一种基于客流预测的机场航站楼室温大滞后预测控制方法技术

本发明专利技术公开一种基于客流预测的机场航站楼室温大滞后预测控制方法，包括以下步骤：S1、基于卡方分布，建立机场航站楼旅客抵港概率模型，并运用流体动力学原理，实现航站楼旅客流线的客流时空分布预测；S2、基于长短期记忆神经网络和旅客时空分布预测结果，建立机场航站楼室温大滞后预测模型；S3、基于模型预测控制理论和室温大滞后预测结果，建立机场航站楼暖通空调系统模型预测理论，给出暖通空调系统控制变量最佳输入序列。本发明专利技术通过航班动态信息预测航站楼旅客流量，并将其作为输入参数用于航站楼室温预测，进而实现航站楼暖通空调系统的节能控制，为机场航站楼友好便捷、绿色低碳和智能高效发展提供了重要技术支撑。和智能高效发展提供了重要技术支撑。和智能高效发展提供了重要技术支撑。

【技术实现步骤摘要】
一种基于客流预测的机场航站楼室温大滞后预测控制方法


[0001]本专利技术涉及机场航站楼环境控制系统智能控制
，尤其涉及一种基于客流预测的机场航站楼室温大滞后预测控制方法。

技术介绍

[0002]机场航站楼作为重要的城市交通枢纽，对城市的可持续发展和城镇化建设具有重要的战略意义。由于服务系统功能多、人员流动规模大、全年运行时间长等特点，航站楼成为了能源消耗的重要场所，其平均能耗强度是普通公共建筑的2.9倍，是城镇住宅建筑的8.0倍，属于典型的高能耗高排放建筑(DOI:10.1016/j.buildenv.2019.03.011；DOI:10.1016/j.scs.2021.103619；DOI:10.1016/j.enbenv.2022.06.006；DOI:10.1016/j.buildenv.2018.02.009)。而作为能源消耗的重要设备，暖通空调系统占据了整个航站楼能耗的40％～80％，实施高效节能的环境控制策略成为了机场航站楼绿色低碳发展的迫切需求。由于空间结构连贯、系统规模庞大、人员流动剧烈，机场航站楼室内环境影响因素多、滞后效应强，难以使用传统机理建模方法表征其动态变化规律。而根据现有研究结果，航站楼暖通空调系统能耗中新风、照明和设备负荷均与人员行为密切相关。(DOI:10.1016/j.buildenv.2019.03.011；DOI:10.1016/j.scs.2021.103619；DOI:10.1016/j.buildenv.2018.02.009)。2018年，清华大学刘晓华利用实际客流密度估算航站楼冷负荷指标，并指出其实际冷负荷仅为设计值的31％。2022年，北京建筑设计院谷现良利用划分区域中估算的客流密度对大兴机场航站楼能耗进行了模拟，并表示模拟值比设计值小11.3％。但由于航站楼客流分布预测的难度大，上述研究仅将航站楼某区域或整体的客流密度引入了能耗评价阶段，证明了旅客流量有助于航站楼节能运行，并未将客流分布预测真正引入航站楼环境控制系统，挖掘航站楼客流与其室内环境的关联关系。因此，必须从控制理论和技术方案上独辟蹊径，采用机器学习智能预测方法，预测机场航站楼旅客流量，进一步实现航站楼室内环境参数预测，为暖通空调系统控制提供参考依据，是解决航站楼超大空间环境控制的有效手段。

技术实现思路

[0003]针对航站楼室内温度非线性、大滞后、随机性和分布性造成的航站楼暖通空调系统调控复杂的问题，本专利技术采用统计分析理论与机器学习方法，提供一种促进了航站楼环境控制系统节能智慧运行的基于客流预测的机场航站楼室温大滞后预测控制方法。本专利技术主要通过卡方分布建立航站楼旅客抵港概率模型，实现航站楼旅客时空分布预测，利用长短期记忆循环神经网络建立航站楼室内环境参数预测模型，最后采用模型预测控制方法实现航站楼暖通空调系统智能控制。以最小的能源消耗营造适宜的室内环境是暖通空调系统控制的重要目标，而室内温度是表征航站楼室内环境舒适程度和影响暖通空调系统能耗的关键指标。本专利技术促进了航站楼环境控制系统节能智慧运行，为机场航站楼友好便捷、绿色低碳和智能高效发展提供了重要技术支撑。
[0004]本专利技术的技术方案：
[0005]一种基于客流预测的机场航站楼室温大滞后预测控制方法，步骤如下：
[0006]S1、机场航站楼旅客时空分布预测：基于卡方分布，建立机场航站楼旅客抵港概率模型，并运用流体动力学思想，实现航站楼旅客流线的客流时空分布预测，具体步骤如下：
[0007]S1.1、航站楼旅客抵港概率卡方分布模型
[0008]提取航班信息与旅客安检信息，旅客最早与最晚抵港时间分别表示为t
EA
和t
LA
；采样间隔设为ε，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；引入变换因子，采用卡方分布拟合旅客抵港概率；
[0009][0010]其中，f(t)表示旅客抵港百分比；Γ(
·
)表示伽马函数；t表示旅客抵港时间；t
SD
、t
EA
和t
LA
分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；
[0011]S1.2、航站楼旅客时空分布预测模型
[0012]运用流体动力学思想，基于航站楼旅客抵港概率卡方分布模型，建立航站楼旅客流线的客流时空分布预测模型；设定旅客时空分布预测范围为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；
[0013][0014][0015]其中，Z
j
表示第j个空间单元的编号；G
f,i
表示航班i的登机口编号；表示t时刻第j个空间单元的旅客数量；C
f,i
表示航班i的载客量；L
in,j
和L
out,j
表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t
SB
和t
EB
表示开始登机时间和截止登机时间；
[0016]如果航班i的登机口G
f,i
在空间单元Z
j
中，则旅客进入空间单元直至登机离开；如果航班i的登机口G
f,i
不在空间单元Zj中，则旅客仅穿过空间单元；航班的开始登机时间t
SB
可能早于旅客最晚抵港时间t
LA
。
[0017]S1.3、旅客时空分布预测模型辨识与校准
[0018]旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t
SB
和截止登机时间t
EB
四项未知参数，需进行模型辨识与校准；定义旅客时空分布预测模型评价指标，包括均方根误差RMSE、平均绝对误差MAPE和相关指数R2；监测航站楼实际旅客流量，采用粒子群优化算法，求解模型未知参数；
[0019][0020][0021][0022][0023][0024]其中，和分别代表在第τ次迭代中第α个粒子的位置和速度；和gbest
τ
表示第τ次迭代中的个体最优值和全局最优值；a1和a2为学习因子；r1和r2为0～1之间的随机数；w为惯性权重；Y
t
和分别表示航站楼实际旅客流量实时值和平均值；err表示航站楼实际旅客流量与模型预测值的误差向量；n表示样本数量；
[0025]S2、机场航站楼室温大滞后预测：基于长短期记忆神经网络和旅客时空分布预测结果，建立机场航站楼室温大滞后预测模型，具体步骤如下：
[0026]S2.1、航站楼室温滞后致因分析
[0027]采用传递熵分析方法，评估各影响因素与航站楼室温的关联程度，为合理选择室温神经网络预测模型的输入参数提供保障；
[0028]TE(X
→
Y)＝MI(X
‑
；Y
+
|Y
‑
...

【技术保护点】

【技术特征摘要】
1.基于客流预测的机场航站楼室温大滞后预测控制方法，其特征在于，步骤如下：S1、机场航站楼旅客时空分布预测：基于卡方分布，建立机场航站楼旅客抵港概率模型，并运用流体动力学思想，实现航站楼旅客流线的客流时空分布预测，具体步骤如下：S1.1、航站楼旅客抵港概率卡方分布模型提取航班信息与旅客安检信息，旅客最早与最晚抵港时间分别表示为t
EA
和t
LA
；采样间隔设为ε，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；引入变换因子，采用卡方分布拟合旅客抵港概率；其中，f(t)表示旅客抵港百分比；Γ(
·
)表示伽马函数；t表示旅客抵港时间；t
SD
、t
EA
和t
LA
分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；S1.2、航站楼旅客时空分布预测模型运用流体动力学思想，基于航站楼旅客抵港概率卡方分布模型，建立航站楼旅客流线的客流时空分布预测模型；设定旅客时空分布预测范围为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；时间，并假设旅客登机服从均匀分布；其中，Z
j
表示第j个空间单元的编号；G
f,i
表示航班i的登机口编号；表示t时刻第j个空间单元的旅客数量；C
f,i
表示航班i的载客量；L
in,j
和L
out,j
表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t
SB
和t
EB
表示开始登机时间和截止登机时间；如果航班i的登机口G
f,i
在空间单元Z
j
中，则旅客进入空间单元直至登机离开；如果航班i的登机口G
f,i
不在空间单元Z
j
中，则旅客仅穿过空间单元；航班的开始登机时间t
SB
可能早于旅客最晚抵港时间t
LA
；S1.3、旅客时空分布预测模型辨识与校准旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t
SB
和截止登机时间t
EB
四项未知参数，需进行模型辨识与校准；定义旅客时空分布预测模型评价指标，包括均方根误差RMSE、平均绝对误差MAPE和相关指数R2；监测航站楼实际旅客流量，采用粒子群优化算法，求解模型未知参数；
其中，和分别代表在第τ次迭代中第α个粒子的位置和速度；和gbest
τ
表示第τ次迭代中的个体最优值和全局最优值；a1和a2为学习因子；r1和r2为0～1之间的随机数；w为惯性权重；Y
t
和分别表示航站楼实际旅客流量实时值和平均值；err表示航站楼实际旅客流量与模型预测值的误差向量；n表示样本数量；S2、机场航站楼室温大滞后预测：基于长短期记忆神经网络和旅客时空分布预测结果，建立机场航站楼室温大滞后预测模型，具体步骤如下：S2.1、航站楼室温滞后致因分析采用传递熵分析方法，评估各影响因素与航站楼室温的关联程度，为合理选择室温神经网络预测模型的输入参数提供保障；TE(X
→
Y)＝MI(X
‑
；Y
+
|Y
‑
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)MI(X
‑
；Y
+
|Y
‑
)＝H(X
‑
,Y
‑
)+H(Y
+
,Y
‑
)
‑
H(Y
‑
)
‑
H(Y
+
,X
‑
,Y
‑
)
...

【专利技术属性】
技术研发人员：李志伟，王逸彬，张吉礼，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：