基于逐时客流量的地铁站空调系统动态负荷研究

宋美艳 王 亮 朱沁萱

(1.西南科技大学土木工程与建筑学院 四川绵阳 621010;2.成都地铁运营有限公司 成都 610058)

随着轨道交通系统的快速发展，乘坐地铁出行已经成为非常受欢迎的方式。我国交通运输系统的复杂性也不断增加，相应的地铁站运行负荷也急剧增加。地铁站客流量存在早晚高峰和平峰时期，而按照以往的满足高峰期客流量要求的定工况运行模式将会造成大量的能源浪费，空调系统随客流量的变化进行动态调节将有利于降低空调系统运行能耗。

客流预测模型在城市轨道交通规划和运营中发挥着重要作用。其中，GM(1,1)模型以其独特的理论优势在交通管理中得到了推广应用。为了提高GM(1,1)模型针对不同数据类型的预测能力，众多学者对灰色预测模型进行了研究。刁文军[1]综合考虑轨道交通客流影响因素的多样性和随机性，选用灰色预测模型研究天津轨道交通3号线在普通工作日、特殊工作日和周末3种不同条件下的日均客流。针对灰色预测模型的不足，提出了灰色代谢预测模型，改进后的新模型具有更好的预测精度和可行性。顾炯[2]在研究城市轨道交通断面客流特征的基础上，建立了短期客流灰色预测模型，以某市新开通线路的日客流为例，对未来客流进行了预测，分析结果表明，使用灰色预测模型来预测短期客流是可行的。但是，由于影响客流的因素很多，无法准确预测，因此需要对模型进行修正。黄召杰等[3]基于铁路历史客流数据，通过建立灰色预测模型实现了对中国铁路未来客流的预测，并证实灰色模型适合在数据较少的情况下对未来短期客流进行预测。近年来，GM(1,1)模型在交通等领域的应用受到越来越多的关注，它可针对数量非常少(如少于4个)、数据完整性和可靠性较低的数据序列进行有效的短期预测。

在地铁站空调系统节能优化方面，随着变频技术的快速发展，国内许多地铁站空调系统均设置有变频装置，但由于调试不到位，基本上都处于固定工况运行状态，通风空调系统能耗居高不下[4]。樊佳慧[5]基于AFC数据构建了环控系统中乘客停留时间的动态负荷计算方法，实现了不同时间粒度下的负荷计算，又采用灰色关联度方法定量分析了环控系统负荷及其影响因素，结果表明客流量动态变化是地铁站环控系统负荷的主要影响因素。徐国强[6]调研了西安某地铁站乘客的运动特征和行走参数，通过行人仿真软件，得到了客流量分布与乘客在站厅、站台停留时间的关系，建议在对空调系统进行调控时，应结合客流量动态变化和乘客在站停留时间的动态关系，进一步精细化计算空调系统负荷和人员新风量，获得节能效果。张荣[7]调研了地铁站通风系统现状和客流量特点，针对空气质量差和定风量控制系统能耗高等问题，提出基于人员密度估计动态调节新风阀门开度的方法，以达到节能的目的。与传统方法比较可知，此方法不仅能够提高地铁车站环境舒适性，还能有效降低地铁通风系统能耗。Liu等[8]采用混合通风、分层通风和空气幕通风3种送风方式对地铁站台的气流组织进行评估，从风速、空气温度和相对热指数RWI方面讨论了模拟结果，并对模拟结果进行了验证。Kong等[9]分析了地铁环境控制系统的通风换热理论，总结地铁站在不同送风条件下各区域的气流分布。Jenkins等[10]通过实地测量和问卷调查相结合，研究了东京地铁站的热环境，分析得出站厅的热环境随着室外气象参数的变化而变化，出入口附近的温度明显高于车站内部。为了改善车站内的热环境，有必要考虑室外气象参数的变化和车站的空间分布。Yang等[11]采用热力学分析和CFD模拟相结合的方法，分析了地铁站早期、中期和远期的客流量、空调负荷和空气调节情况，结果表明对冷冻水泵、空调机组和风扇末端采用变频技术是必要的。变频技术的引入降低了系统的总能耗，并确保站厅和站台的温度和空气速度场保持在一个舒适的范围内。以一个典型日为例，在地铁通风和空调系统中引入变频技术，在地铁运行的早期、中期和长期，分别可以节能1 103.4 kWh，1 064.0 kWh，926.2 kWh。Yin等[12]从能耗、负荷和温度3个方面分析了地铁站空调系统的变化，提出了3种通用模型和7种节能策略，估算了其节能潜力，得出优化后的空调系统能耗可降低30%以上，这为地铁热环境的理论研究和环境控制系统的设计提供了理论支持。Pan等[13]采用动态热舒适性研究来调查乘客在车站内部的热感觉，分析发现，在整个过程中，乘客的热感觉发生了巨大变化，虽然站厅和站台的温度和湿度都超出了标准，但乘客认为可以接受。我国人口基数大，地铁站具有客流量大、能耗高的特点，对地铁站进行研究的过程中不仅要考虑乘客舒适性，还要尽可能降低通风空调系统能耗。

综上所述，前人对地铁站空调系统的节能优化进行了大量研究，但是一天中客流量波动较大，会对空调系统负荷造成较大影响。因此，本文在前人研究的基础上，采用灰色GM(1,1)预测模型对逐时客流量变化规律进行研究，计算得出地铁站空调系统负荷随逐时客流量的动态变化规律，为地铁站节能优化提供参考。

1 逐时客流量变化规律

地铁站客流量是逐时动态变化的，与平峰期相比，早高峰、晚高峰的客流量会增加，与工作日客流量相比，周末客流量会减少。因此，为研究逐时客流量引起的动态负荷变化规律，本文选用灰色GM(1,1)预测模型对地铁站逐时客流量变化规律进行研究，以1 h为时间间隔对地铁站运营时间进行细分，构建出逐时客流量GM(1,1)预测模型，并预测得出未来短期逐时客流量变化规律。

灰色GM(1,1)预测模型是对既包含已知信息又包含不确定信息的系统进行预测的方法，它的预测原理是基于随机性的原始时间序列，经过累加的数据处理方式形成新的时间序列，以弱化原始序列的随机性，使数据具备指数型变化规律，然后建立一阶微分方程并求解，将所求结果再进行累减处理还原为灰色预测值，从而实现对未来特征值的预测。其离散形式的微分方程为：

(1)

记原始序列为：

X(0)={x(0)(1)，x(0)(2)，x(0)(3),…x(0)(n)}

(2)

对X(0)进行一次累加生成一次累加序列：

X(1)={x(1)(1)，x(1)(2)，x(1)(3),…x(1)(n)}

(3)

(4)

对式(1)进行离散化求解得：

k=0,1,2,3…

(5)

对生成的预测序列进行累减可得预测值：

(6)

通过灰色GM(1,1)模型构建出逐时客流量预测模型，并预测得出逐时客流量值与实际客流量值进行对比，结果如图1所示。从图1可以看出，逐时客流量预测值与实际值的拟合效果良好，最大相对误差仅为14.97%，小于20%，说明改进后的GM(1,1)模型相对准确，可用于预测地铁站未来短期客流量。总之，改进的GM(1，1)模型可以减少因客流量大幅波动而造成的预测误差，有效避免传统GM(1,1)模型的缺陷，为地铁站空调系统动态负荷研究提供理论支撑。

图1 未来短期逐时客流量预测值与实际值对比Fig.1 Comparison of predicted and actual future short-term hour-by-hour passenger flow

2 动态负荷变化规律

本文以成都市某地铁站公共区空调系统作为研究对象[14]，探究逐时客流量变化引起的动态负荷变化规律，主要包含站厅、站台，在乘客活动区域内为乘客提供舒适、卫生的过渡性环境。已知站厅 180.6 m×20.6 m×3.0 m，工作区温度tn=29 ℃，送风温差为10 ℃，送风温度to=19 ℃；站台140 m×10 m×3 m，工作区温度tn= 27 ℃，送风温差为8 ℃，送风温度to=19 ℃。

据研究表明，屏蔽门系统模式下，地铁车站公共区环控系统冷负荷Ql包括照明负荷Qz、设备负荷Qs，围护结构传热负荷Qw、人员负荷Qp、新风负荷Qx和出入口渗透风引起的渗风负荷Qt。其中，人员负荷会随着逐时客流量的变化波动较大，新风负荷也会受到客流量和逐时室外空气焓值的影响，均属于动态负荷。因此，从降低运行能耗和节约成本等角度考虑，可以根据预测的未来短期逐时客流量变化规律，结合室外空气逐时计算参数，计算得出地铁车站动态负荷变化情况，并及时调节地铁站空调系统送风参数，一定程度上缓解地铁站运行的高能耗现象。

2.1 各分项负荷计算方法

(1)照明负荷Qz：按照单位面积指标20 W/m2计算得出。根据地铁站实际尺寸模型，站厅长140.0 m，宽20.6 m，面积为2 884 m2;站台长180.6 m，宽10.0 m(两侧屏蔽门之间的乘客停留区)，面积为 1 806 m2。

(2)设备负荷Qs：根据公共区内单台设备散热量和各设备台数计算得出地铁车站设备总负荷。

(3)围护结构负荷Qw：目前大部分地铁车站都配有屏蔽门系统。因此，围护结构负荷所占地铁站通风空调负荷的比例相对比较小，基本上可以忽略[6]。

(4)出入口空气渗透负荷Qt：出入口渗透换热量的面积热指标为200 W/m2[15]，由出入口面积可计算出入口的渗透换热量。该地铁站有4个出入口，每个出入口宽高为6.5 m×2.5 m。另外，在屏蔽门开启时，会有一部分负荷释放到站台，可按每侧10 kW 进行估算[16]。

照明负荷、设备负荷和出入口渗透负荷相关计算参数如表1-表3所示。

表1 照明负荷计算参数Table 1 Calculation parameters of lighting load

表2 设备负荷计算参数 Table 2 Calculation parameters of equipment load

表3 出入口渗透负荷计算参数Table 3 Calculation parameters of inlet and outlet seepage load

(5)人员负荷Qp：根据逐时进站、出站客流量及乘客在公共区停留时间，计算得出同时在站客流量，结合乘客全热散热量进一步计算站厅、站台处的逐时人员负荷。逐时时间段内的地铁车站同时在站人数与逐时进站、出站乘客数量、停留时间[15]的关系如式(7)、式(8)所示，人员负荷相关参数计算如式(9)-式(12)所示。

(7)

(8)

(9)

(10)

Wc=dc·Nc/1000

(11)

Wp=dp·Np/1000

(12)

式中：Nc为站厅同时在站人数，人；Np为站台同时在站人数，人；A1为逐时进站人数，人/h；A2为逐时出站人数，人/h；a1为乘客进站在站厅停留的时间，取2 min；a2为乘客进站在站台停留的时间，取2 min；b1为乘客出站在站厅停留的时间，取1.5 min；b2为乘客出站在站台停留的时间，取1.5 min；Qc为站厅人员负荷，kW；Qp为站台人员负荷，kW；qc为站厅乘客全热散热量，取183 W/人；qp为站台乘客全热散热量，取181 W/人；Wc为站厅人员湿负荷，kg/h；Wp为站台人员湿负荷，kg/h；dc为站厅乘客人均散湿量，取212 g/(h·人)；dp为站台乘客人均散湿量，取203 g/(h·人)。

(6)新风负荷Qx：可按式(13)计算站厅、站台逐时新风负荷。

Qx=ρVx(iW-iN)/3600

(13)

式中：Qx为新风负荷，W；ρ为新风密度，取1.2 kg/m3；Vx为新风量，取20 m3/(h·人)；iW为室外逐时空气焓值，kJ/kg；iN为室内空气焓值，kJ/kg。

地铁车站公共区空调季节新风量按照下面两者取大值：(1)根据公共场所集中空调通风系统卫生规范(WS 3942012)，车站公共区人员新风量全线统一为20 m3/h·人；(2)新风量不小于系统总送风量的10%。

新风负荷须根据夏季空调室外计算逐时参数得出，成都市夏季室外空气计算参数如表4所示，计算得出夏季室外逐时空气焓值如表5所示。

表4 成都市室外空气计算标准参数表Table 4 Standard parameter table for outdoor air calculation in Chengdu

表5 成都市室外空气逐时计算焓值Table 5 Hour-by-hour calculation enthalpy of outdoor air in Chengdu

2.2 逐时负荷计算结果汇总

根据计算出的各单项负荷结果，汇总可得出工作日逐时负荷，以同样的方法计算得出周末逐时负荷。结果如表6所示。

表6 逐时负荷汇总Table 6 Summary of hour-by-hour loads kW

2.3 节能分析

工作日和周末各分项负荷和定工况运行负荷对比图如图2、图3所示。

分析图2、图3可以看出，地铁站逐时空调系统负荷随着逐时客流量的变化而变化，在早高峰和晚高峰时客流量最大，相应的空调系统负荷也增大。客流量平峰期，空调系统总负荷也随着客流量的降低而降低。整体而言，工作日客流量相对较大，因此，工作日的逐时空调系统负荷高于周末的逐时空调系统负荷。

从图2、图3可以看出，以满足高峰期客流量负荷要求计算固定工况下运行负荷，工作日一天总负荷为6 682.05 kW，而动态负荷为5 212.28 kW，总共可减少1 469.77 kW，降低了22.00%。固定运行工况下周末一天总负荷为5 489.21 kW，动态负荷为 4 880.63 kW，总共可减少608.58 kW，降低了11.09%。相比之下，工作日的逐时客流量波动较大，在预测出逐时客流量变化规律后，根据动态负荷及时调整空调系统的运行策略，工作日比周末降低空调运行负荷的幅度大。

图2 工作日动态负荷与定工况负荷对比图Fig.2 Comparison of dynamic load and constant working condition load on workdays

图3 周末动态负荷与定工况负荷对比图Fig.3 Comparison of dynamic load and constant working condition load at weekends

综上所述，相比空调系统定工况下运行，根据逐时客流量变化规律计算得到的动态负荷有明显降低，可用于指导地铁站空调系统的运营管理，为地铁站空调系统的节能优化提供参考。

3 结论

本文构建优化的逐时客流量GM(1,1)模型，并预测出未来短期客流量数据。在此基础上，根据逐时客流量变化规律计算出空调系统逐时动态负荷，分析得出以下结论：(1)将逐时客流量预测值与实际客流量数据进行对比，预测值与实际值的整体拟合效果较好，最大相对误差仅为14.97%，说明改进的GM(1,1)预测模型具有较高的预测精度，可以用来预测未来的短期客流量和变化规律。(2)根据地铁站未来短期客流量数据，计算得到客流量变化引起的动态负荷变化规律。与定工况运行计算负荷相比，工作日一天负荷减少1 469.77 kW，降低了22.00%；周末一天负荷减少 608.58 kW，降低了11.09%。研究结果可用于指导地铁站空调系统的运营管理。