Investigación aplicada sobre la configuración de ascensores de edificios de oficinas

Un estudio de caso ilustra que el método del algoritmo CMOPSO es mejor que el método tradicional de configuración de ascensores para mejorar la calidad del servicio de los edificios de oficinas.

por Ma Lianzhe, Luo Zhiqun, Huang Shaolun y Wan Jianru

A medida que aumenta continuamente el número de edificios de oficinas de gran altura, es cada vez más obvio que la configuración de los ascensores es un tema importante. [1] Sin embargo, el método tradicional de configuración de ascensores difícilmente puede cumplir con los requisitos del sistema moderno de tráfico de ascensores. Para resolver este problema, se ha establecido un modelo matemático optimizado para múltiples objetivos de la configuración de ascensores, denominado algoritmo “Optimización de enjambre de partículas multiobjetivo caótico (CMOPSO)”. Se ha diseñado un sistema de aplicación de configuración de ascensores mediante la tecnología de programación híbrida de Visual Basic (VB) y MATLAB.

Debido a las diferencias entre los ascensores y los equipos de transporte horizontal, es muy difícil que se añadan o modifiquen ascensores después de su instalación y utilización. Por lo tanto, los diseñadores deben prestar más atención a la configuración del ascensor al diseñar el edificio. La configuración razonable del tráfico de ascensores puede hacer un uso completo del espacio del edificio de oficinas, asignar el flujo de multitudes de manera efectiva y ahorrar energía. Por el contrario, una configuración de tráfico de ascensores irrazonable no solo aumenta el hacinamiento y / o el costo de los ascensores, sino que también reduce la utilización efectiva del espacio del edificio. [2]

Se deben considerar muchas variables de un sistema de ascensor en el proceso de configuración del ascensor. El método tradicional de configuración de ascensores generalmente aplica prueba y error de acuerdo con fórmulas estadísticas. Este método lleva demasiado tiempo (ya que requiere repetidas iteraciones) y es impreciso en el control de costos o en la reducción del tiempo promedio de espera. Por tanto, en base a los parámetros y principios básicos de configuración de ascensores, el sistema de aplicación del algoritmo CMOPSO ofrece una buena expresividad de interfaz por haber sido diseñado en VB. El esquema de configuración transfiere el complejo y tedioso cálculo iterativo manual a una operación automática computarizada, lo que reduce en gran medida el tiempo y el esfuerzo de operación; reduciendo al mismo tiempo de forma eficaz el tiempo medio de espera, tanto para el pico de subida como para el de bajada.

Configuración del ascensor

La “configuración del ascensor” se refiere a la selección y configuración de los ascensores en los edificios, incluida la velocidad nominal, la capacidad de carga nominal, el tamaño de la cabina y la cantidad de unidades para lograr el propósito de obtener un valor óptimo de precio / rendimiento del sistema de ascensores.

En el proceso de configuración del ascensor, no solo se debe considerar la utilización efectiva del espacio del edificio, también se debe considerar el ahorro de energía y costos. La configuración del ascensor debe ser razonable para mejorar la calidad del servicio de transporte por ascensor. Por tanto, la configuración del ascensor es un problema de optimización multiobjetivo.

Modelo de configuración de ascensor optimizado para múltiples objetivos

Variables independientes

Las variables independientes del modelo de configuración de ascensor optimizado multiobjetivo incluyen: Re (carga nominal), V (velocidad nominal), N (número de ascensores), M (región de servicio de ascensor), r (número de pasajeros en un ciclo) y ae (aceleración nominal).

Funciones multiobjetivo

Los tres principios básicos de una configuración óptima de ascensores son:

1. El tiempo de funcionamiento del servicio de ascensor, que se utiliza para indicar la calidad del servicio de ascensor, debe ser lo más breve posible y el tiempo medio de espera se utiliza como indicador principal de rendimiento.
2. El número de ascensores es razonable.
3. Ahorros de energía

Los ascensores del edificio de oficinas se dividen en M regiones. El tiempo de funcionamiento del ascensor (Fk) de la región k-ésima (1 ≤ k ≤ M) está representado por el recíproco de la tasa de llegada de los pasajeros dentro de un período de 1 s. Suponiendo que hay Nk ascensores en la k-ésima región:

Para lograr el primer principio, la Ecuación 2 debería producir un valor mínimo.

Para lograr el objetivo de un número razonable de ascensores, la Ecuación 3 también debe obtener un valor mínimo.

Para lograr el objeto de ahorro de energía, suponga que el coeficiente de equilibrio del ascensor es øk (0.4 ~ 0.5), la eficiencia de transmisión mecánica total del ascensor es ŋ, el tiempo de cálculo es T, entonces el consumo de energía de los ascensores en la k-ésima región es:

Entonces, la tercera función objetivo es:

Teniendo en cuenta la influencia mutua y la relación de restricción mutua entre los tres objetivos, hacer que solo una función objetivo obtenga un valor mínimo no funciona. Por lo tanto, hacer que la función objetivo general obtenga el mínimo es la forma de obtener el esquema óptimo de configuración del ascensor. Se introduce el factor de ponderación λi, y la función multiobjetivo general se muestra en la Ecuación 6. Se puede concluir que el esquema de configuración óptima del ascensor se establece siempre que se obtenga la solución óptima de la Ecuación 6.

Ecuaciones de restricción

El intervalo de tiempo medio (AIk) del k-ésimo conjunto de ascensores debe satisfacer la siguiente ecuación de restricción:

En el proceso de configuración de ascensores, siempre que se cumpla con CE ≥ CEa, la eficiencia de transporte del sistema de tráfico de ascensores puede cumplir con los requisitos. Entonces, se establece la siguiente ecuación de restricción (Ecuación 8).

donde CE representa la tasa de llegada de los pasajeros dentro de los 5 min., y CEa es la tasa de llegada de los pasajeros dentro de los 5 min. durante el pico de flujo de pasajeros.

Suponiendo que el tiempo de viaje promedio esperado (AP) es de 120 s. hasta el límite y el tiempo de espera promedio esperado (AWT) es de 45 s. hasta el límite, se establece la siguiente ecuación de restricción.

donde g1 (k), g2 (k) y g3 (k) son pequeños números positivos (en segundos).

Algoritmos óptimos de configuración de ascensores

MOPSO

El algoritmo de optimización de enjambre de partículas multiobjetivo (MOPSO) genera el enjambre inicial de forma aleatoria y realiza múltiples iteraciones. En cada iteración, cada partícula actualiza su velocidad y posición mediante la solución óptima personal (pbest) y la solución óptima global (gbest): la solución óptima encontrada por todo el enjambre. Finalmente, la solución óptima del problema de optimización multiobjetivo se encuentra a través de múltiples iteraciones. [3] En MOPSO, cada partícula es una solución del espacio optimizado d-dimensional, y su calidad se decide por el valor de aptitud de la función multiobjetivo a optimizar. [4]

Suponga que hay m partículas en el enjambre, en la tésima iteración ordenada. La ubicación de la partícula se expresa como Xi (t) = (Xi1 (t), Xi2 (t), ... Xid (t)); la velocidad de la partícula se expresa como Vi (t) = (Vi1 (t), Vi2 (t), ... Vid (t)); la solución óptima encontrada por la propia partícula se expresa como Pi (t) = (Pi1 (t), Pi2 (t), ... Pid (t)); y la solución óptima global se expresa como Pg (t) = (Pg1 (t), Pg2 (t), ... Pgd (t)). En la tésima iteración ordenada, la partícula actualiza su velocidad y ubicación de acuerdo con las siguientes ecuaciones:

donde w representa el peso de inercia. Puede equilibrar la capacidad de búsqueda del grupo. c1 y c2 son factores de aprendizaje y constantes no negativas. r1 y r2 son números aleatorios mutuamente independientes que pertenecen a [0,1]. i = 1, 2. . . metro. j = 1, 2,. . . D.

Aunque el algoritmo de optimización de enjambre de partículas (PSO) puede obtener buenos resultados en la resolución de problemas optimizados multiobjetivo, las partículas son propensas a converger prematuramente al óptimo local en el proceso de evolución, debido a la aleatoriedad de las partículas en el proceso de inicialización. y evolución. Por tanto, en este artículo se aplica la idea de caos al algoritmo PSO para mejorar su calidad.

MOPSO caótico (CMOPSO)

El caos es un fenómeno general en los sistemas no lineales. [5] La teoría de la optimización del caos se aplica al algoritmo PSO aprovechando la ergodicidad del movimiento caótico. El algoritmo CMOPSO puede superar las deficiencias del algoritmo PSO, a saber, la convergencia prematura y el óptimo local. Mientras tanto, puede aumentar la velocidad de convergencia y la precisión del algoritmo PSO.

La siguiente ecuación logística se introduce en el algoritmo PSO para realizar la combinación de la idea del caos y el algoritmo PSO:

donde μ representa la variable de control. Suponga que μ = 4 y 0 ≤ z0 ≤ 1, entonces, el sistema está completamente en un estado de caos. Una determinada secuencia de tiempo (z1, z2, z3 ...) puede ser iterada por el valor inicial aleatorio z0∈ [0,1]. Luego, la posición y la velocidad de las partículas se inicializan mediante una secuencia caótica, y una partícula del enjambre actual se reemplaza por la partícula óptima (generada en la secuencia caótica). Por lo tanto, se mejora la condición en la que el algoritmo PSO cae fácilmente en el óptimo local.

Proceso de algoritmo

En el algoritmo CMOPSO, cada partícula representa una especie de esquema de configuración de ascensor. Según las variables independientes, las funciones multiobjetivo y las ecuaciones de restricción del modelo de configuración de ascensor optimizado multiobjetivo, el programa de configuración del ascensor basado en el algoritmo CMOPSO se programa en MATLAB para seleccionar la ubicación óptima de las partículas, es decir, la esquema óptimo de configuración del ascensor. El proceso del algoritmo se describe en los siguientes pasos: [6]

Determinar las funciones objetivo y las ecuaciones de restricción de la

     1) configuración de ascensor optimizada multiobjetivo.

     2) Inicialice el número máximo permitido de iteraciones o error de aptitud, peso de inercia y factor de aprendizaje de CMOPSO.

     3) Inicializar la posición y velocidad de las partículas mediante la idea del caos. Se genera aleatoriamente un vector de dimensión m, y cada componente se valora de 0 a 1, a saber, z1 = (z11, z12, ... z1d). d es el número de variables independientes en las funciones objetivo. En este artículo, d = 6. Según el sistema caótico, se obtienen m vectores y cada componente de zi se lleva al intervalo de valores correspondiente. Luego, se calcula el valor de aptitud del enjambre de partículas y se eligen del enjambre x soluciones con mejor rendimiento para que sean las soluciones iniciales. Entonces, x velocidades iniciales se generan aleatoriamente.

     4) Si el valor de aptitud de la partícula es superior a la solución óptima personal, pbest se establece como la mejor posición.

     5) Si el valor de aptitud de la partícula es superior a la solución óptima global, gbest se establece como la mejor posición. Luego, la velocidad y la posición de las partículas se actualizan respectivamente.

     6) La posición óptima Pg (t) = (Pg1 (t), Pg2 (t),… Pgd (t)) es optimizada por el caos, entonces, se obtiene la solución factible que tiene el mejor desempeño (P *).

     7) Reemplazar la posición de cualquier partícula en el enjambre actual con P *.

     8) Si el algoritmo CMOPSO cumple la condición de parada (los indicadores de rendimiento de la configuración del ascensor), el sistema de configuración del ascensor dejará de buscar y generará la solución óptima global. De lo contrario, vuelva al paso 4.

Según el algoritmo CMOPSO, el sistema de aplicación de la configuración óptima del ascensor está diseñado por la tecnología de programación híbrida de VB y MATLAB.

Interfaz de configuración

Interfaz de entrada de parámetros básicos

Primero, el usuario puede configurar los parámetros a través de la interfaz de entrada. Esto incluye ingresar el área total del edificio (U), el área efectiva del edificio (S), el número de personas que reciben el servicio de ascensor (Q), las capas de servicio de los ascensores (n), la altura del edificio (H ) y el AWT esperado. Luego, el sistema establecerá automáticamente los parámetros del elevador, como la velocidad nominal (V) y la capacidad nominal de carga Re.

Interfaz de salida de los resultados de la configuración

El sistema de configuración de ascensores opera el programa en segundo plano de la interfaz de acuerdo con los principios anteriores de configuración de ascensores. Luego genera los resultados de la configuración del ascensor.

Interfaz de evaluación del rendimiento

Según los resultados de la configuración del elevador, esta interfaz puede calcular y generar varios indicadores de rendimiento, incluidos AWT, AWT de pico ascendente (AWTu) y AWT de pico descendente (AWTd). El tiempo medio de espera se elige como principal indicador de evaluación del desempeño. El proceso de diseño de la configuración del ascensor se ilustra en la Figura 1.

Figura 1: El proceso de diseño de la configuración del ascensor: Sa es la distancia de aceleración, tr es el tiempo de vuelo de un solo piso, td es el tiempo de apertura / cierre de la puerta, tp es el tiempo de transferencia de pasajeros y RTT es el tiempo de ida y vuelta .

Estudio de caso de configuración de ascensor

Tomemos un edificio de oficinas moderno de gran altura con un área total de 30,000 m2, un área efectiva de 27,000 m2, 24 capas (pisos) / 78 m de altura, 3,000 usuarios y un tiempo de espera promedio esperado de 45 s. La interfaz, después de ingresar los parámetros básicos, se muestra en la Figura 2.

Figura 2: Interfaz de entrada con parámetros básicos

Según los parámetros anteriores, la configuración del ascensor se realiza mediante el esquema de configuración basado en el algoritmo CMOPSO y el esquema de configuración tradicional, respectivamente. Los parámetros de rendimiento de los ascensores configurados por CMOPSO son la capacidad de carga nominal de 1350 kg y la velocidad nominal de 2.5 mps (Figura 2). Los resultados de la configuración del CMOPSO y los esquemas tradicionales se muestran en las Figuras 3 y 4.

Figura 3: Resultados del esquema CMOPSO

Figura 4: Resultados del esquema tradicional

Tabla 1: Comparación del CMOPSO y esquemas tradicionales

De la Tabla 1, en comparación con el esquema de configuración de ascensores tradicional, el esquema de configuración de ascensores basado en el algoritmo CMOPSO redujo los AWT promedio, promedio ascendente y pico descendente. Esto se debe a que el método CMOPSO puede encontrar la solución óptima a través de múltiples iteraciones rápidas y controlar las variables independientes con mayor precisión, proporcionando así una selección y configuración de ascensores más razonables. El resultado muestra que el esquema de configuración de ascensores basado en el algoritmo CMOPSO es más efectivo en la configuración de ascensores.

Conclusión

Se han presentado el algoritmo CMOPSO y un sistema de aplicación de configuración de ascensores. El estudio de caso muestra que el esquema de configuración de ascensores basado en el algoritmo CMOPSO puede reducir eficazmente el tiempo de espera promedio, promedio de pico ascendente y promedio de pico descendente, mejorando así la calidad del servicio de un edificio de oficinas. Por lo tanto, el esquema de configuración de ascensores basado en el algoritmo CMOPSO proporciona una solución viable y eficaz para la configuración de ascensores.

Agradecimiento

Esta investigación fue apoyada por AQSIQ Nonprofit Industry Specialized Research Funding (No. 201310153).

• 

• 

• 

• 

Referencias
[1] Zhu Lin, Jiang Qing, Cao Jie y Wan Jianru. “Método de control del grupo de ascensores”, ELEVATOR WORLD, 2013, 11:46-54.
[2] Zhang Junli. "Despacho de tráfico de ascensores y su desarrollo de software". Universidad de Tecnología del Sur de China, Guangzhou, China, 2012 (en chino).
[3] Qian Huang, Tianwei Li, Zhengyou Li y Yundong Hang. "Investigación sobre la técnica de control PID para la dirección caótica de barcos basada en el algoritmo de optimización del enjambre de partículas del caos dinámico". Décimo Congreso Mundial sobre Automatización y Control Inteligente (WCICA 10): 2012-1639, 43.
[4] Shen Hong. “Investigación sobre tecnología de compensación de armónicos de corriente y sag de voltaje en UPQC”. Universidad de Tianjin, Tianjin, China, 2009 (en chino).
[5] Li Shuang, Wang Zhixin y Wang Guoqiang. "Aplicación de un controlador de red neuronal PID basado en PSO mejorado para VSC-HVDC". Actas de la CSEE, 2013, 33 (3): 14-21 (en chino).
[6] Pan Feng, Li Weixing y Gao Qi. "Optimizador de enjambres de partículas y optimización de objetos múltiples". Prensa del Instituto de Tecnología de Beijing, Beijing, China, 2013 (en chino).