高速公路隧道通風系統(tǒng)的多參量模糊控制研究

張曉松，金 濤，林 東

(西安公路研究院，陜西 西安 710065)

高速公路隧道通風系統(tǒng)的多參量模糊控制研究

張曉松，金 濤，林 東

(西安公路研究院，陜西 西安 710065)

為解決隧道通風系統(tǒng)能耗較高、智能化程度較低的問題，將隧道煙霧濃度、車流量、風速等多種數據作為參量，預測未來多個連續(xù)時刻的煙霧濃度，并以預測結果序列的變化程度及趨勢為依據，采用模糊控制方法對隧道通風實現(xiàn)智能化提前控制。通過仿真實驗證明，與分檔控制方法相比，該方法能夠根據煙霧濃度變化趨勢而調整風機開啟數量，避免了因個別采樣點的影響而頻繁啟停風機，有利于延長風機壽命。由于根據預測結果對風機進行了提前控制，在更好地改善隧道環(huán)境的同時，縮短了風機開啟的總時長，節(jié)約能源，降低隧道運營成本。

隧道工程；智能交通；隧道通風；模糊控制；風機控制；多參量多步預測

0 引 言

隨著中國高速公路隧道運營規(guī)模的不斷擴大，隧道運營的安全性、節(jié)能性和舒適性越來越多地受到管理單位和行車人員的關注[1]。隧道中，車輛尾氣無法通過自然風排出，積聚在隧道中的CO，NO等氣體會危害司乘人員健康，且隨著煙霧濃度的升高，行車視認距離與安全距離均變小，行車風險增加[2]。國內隧道通風控制通常采用分檔控制法，該方法具有控制延遲大，風機啟停頻繁，能耗高等缺點。

近年來，隧道通風迫切需要一種既能滿足通風要求，又能實現(xiàn)節(jié)能的控制策略[3]。國內外學者對隧道通風控制策略研究在不斷深入地進行。陳建濤等[4]提出了利用差分方程預測隧道洞口CO濃度的方法，實現(xiàn)對隧道通風的控制，但通過對多條隧道實際數據分析，煙霧濃度較CO濃度更容易超標；孫繼洋[5]采用前饋-反饋復合式控制法對隧道通風方案進行了研究；B．Chu等[6]、林強等[7]和王成志等[8]均采用模糊控制法，實現(xiàn)了隧道通風的實時控制，但其都是以隧道內檢測設備的測量值為輸入參數，未考慮未來時刻的隧道環(huán)境可能的變化情況，這將引起控制決策的輸出結果頻繁變化，從而導致風機的頻繁啟停；何川等[9]、陳雪平等[10]和楊寧等[11]均對隧道內下一時刻的污染物濃度進行了預測，并以此實現(xiàn)隧道通風的智能化控制，但由于預測參數單一，且預測點過少，無法真實反映未來一段時間內隧道環(huán)境可能的變化趨勢?；诖?，以上這些方法仍無法避免對風機啟停的頻繁控制，無法達到更優(yōu)的節(jié)能效果。

筆者針對以上情況，設計了多參量隧道通風模糊控制系統(tǒng)。該系統(tǒng)以煙霧濃度、交通流量、風速為多參數輸入量，通過神經網絡模型多步預測和模糊控制運算，輸出需要啟停控制的風機數量，實現(xiàn)隧道通風的智能提前控制。仿真與實踐結果表明：文中方法可避免風機的頻繁啟停，有利于延長風機壽命，且在達到隧道通風要求的基礎上，節(jié)能效果更加明顯。

1 多參量模糊控制系統(tǒng)構成

隧道中污染物濃度主要包括CO濃度和煙霧濃度。通過對多條隧道實際測量數據的分析，在常態(tài)工況下，煙霧濃度較CO濃度更容易超標，它是隧道通風控制決策的最主要因素，筆者討論的控制系統(tǒng)以降低煙霧濃度為例進行設計說明。其基本構成如圖1。

圖1 多參量模糊控制系統(tǒng)構成Fig.1 Constitution of multi-parameter tunnel ventilation fuzzy control system

控制系統(tǒng)由隧道傳感器采樣子系統(tǒng)、數據預處理子系統(tǒng)、多參量多步神經網絡預測模型、V趨勢運算模型及模糊控制器組成。系統(tǒng)通過隧道內傳感器采集V,D,W值，在數據預處理后輸入多參量多步神經網絡預測模型。模型經過訓練，預測未來連續(xù)12個時刻的VP，并分別與VS求差，得到一組ΔVP序列。將這組ΔVP的均值、方差、上升或下降趨勢以及測量的W作為模糊控制器的多參數輸入量。經過模糊運算，得到需要啟停風機的數量，從而進行風機控制調節(jié)，改善隧道環(huán)境。

2 多參量多步神經網絡預測模型

根據隧道通風系統(tǒng)大時滯、非線性的特點，需要較為準確地分析煙霧濃度將要變化的趨勢，才能實現(xiàn)對其更為有效、合理地控制。但僅對下一時刻煙霧濃度進行預測，無法滿足對其變化趨勢分析，且隧道采樣周期一般較短，在一個采樣周期時間內不足以通過控制風機啟停來改變煙霧濃度趨勢。

為了建立隧道煙霧濃度的多步預測模型，控制系統(tǒng)采用了BP神經網絡算法。以梯度快速下降法為學習規(guī)則，學習和存儲大量的輸入輸出模式映射關系，通過反向傳播方式不斷調整網絡的權值，使網絡平方誤差達到最小[12-14]。同時，通過數據分析可知，煙霧濃度與車流量和風速之間具有較強的相關性，它們共同影響著未來時段煙霧濃度的變化。為了減小誤差，模型利用了車流量、風速值以及煙霧濃度自身值對預測值進行了修正。模型的基本原理公式為

ΔV(k+1)=f(VI(k),V(k-1),V(k-2),…,

D(k),D(k-1),D(k-2),…,

W(k),W(k-1),W(k-2),…)

(1)

式中：ΔVP(k+1)為V在(k+1)時刻的變化量；V(k)，D(k)，W(k)分別為V，D，W在k時刻的值。

3 多參量模糊控制器設計

3.1 輸入與輸出量的確定

3.2 隸屬度函數的設定

圖的隸屬度函數Fig.

圖的隸屬度函數Fig.

3.2.3TΔVP的隸屬度函數

TΔVP為ΔVP序列上升趨勢、持平趨勢和下降趨勢，定義其模糊語言變量為{上升，持平，下降},語言變量詞集表示為{MI，K，MD}，隸屬度函數如圖4。

圖4 TΔVP的隸屬度函數Fig.4 Subjection function of TΔVP

3.2.4W的隸屬度函數

W的真實論域為[0，8]，定義其模糊語言變量為{零，正小，正大}，語言變量詞集表示為{Z,PS,PB}，隸屬度函數如圖5。

圖5 W的隸屬度函數Fig.5 Subjection function of W

3.2.5 ΔNFJ的隸屬度函數

輸出變量ΔNFJ為需要啟?？刂频娘L機數量，其真實論域為[-2，2]，定義其模糊語言變量為{負大，負小，零，正小，正大}，語言變量詞集表示為{NB,NS,Z,PS,PB}。為了避免風機過渡頻繁啟停，選用正態(tài)形隸屬度函數，如圖6。

圖6 ΔNFJ的隸屬度函數Fig.6 Subjection function of ΔNFJ

3.3 模糊規(guī)則與推理

根據輸入輸出變量的隸屬度函數，結合實際數據分析，建立模糊規(guī)則。四維數據表1列出了FLC的全部135條規(guī)則，現(xiàn)列舉規(guī)則R1和R2說明FLC推理過程。

表1 隧道通風多參量模糊控制規(guī)則Table 1 Rule of Multi-parameter fuzzy control in tunnel ventilation

(續(xù)表1)

ΔNFJWSZPSPBΔVPS2ΔVPZ,ZPS,Z,ZZZ,NS,NSZ,PSPS,Z,ZPS,Z,ZZZ,PBPB,PS,PSPS,Z,ZPS,Z,ZPS,ZPS,Z,ZPS,Z,ZZPS,PSPB,PS,PSPS,Z,ZZPS,PBPB,PB,PSPB,PS,PSPS,Z,ZPB,ZPB,PS,PSPS,Z,ZZPB,PSPB,PS,PSPB,PS,PSPS,Z,ZPB,PBPBPB,PS,PSPB,PS,PS

系統(tǒng)根據模糊規(guī)則運算后，可得到需要啟?？刂频娘L機數量。列舉當TΔVP= MI，W=PS時，ΔNFJ的模糊規(guī)則曲面如圖7。

圖7 ΔNFJ的模糊規(guī)則曲面Fig.7 ΔNFJ fuzzy regular surface diagram

4 多參量模糊控制系統(tǒng)的仿真

目前的隧道通風控制大多采用分檔控制的方式，即把檢測V劃分為不同的等級，當檢測V達到某個等級時，開啟相應數量的風機。為了與分檔控制方式進行比較，取依托工程隧道中V，D，W的連續(xù)100個采樣點數據，根據圖1的基本原理建立仿真模型。兩種控制方式下，V變化曲線和風機開啟數量曲線分別如圖8、圖9。

圖8 V變化Fig.8 Variety diagram of V

圖9 風機開啟數量變化Fig.9 Variety diagram of running fans

本系統(tǒng)為了避免風機頻繁控制，啟停變換控制周期設置為15 min，隧道V和風機狀態(tài)采樣周期為5 min。采用分檔控制法雖然開啟了相應數量的風機，但由于隧道通風系統(tǒng)大時滯性特點，V仍超過控制期望值較長時間。而采用多參量模糊控制系統(tǒng)，利用預測未來多個連續(xù)時刻V變化偏差和趨勢，對風機進行了提前控制，能夠有效減緩V變化趨勢，降低V濃度，縮短峰值時間，減少風機開啟總時間。

為對節(jié)能效果進行評估，可計算隧道內風機的耗電量，如式(2)：

W1=N1×P×T

(2)

式中：W1為所有開啟風機的總能耗；N1為所有風機開啟周期總數；P為每臺射流風機的功率；T為風機控制周期時長。

取P=30 kW，T=15 min，根據式(2)計算，仿真實驗中風機的耗電量結果如表2。

表2 風機能耗對比結果Table 2 Comparison of fan’s energy consumption

通過仿真實驗比較，多參量模糊控制系統(tǒng)比分檔控制系統(tǒng)節(jié)能9.45%。

5 結 語

多參量隧道通風模糊控制系統(tǒng)利用采集的多種數據，通過神經網絡模型，預測未來多個連續(xù)時刻的煙霧濃度，并以其變化程度及趨勢作為模糊控制的策略依據，可實現(xiàn)風機的提前控制。通過仿真實驗證明，本系統(tǒng)在很好地滿足隧道通風控制要求的前提下，可縮短風機運行時間，減少啟停控制頻率，延長風機使用壽命，節(jié)約能耗，降低隧道運營成本。

[1] 楊超,王志偉.公路隧道通風技術現(xiàn)狀及發(fā)展趨勢[J].地下空間與工程學報,2011,7(4):819-824. YANG Chao, WANG Zhiwei. Current status and development trend of ventilation technology for highway tunnel[J].ChineseJournalofUndergroundSpaceandEngineering,2011,7(4):819-824.

[2] 鄧其,詹華崗,肖文貴,等.隧道煙霧環(huán)境下駕駛視覺安全模擬實驗研究[J].公路工程,2014,39(1):35-39. DENG Qi, ZHAN Huagang, XIAO Wengui, et al. Simulation experimental study on driving vision safety under tunnel smoky environment[J].HighwayEngineering,2014,39(1):35-39.

[3] 魏斌,黃惠斌,馬天智,等.基于CFD仿真的隧道通風模糊控制算法[J].公路工程,2008,33(6):30-32. WEI Bin, HUANG Huibin, MA Tianzhi, et al. Fuzzy control of tunnel ventilation system based on CFD simulation[J].HighwayEngineering,2008,33(6):30-32.

[4] 陳建濤,李運華,劉東曉.縱向通風公路隧道空氣污染濃度短時預報算法[J].北京航空航天大學學報,2011,37(1):114-118. CHEN Jiantao, LI Yunhua, LIU Dongxiao. Short-period forecasting algorithm for air pollution concentration in road tunnel with longitudinal ventilation[J].JournalofBeijingUniversityofAeronauticsandAstronautics,2011,37(1):114-118.

[5] 孫繼洋.山西太古路西山隧道通風方案研究[J].公路,2011(7):279-286. SUN Jiyang. Research of ventilation scheme for Xishan tunnel of Shanxi Taigu[J].Highway,2011(7):279-286.

[6] CHU B, KIM D, HONG D, et al. GA-based fuzzy controller design for tunnel ventilation systems[J].AutomationinConstruction,2008,17(2):130-136.

[7] 林強,劉明華,茹鋒,等.隧道通風系統(tǒng)模糊控制算法研究[J].公路交通科技,2010,27(9):85-88. LIN Qiang, LIU Minghua, RU Feng, et al. Research on fuzzy control algorithm of tunnel ventilation system[J].JournalofHighwayandTransportationResearchandDevelopment,2010,27(9):85-88.

[8] 王成志,彭毅,張銳.模糊控制技術在隧道射流風機中的應用[J].計算機測量與控制,2014,22(11):3594-3596. WANG Chengzhi, PENG Yi, ZHANG Rui. Application of fuzzy control technology in tunnel jet fan[J].ComputerMeasurement&Control,2014,22(11):3594-3596.

[9] 何川,李祖?zhèn)?方勇,等.公路隧道通風系統(tǒng)的前饋式智能模糊控制[J].西南交通大學學報,2005,40(5):575-579. HE Chuan, LI Zuwei, FANG Yong, et al. Feed-forward intelligent fuzzy logic control of highway tunnel ventilation system[J].JournalofSouthwestJiaotongUniversity,2005,40(5):575-579.

[10] 陳雪平,胡剛,曾盛,等.公路隧道前饋式模糊通風控制系統(tǒng)及仿真[J].交通信息與安全,2008,26(4):78-83. CHEN Xueping, HU Gang, ZENG Sheng, et al. Feed-forward fuzzy ventilation control and simulation of road tunnel[J].JournalofTransportationInformationandSafety,2008,26(4):78-83.

[11] 楊宇,周奎寧,程軍圣.模糊辨識在隧道縱向式通風控制中的應用[J].計算機工程與應用,2014,50(4):245-249. YANG Yu, ZHOU Kuining, CHENG Junsheng. Application of fuzzy identification to road tunnel longitudinal ventilation control[J].ComputerEngineeringandApplications,2014,50(4):245-249.

[12] 強明,郭春喜,周紅宇.基于神經網絡的GPS高程擬合方法優(yōu)選及精度分析[J].重慶交通大學學報(自然科學版),2012,31(4):815-818. QIANG Ming, GUO Chunxi, ZHOU Hongyu. Optimization and precision evaluation with GPS elevation fitting method based on neural network[J].JournalofChongqingJiaotongUniversity(NaturalScience),2012,31(4):815-818.

[13] 王禮軍.模糊神經網絡專家系統(tǒng)在故障診斷中的應用[J].重慶交通大學學報(自然科學版),2012,31(3):469-472. WANG Lijun. Application on fuzzy neural network expert system in fault diagnosis[J].JournalofChongqingJiaotongUniversity(NaturalScience),2012,31(3):469-472.

[14] 葉敏,王鐵權.基于模糊神經網絡的高寒路基縱向裂縫危險度綜合評價[J].重慶交通大學學報(自然科學版),2015,34(4):68-72. YE Min, WANG Tiequan. Comprehensive risk evaluation on the longitudinal cracks of permafrost subgrade based on fuzzy neural network[J].JournalofChongqingJiaotongUniversity(NaturalScience),2015,34(4):68-72.

Research on Multi-parameter Fuzzy Control Algorithm of Highway Tunnel Ventilation System

ZHANG Xiaosong, JIN Tao, LIN Dong

(Xi’an Highway Research Institute, Xi’an 710065, Shaanxi, P.R.China)

In order to solve the problems of high energy consumption and low intelligence in tunnel ventilation system, it was proposed that using fuzzy control algorithm for achieving the target of controlling tunnel ventilation intelligently in advance, according to the sequence of change and trends in smoke concentration data, which is predicted in multiple consecutive time in the future based on the parameters of smoke concentration, vehicle flow, and wind speed. The simulation results prove that the fuzzy control algorithm can adjust the number of working fans by the change and trends in smoke concentration data compared with step control method, which can avoid frequent start-stop of fans because of the influence of individual sample and also extend the service life of fans. The method for controlling fans in advance by the result of prediction can improve the environment of tunnel, shorten total working time of fans, save energy and reduce the operating cost of tunnel.

tunnel engineering; intelligent transportation; tunnel ventilation; fuzzy control; fan control; multivariate and multistep prediction

10.3969/j.issn.1674-0696.2016.04.05

2015-12-28；

2016-03-03

交通運輸部科技成果推廣項目(2012 318 361 110)；陜西省交通建設科技項目(08-16K)

張曉松(1965—)，男，陜西西安人，高級工程師，主要從事智能交通及應用方面的研究。E-mail：1286743765@qq.com。

金 濤(1978—)，男，上海嘉定人，高級工程師，主要從事交通信息技術及ITS方面的研究。E-mail：xgyjt@qq.com。

U453.5

A

1674-0696(2016)04-020-05