高速公路隧道通风系统的多参量模糊控制研究

张晓松，金 涛，林 东

(西安公路研究院，陕西 西安 710065)

高速公路隧道通风系统的多参量模糊控制研究

张晓松，金 涛，林 东

(西安公路研究院，陕西 西安 710065)

为解决隧道通风系统能耗较高、智能化程度较低的问题，将隧道烟雾浓度、车流量、风速等多种数据作为参量，预测未来多个连续时刻的烟雾浓度，并以预测结果序列的变化程度及趋势为依据，采用模糊控制方法对隧道通风实现智能化提前控制。通过仿真实验证明，与分档控制方法相比，该方法能够根据烟雾浓度变化趋势而调整风机开启数量，避免了因个别采样点的影响而频繁启停风机，有利于延长风机寿命。由于根据预测结果对风机进行了提前控制，在更好地改善隧道环境的同时，缩短了风机开启的总时长，节约能源，降低隧道运营成本。

隧道工程；智能交通；隧道通风；模糊控制；风机控制；多参量多步预测

0 引 言

随着中国高速公路隧道运营规模的不断扩大，隧道运营的安全性、节能性和舒适性越来越多地受到管理单位和行车人员的关注[1]。隧道中，车辆尾气无法通过自然风排出，积聚在隧道中的CO，NO等气体会危害司乘人员健康，且随着烟雾浓度的升高，行车视认距离与安全距离均变小，行车风险增加[2]。国内隧道通风控制通常采用分档控制法，该方法具有控制延迟大，风机启停频繁，能耗高等缺点。

近年来，隧道通风迫切需要一种既能满足通风要求，又能实现节能的控制策略[3]。国内外学者对隧道通风控制策略研究在不断深入地进行。陈建涛等[4]提出了利用差分方程预测隧道洞口CO浓度的方法，实现对隧道通风的控制，但通过对多条隧道实际数据分析，烟雾浓度较CO浓度更容易超标；孙继洋[5]采用前馈-反馈复合式控制法对隧道通风方案进行了研究；B．Chu等[6]、林强等[7]和王成志等[8]均采用模糊控制法，实现了隧道通风的实时控制，但其都是以隧道内检测设备的测量值为输入参数，未考虑未来时刻的隧道环境可能的变化情况，这将引起控制决策的输出结果频繁变化，从而导致风机的频繁启停；何川等[9]、陈雪平等[10]和杨宁等[11]均对隧道内下一时刻的污染物浓度进行了预测，并以此实现隧道通风的智能化控制，但由于预测参数单一，且预测点过少，无法真实反映未来一段时间内隧道环境可能的变化趋势。基于此，以上这些方法仍无法避免对风机启停的频繁控制，无法达到更优的节能效果。

笔者针对以上情况，设计了多参量隧道通风模糊控制系统。该系统以烟雾浓度、交通流量、风速为多参数输入量，通过神经网络模型多步预测和模糊控制运算，输出需要启停控制的风机数量，实现隧道通风的智能提前控制。仿真与实践结果表明：文中方法可避免风机的频繁启停，有利于延长风机寿命，且在达到隧道通风要求的基础上，节能效果更加明显。

1 多参量模糊控制系统构成

隧道中污染物浓度主要包括CO浓度和烟雾浓度。通过对多条隧道实际测量数据的分析，在常态工况下，烟雾浓度较CO浓度更容易超标，它是隧道通风控制决策的最主要因素，笔者讨论的控制系统以降低烟雾浓度为例进行设计说明。其基本构成如图1。

图1 多参量模糊控制系统构成Fig.1 Constitution of multi-parameter tunnel ventilation fuzzy control system

控制系统由隧道传感器采样子系统、数据预处理子系统、多参量多步神经网络预测模型、V趋势运算模型及模糊控制器组成。系统通过隧道内传感器采集V,D,W值，在数据预处理后输入多参量多步神经网络预测模型。模型经过训练，预测未来连续12个时刻的VP，并分别与VS求差，得到一组ΔVP序列。将这组ΔVP的均值、方差、上升或下降趋势以及测量的W作为模糊控制器的多参数输入量。经过模糊运算，得到需要启停风机的数量，从而进行风机控制调节，改善隧道环境。

2 多参量多步神经网络预测模型

根据隧道通风系统大时滞、非线性的特点，需要较为准确地分析烟雾浓度将要变化的趋势，才能实现对其更为有效、合理地控制。但仅对下一时刻烟雾浓度进行预测，无法满足对其变化趋势分析，且隧道采样周期一般较短，在一个采样周期时间内不足以通过控制风机启停来改变烟雾浓度趋势。

为了建立隧道烟雾浓度的多步预测模型，控制系统采用了BP神经网络算法。以梯度快速下降法为学习规则，学习和存储大量的输入输出模式映射关系，通过反向传播方式不断调整网络的权值，使网络平方误差达到最小[12-14]。同时，通过数据分析可知，烟雾浓度与车流量和风速之间具有较强的相关性，它们共同影响着未来时段烟雾浓度的变化。为了减小误差，模型利用了车流量、风速值以及烟雾浓度自身值对预测值进行了修正。模型的基本原理公式为

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)为V在(k+1)时刻的变化量；V(k)，D(k)，W(k)分别为V，D，W在k时刻的值。

3 多参量模糊控制器设计

3.1 输入与输出量的确定

3.2 隶属度函数的设定

图的隶属度函数Fig.

图的隶属度函数Fig.

3.2.3TΔVP的隶属度函数

TΔVP为ΔVP序列上升趋势、持平趋势和下降趋势，定义其模糊语言变量为{上升，持平，下降},语言变量词集表示为{MI，K，MD}，隶属度函数如图4。

图4 TΔVP的隶属度函数Fig.4 Subjection function of TΔVP

3.2.4W的隶属度函数

W的真实论域为[0，8]，定义其模糊语言变量为{零，正小，正大}，语言变量词集表示为{Z,PS,PB}，隶属度函数如图5。

图5 W的隶属度函数Fig.5 Subjection function of W

3.2.5 ΔNFJ的隶属度函数

输出变量ΔNFJ为需要启停控制的风机数量，其真实论域为[-2，2]，定义其模糊语言变量为{负大，负小，零，正小，正大}，语言变量词集表示为{NB,NS,Z,PS,PB}。为了避免风机过渡频繁启停，选用正态形隶属度函数，如图6。

图6 ΔNFJ的隶属度函数Fig.6 Subjection function of ΔNFJ

3.3 模糊规则与推理

根据输入输出变量的隶属度函数，结合实际数据分析，建立模糊规则。四维数据表1列出了FLC的全部135条规则，现列举规则R1和R2说明FLC推理过程。

表1 隧道通风多参量模糊控制规则Table 1 Rule of Multi-parameter fuzzy control in tunnel ventilation

(续表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

系统根据模糊规则运算后，可得到需要启停控制的风机数量。列举当TΔVP= MI，W=PS时，ΔNFJ的模糊规则曲面如图7。

图7 ΔNFJ的模糊规则曲面Fig.7 ΔNFJ fuzzy regular surface diagram

4 多参量模糊控制系统的仿真

目前的隧道通风控制大多采用分档控制的方式，即把检测V划分为不同的等级，当检测V达到某个等级时，开启相应数量的风机。为了与分档控制方式进行比较，取依托工程隧道中V，D，W的连续100个采样点数据，根据图1的基本原理建立仿真模型。两种控制方式下，V变化曲线和风机开启数量曲线分别如图8、图9。

图8 V变化Fig.8 Variety diagram of V

图9 风机开启数量变化Fig.9 Variety diagram of running fans

本系统为了避免风机频繁控制，启停变换控制周期设置为15 min，隧道V和风机状态采样周期为5 min。采用分档控制法虽然开启了相应数量的风机，但由于隧道通风系统大时滞性特点，V仍超过控制期望值较长时间。而采用多参量模糊控制系统，利用预测未来多个连续时刻V变化偏差和趋势，对风机进行了提前控制，能够有效减缓V变化趋势，降低V浓度，缩短峰值时间，减少风机开启总时间。

为对节能效果进行评估，可计算隧道内风机的耗电量，如式(2)：

W1=N1×P×T

(2)

式中：W1为所有开启风机的总能耗；N1为所有风机开启周期总数；P为每台射流风机的功率；T为风机控制周期时长。

取P=30 kW，T=15 min，根据式(2)计算，仿真实验中风机的耗电量结果如表2。

表2 风机能耗对比结果Table 2 Comparison of fan’s energy consumption

通过仿真实验比较，多参量模糊控制系统比分档控制系统节能9.45%。

5 结 语

多参量隧道通风模糊控制系统利用采集的多种数据，通过神经网络模型，预测未来多个连续时刻的烟雾浓度，并以其变化程度及趋势作为模糊控制的策略依据，可实现风机的提前控制。通过仿真实验证明，本系统在很好地满足隧道通风控制要求的前提下，可缩短风机运行时间，减少启停控制频率，延长风机使用寿命，节约能耗，降低隧道运营成本。

[1] 杨超,王志伟.公路隧道通风技术现状及发展趋势[J].地下空间与工程学报,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] 邓其,詹华岗,肖文贵,等.隧道烟雾环境下驾驶视觉安全模拟实验研究[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,黄惠斌,马天智,等.基于CFD仿真的隧道通风模糊控制算法[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] 陈建涛,李运华,刘东晓.纵向通风公路隧道空气污染浓度短时预报算法[J].北京航空航天大学学报,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] 孙继洋.山西太古路西山隧道通风方案研究[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] 林强,刘明华,茹锋,等.隧道通风系统模糊控制算法研究[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,张锐.模糊控制技术在隧道射流风机中的应用[J].计算机测量与控制,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,李祖伟,方勇,等.公路隧道通风系统的前馈式智能模糊控制[J].西南交通大学学报,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] 陈雪平,胡刚,曾盛,等.公路隧道前馈式模糊通风控制系统及仿真[J].交通信息与安全,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] 杨宇,周奎宁,程军圣.模糊辨识在隧道纵向式通风控制中的应用[J].计算机工程与应用,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] 强明,郭春喜,周红宇.基于神经网络的GPS高程拟合方法优选及精度分析[J].重庆交通大学学报(自然科学版),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] 王礼军.模糊神经网络专家系统在故障诊断中的应用[J].重庆交通大学学报(自然科学版),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] 叶敏,王铁权.基于模糊神经网络的高寒路基纵向裂缝危险度综合评价[J].重庆交通大学学报(自然科学版),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

交通运输部科技成果推广项目(2012 318 361 110)；陕西省交通建设科技项目(08-16K)

张晓松(1965—)，男，陕西西安人，高级工程师，主要从事智能交通及应用方面的研究。E-mail：1286743765@qq.com。

金 涛(1978—)，男，上海嘉定人，高级工程师，主要从事交通信息技术及ITS方面的研究。E-mail：xgyjt@qq.com。

U453.5

A

1674-0696(2016)04-020-05