運用模糊推理算法進行電梯群控調度管理，流程如圖2 所示。

圖2 模糊推理算法的實現流程圖

電梯群控系統運行后，進入待機狀態，直到接收到新的召喚信息。讀取該信息后，利用前端設備反饋的參數，判斷電梯當前的運行環境，并確定權重系數A1、A2、A3、A4。分別計算第i 層的電梯廳層召喚等待時間、最長等待時間等5 個輸入量。根據5 個輸入量，運用模糊推理算法分別計算出電梯群控系統的4 個關鍵指標，即等候電梯時間、乘客平均乘坐電梯時間、長時間候梯率和電梯能耗。在此基礎上求出電梯調度算法的評價函數值。當電梯運行至新的樓層時，重復上述流程，直到電梯達到頂層。計算此時的電梯群控系統評價函數的最大值Sn，調度電梯n 去響應廳層召喚。

3 電梯群控系統的仿真測試

3.1 電梯群控仿真模型的運行流程

本文設計的基于模糊控制技術的電梯群控仿真模型，其運行流程為：乘客通過電梯按鍵發出呼叫命令，電梯群系統的上位機對該召喚作出響應，并發布調度指令給獨立的電梯。該電梯運行至發出召喚命令的樓層后，乘客進入電梯，此時電梯根據乘客的操作指令上升或下降。電梯廳層的召喚隊列對于已經執行的命令會自動刪除。當電梯運行至乘客指定的樓層后，轎廂內的召喚列表也會將此條記錄刪除。之后電梯停靠在該層，進入待機狀態，等待上位機下一次的調度指令。單部電梯的運行過程如圖3 所示。

圖3 單步電梯群控運行流程圖

單部電梯完成電梯群控系統發出的指令后，將成功完成該指令的信號反饋給電梯群控系統的上位機。然后在上位機的模塊列表中進行一次更新，準備執行下一條新的指令。

3.2 電梯群控系統的仿真結果

本次仿真實驗中構建的電梯群控模型，對正常上班時段（9:00-9:30）進行仿真模擬，并分別測得這一時段中平均候梯時間（AWT）、平均乘梯時間（ART）、長時間候梯率（LWP）3項參數。然后分別對比集選控制算法和模糊控制算法下，兩種電梯群控模型的運行結果。在設計仿真模型時，將該樓設置為14 層，每層的高度統一設定為3m，提供4 部電梯，單部電梯最大容量13 人，額定載重600kg。響應開門時間為2s，關門時間為3s，每名乘客進出時間為2s。使用仿真軟件Matlab 軟件中的Fuzzy Toolbox 進行建模并展開分析。輸入量即上文介紹的5 種（HCWT、LWT、CV、GD、UR）；評價標準即上文介紹的3 種（AWT、ART、LWP）。仿真結果如表1 所示。

表1 電梯群控系統兩種控制算法的性能對比

結合表1 數據可知，使用常規集選控制算法的電梯群控系統，平均候梯時間46.2s，平均乘梯時間50.4s，長時間候梯率16.7%。相比之下，使用模糊控制算法的電梯群控系統，平均候梯時間僅用時23.6s，下降了48.9%；平均乘梯時間38.2s，下降了24.2%；長時間候梯率為8.1%，下降了8.6%。另外在最長候梯時間、電梯響應次數方面，基于模糊控制算法的電梯群控系統也有更好的表現。綜合對比來看，基于模糊控制技術的電梯群控系統，將會顯著提高運行效率，減少乘客等待時間，優化電梯乘用體驗，對降低建筑能耗也有積極幫助。

結束語

在現代高層建筑和大型商業建筑中，電梯群的應用越來越普遍。為了加強多部電梯的調度效率和實現統一管理，需要構建電梯群控系統。基于人工智能的模糊控制技術，根據電梯群控系統的響應呼叫方式，確定不同區域、樓層的權重系數，然后利用評價函數計算電梯最優運行模式，從而實現了多目標控制。從仿真實驗結果來看，基于模糊控制技術的電梯群控系統，能夠很好解決以往電梯群控系統存在的響應速度慢、等待時間長、利用效率低等一系列問題。無論是從節約電梯運行能耗，還是優化乘客體驗等方面均取得了理想效果，具有推廣應用價值。