基于的客流预测的地铁站照明系统节能控制研究
发布时间：2021-02-15 23:27
地铁作为快捷、方便的出行方式,在我国大城市的发展速度不断加快,随之产生的就是能源消耗问题,由于大多数的地铁站处于地下,地铁站照明能耗在地铁车站的整个能耗中占有很大的比重,地铁站照明节能对于降低地铁站的运营成本具有重要的现实意义。本文以地铁站照明系统为研究对象,以减少地铁站照明能耗为研究目的,开展了基于客流预测的地铁站照明控制系统节能研究,主要完成了以下工作:（1）地铁站短时客流预测。以深度学习理论为基础,设计并实现了多层受限玻尔兹曼机和BP网络组成的深度置信网络模型,基于深度置信网络模型实现参数的微调优化,实验结果表明,该模型能够有效的预测出地铁站的短时客流量。（2）地铁站照明控制系统的设计与实现。硬件部分以STM32F103ZE处理器为核心,设计了最小系统、串口通信、照明电路、继电器控制电路等模块;软件部分采用Keil MDK软件对该系统进行编程、调试,设计了控制系统主程序、数据传输、照明系统调节等模块,实现了依据客流量调节地铁站照度大小的照明控制系统。（3）地铁站照明控制系统节能效果的验证。采用DIALux软件对地铁站照明系统的建模仿真,采用MATLAB软件计算当前地铁站照明系统的...
【文章来源】：西安建筑科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图2.2双峰型客流分布
西安建筑科技大学硕士学位论文7图2.2双峰型客流分布（2）全峰型这种客流类型的地铁站一般位于城市的核心区域或者是关键的换乘站点，全天客流都会处于高的状态。例如西安地铁的北大街站、小寨站。北大街站位于城市市中心，周围有很多学校、商场和医院，并且是地铁一号线和二号线的换乘站，小寨站周围有很多大型商场以及旅游景点，并且也是地铁二号线和三号线的换乘站，因此该客流类型的车站从早到晚时客流量基本都处于高峰状态。如图2.3所示：图2.3全峰型客流分布
西安建筑科技大学硕士学位论文8（3）突峰型突峰型客流是指客流量会在某一时间突然产生较大的变化，这种客流类型的地铁站大多位于大型活动场所附近，如体育尝大型活动举办地，在赛事活动开始前和结束后的时间段，该客流类型的车站会出现突发性的客流高峰，与此同时，与其相邻的车站可能也会受到影响，出现短暂时段的客流高峰。例如西安地铁二号线的省体育场站和永宁门站。2016年10月6日，在省体育场举办了国足十二强赛，体育场容纳了近五万人，导致体育场站出现了短时的客流高峰；2017年10月25日，永宁门举办了大型晚会，在晚会的开始和结束都出现来的短暂的客流高峰。该类型车站的客流分布图如图2.4所示：图2.4突峰型客流分布（4）无峰型该客流类型的地铁站全天每一时段的客流量都比较少，客流量没有明显的变化。这种客流类型的地铁站一般是在地理位置处于比较偏的地方，例如西安地铁三号线的新筑站，该车站处于郊区位置，对于乘坐地铁的需求较小，所以地铁运行时段，客流量显得不足。还有一些情况，很多城市在快速阶段，地铁的修建速度超过了周围客流需求，因为这些地铁站的周边还处于正在开发的阶段，周围的基础建设还没有完全成型，虽然未来这些地铁站的客流量会变多，但是目前来看，这些地铁站周围的客流量还是比较少，这就是无峰型客流类型的地铁站。这种客流类型每天客流的变化规律大致如图2.5所示：
【参考文献】：
期刊论文
[1]基于深度神经网络的城市声音分类模型研究[J]. 陈波,俞轶颖. 浙江工业大学学报. 2019(02)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]以安全为导向的地铁高峰时段多车站客流协同控制模型[J]. 石俊刚,杨静,杨立兴. 交通运输系统工程与信息. 2019(01)
[4]基于BP神经网络的南京市房价预测[J]. 吴姗姗. 市场周刊. 2019(02)
[5]基于神经网络的地铁短时客流预测服务[J]. 侯晨煜,孙晖,周艺芳,曹斌,范菁. 小型微型计算机系统. 2019(01)
[6]基于AFC的地铁车站楼扶梯客流参数预测与状态判定[J]. 孙建辉,胡华,刘志钢. 计算机应用与软件. 2019(01)
[7]基于车流量控制的道路照明节能控制系统[J]. 李付伟,马荣兵,王强. 照明工程学报. 2018(02)
[8]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[9]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌. 计算机科学. 2017(S2)
[10]基于深度学习的安卓恶意应用检测[J]. 苏志达,祝跃飞,刘龙. 计算机应用. 2017(06)
硕士论文
[1]基于BP神经网络和深度信念网络对车轴疲劳裂纹声发射信号的识别研究[D]. 贾宇恒.大连交通大学 2018
[2]基于深度学习的地铁短时客流量预测研究[D]. 李捷.西南交通大学 2018
[3]基于深度神经网络的短时客流量预测[D]. 高莹.杭州电子科技大学 2018
[4]基于深度学习的SDN流量预测研究[D]. 鹿如强.浙江工商大学 2018
[5]基于放射组学的肺ROI特征提取与选择和结节的良恶性分类[D]. 魏冰雁.河北大学 2017
[6]基于变分模态分解的船用齿轮箱故障诊断研究[D]. 方军强.武汉理工大学 2017
[7]基于地铁站的电气照明节能研究[D]. 朱姝伟.长安大学 2015
[8]基于改进BP神经网络与遗传算法的燃煤锅炉生产运行预测与优化[D]. 高俊苓.中国石油大学(华东) 2014
本文编号：3035725
【文章来源】：西安建筑科技大学陕西省
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图2.2双峰型客流分布
西安建筑科技大学硕士学位论文7图2.2双峰型客流分布（2）全峰型这种客流类型的地铁站一般位于城市的核心区域或者是关键的换乘站点，全天客流都会处于高的状态。例如西安地铁的北大街站、小寨站。北大街站位于城市市中心，周围有很多学校、商场和医院，并且是地铁一号线和二号线的换乘站，小寨站周围有很多大型商场以及旅游景点，并且也是地铁二号线和三号线的换乘站，因此该客流类型的车站从早到晚时客流量基本都处于高峰状态。如图2.3所示：图2.3全峰型客流分布
西安建筑科技大学硕士学位论文8（3）突峰型突峰型客流是指客流量会在某一时间突然产生较大的变化，这种客流类型的地铁站大多位于大型活动场所附近，如体育尝大型活动举办地，在赛事活动开始前和结束后的时间段，该客流类型的车站会出现突发性的客流高峰，与此同时，与其相邻的车站可能也会受到影响，出现短暂时段的客流高峰。例如西安地铁二号线的省体育场站和永宁门站。2016年10月6日，在省体育场举办了国足十二强赛，体育场容纳了近五万人，导致体育场站出现了短时的客流高峰；2017年10月25日，永宁门举办了大型晚会，在晚会的开始和结束都出现来的短暂的客流高峰。该类型车站的客流分布图如图2.4所示：图2.4突峰型客流分布（4）无峰型该客流类型的地铁站全天每一时段的客流量都比较少，客流量没有明显的变化。这种客流类型的地铁站一般是在地理位置处于比较偏的地方，例如西安地铁三号线的新筑站，该车站处于郊区位置，对于乘坐地铁的需求较小，所以地铁运行时段，客流量显得不足。还有一些情况，很多城市在快速阶段，地铁的修建速度超过了周围客流需求，因为这些地铁站的周边还处于正在开发的阶段，周围的基础建设还没有完全成型，虽然未来这些地铁站的客流量会变多，但是目前来看，这些地铁站周围的客流量还是比较少，这就是无峰型客流类型的地铁站。这种客流类型每天客流的变化规律大致如图2.5所示：
【参考文献】：
期刊论文
[1]基于深度神经网络的城市声音分类模型研究[J]. 陈波,俞轶颖. 浙江工业大学学报. 2019(02)
[2]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[3]以安全为导向的地铁高峰时段多车站客流协同控制模型[J]. 石俊刚,杨静,杨立兴. 交通运输系统工程与信息. 2019(01)
[4]基于BP神经网络的南京市房价预测[J]. 吴姗姗. 市场周刊. 2019(02)
[5]基于神经网络的地铁短时客流预测服务[J]. 侯晨煜,孙晖,周艺芳,曹斌,范菁. 小型微型计算机系统. 2019(01)
[6]基于AFC的地铁车站楼扶梯客流参数预测与状态判定[J]. 孙建辉,胡华,刘志钢. 计算机应用与软件. 2019(01)
[7]基于车流量控制的道路照明节能控制系统[J]. 李付伟,马荣兵,王强. 照明工程学报. 2018(02)
[8]深度置信网络模型及应用研究综述[J]. 刘方园,王水花,张煜东. 计算机工程与应用. 2018(01)
[9]基于深度学习的医学影像诊断综述[J]. 张巧丽,赵地,迟学斌. 计算机科学. 2017(S2)
[10]基于深度学习的安卓恶意应用检测[J]. 苏志达,祝跃飞,刘龙. 计算机应用. 2017(06)
硕士论文
[1]基于BP神经网络和深度信念网络对车轴疲劳裂纹声发射信号的识别研究[D]. 贾宇恒.大连交通大学 2018
[2]基于深度学习的地铁短时客流量预测研究[D]. 李捷.西南交通大学 2018
[3]基于深度神经网络的短时客流量预测[D]. 高莹.杭州电子科技大学 2018
[4]基于深度学习的SDN流量预测研究[D]. 鹿如强.浙江工商大学 2018
[5]基于放射组学的肺ROI特征提取与选择和结节的良恶性分类[D]. 魏冰雁.河北大学 2017
[6]基于变分模态分解的船用齿轮箱故障诊断研究[D]. 方军强.武汉理工大学 2017
[7]基于地铁站的电气照明节能研究[D]. 朱姝伟.长安大学 2015
[8]基于改进BP神经网络与遗传算法的燃煤锅炉生产运行预测与优化[D]. 高俊苓.中国石油大学(华东) 2014
本文编号：3035725
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3035725.html
