地铁站台光照动态调控方法
城市轨道交通以其巨大的社会和经济影响成为城市战略发展的重点，而地铁运营线路是最主要的城市轨道交通制式［1］。地铁站作为一种空间封闭的特殊建筑形态，其光环境依靠人工照明营造，具有照明时间长、强度高和能耗大的特点。中国交通运输部2016年数据显示，地铁实际照明负荷占地铁系统设备总负荷的20%～30%，单位面积照明能耗超出国家标准的14.2%～16.1%［2］；欧洲SEAM4US项目组给出了巴塞罗那某试点地铁站的分项能耗数据，其中照明年能耗为229 067.17 kW·h，在分项能耗中所占比例最大（37.46%）［3］。地铁建设的快速发展以及地铁站单位面积照明的高能耗，使得地铁站照明节能变得更加必要和紧迫。
近年来随着半导体照明技术的发展，LED 被广泛应用于各种照明场所，尤其是大功率LED 光源光照参数（如光强、色温等）的多样性和可控性为营造舒适光环境、挖掘照明节能的潜力创造了有利条件，由此一些利用LED 光源光照参数可调特点的照明控制方法被相继提出，为丰富照明控制理论和技术手段提供了新的思路和方向。Qin等［4］利用数据挖掘技术提出了一种基于交通流量分布、交通组成和车速分布的隧道LED 照明动态调节方法；Casals 等［5］利用K-means 聚类方法对时间维度的地铁站客流量数据集进行聚类，建立调光时间表指导地铁站LED 的调光控制；Lai 等［2］针对地铁站厅提出了一种基于节能方案的照明系统智能模型，系统在不同时间段自动调整每个功能区域LED 的亮度。这些研究成果对地铁站的光照调控研究具有很好的借鉴作用，但现有研究中地铁站光照调控方式为线性调光，易造成过度照明，不利于节能，且由于未考虑邻近区域光照的耦合关系，难以实现精确调光。
本文以全人工照明的地铁地下标准岛式站台为研究对象，将站台公共区划分为多个子区域，考虑子区域照度的耦合关系，建立站台照明模型进行照明模拟，获取照度数据及其等式约束，建立最小能耗光照调控模型；针对遗传算法收敛速度较慢和局部寻优能力较弱的不足，基于反向学习策略提出自适应反向学习方法，用于改进遗传算法；依据子区域人群密度确定其照度设定值，作为光照调控模型的输入，利用改进算法对光照调控模型进行求解，得到站台LED灯具的最佳调光比。
1 光照调控模型
1.1 站台照明模型
照明系统中，通常采用照度作为光照强度的定量指标，物体的照度应与人眼视力和设计要求相吻合，强调了在合理的范围内控制照度的必要性，避免因过度照明而造成浪费［6-7］。因此，选取照度作为光照调控的基本参数。
站台光照调控区域为站台公共区，将公共区划分为多个子区域，考虑邻近子区域光照的耦合关系，需获取多组光源分别为各子区域提供的最大照度作为调控系数，将其定义为“耦合照度系数（Coupled illumination coefficients，CIC）”。例如，区域A 和区域B 的照明均由光源1、光源2、光源3提供，3个光源为区域A提供的最大照度EA1，EA2，EA3定义为区域A的CIC，为区域B提供的最大照度EB1，EB2，EB3定义为区域B的CIC，光源光通量的变化将同时引起2 个区域的照度变化，即区域的照度相互耦合。相较于不考虑照度耦合关系的线性调光方式，利用CIC进行光照调控可实现精确调光。
获取子区域CIC及其等式约束的流程如下。
（1）基于站台基本功能分区进行公共区的子区域划分，利用站台形制和建筑材料调研数据在DI⁃ALux软件中建立站台三维仿真模型；
（2）依据子区域划分和照明设计标准，结合站台灯具调研数据，在站台三维仿真模型中对LED 灯具进行选型、布置和分组，建立站台照明模型；
党的十八大以来，高校党的领导和党的建设不断加强，但在管党治校上也存在一些薄弱环节。十八届中央第十二轮巡视公布的29所中管高校巡视反馈情况显示，少数高校存在党委领导作用发挥不够、党的建设薄弱、全面从严治党不力等问题。这些问题既有思想观念的原因，更有政治能力和治理能力方面的因素。
（3）利用站台照明模型进行照明模拟，获取子区域的CIC及其等式约束。
1.1.1 站台三维仿真模型
以西安地铁4 号线某站台为研究对象，站台平面图如图1 所示。该站台为典型的标准地下岛式站台，包括轨行区和公共区2 个基本功能区域，其中公共区分为站台边缘和候车区2 个部分。站台光照来源于公共区下照式灯具提供的基础照明和轨行区挂墙式广告灯箱提供的广告照明。
视物模糊是由于光学系统受到污染，首先要判断出污物存在的位置，才能有效排除。视野中出现异物有3种情况：物镜上、目镜上和载玻片上。（1）移动载玻片异物不动，说明污物不在载玻片上；（2）转动转换器，换上高倍镜后，仍可观察到，说明污物不在物镜上，只可能存在于目镜上；（3）如果转动目镜头，污物也随之转动，则说明在目镜头上。
图1 某地铁站台平面图
公共区的子区域划分如图2 所示，共分为9 个子区域（区域A—区域I），建立的站台三维仿真模型如图3所示。
图2 公共区子区域划分
图3 某地铁站台三维仿真模型
1.1.2 站台照明模型
对站台灯具进行选型、布置和分组。文献［7］中规定的站台（地下）照度标准值为150 lx，国内陆下站台平均照度值上限一般超过国家标准的40%以上（达到210 lx），因此，将站台照度的调节范围确定为150～210 lx，考虑5%～10%的设计余量，即站台照明最大平均照度为220～230 lx。
站台灯具选型和布置如下。
（1）该站台2 侧轨行区共均匀分布36 个12 封（3 m×1.5 m）广告灯箱（灯箱功率400 W，表面光通量18 000 lm，内部为LED 灯条）。因此，在DIALux 软件灯具库中选择功率100 W、光通量4 500 lm、显色指数85、长度3 m 的挂墙式LED 灯条，每4 个灯条模拟1 个广告灯箱，共布置144 个灯条，灯具布局如图4（a）所示，灯条以橙色边框蓝色填充表示。
图4 某地铁站台灯具布局
（2）该站台公共区灯具为T5 荧光灯管（功率18 W，布灯416 盏）。该灯管光通量不可调，故不能用于光照动态调控。因此，在DIALux 软件灯具库中选用光通量可调的LED 灯具对公共区照明系统进行改造，该LED 灯具为功率47 W、光通量2 248 lm、显色指数85的方形嵌入式灯具，共布置133 个灯具，灯具布局如图4（b）所示，灯具以橙色边框蓝色填充表示。
质构是表示食品组织结构的重要品质指标，通过对质构特性的分析，可以清晰地量化食品的组织形态变化[19]。挑选大小一致、厚度均匀的藕片6～10片作为测试对象，平放于测试台中央，参考王远等[20]的研究，选用探头为P/5N的平底圆柱形探头，测试参数设置：操作模式为TPA模式，测前速度2 mm/s，测试速度0.5 mm/s，下压距离5 mm，测后速度2 mm/s，测量样品的硬度，每个样品重复测定6次，结果取平均值。
照明模拟结果显示站台最大平均照度为227 lx，灯具选型与布局满足设计要求。
实际站台中广告照明的照度不变，为子区域提供恒定照度。因此，光照调控过程仅需对基础照明灯具进行分组。以区域A、区域B 和区域C 为例，依据子区域划分和灯具布置，将区域A 内灯具、区域B 内灯具、区域C 内灯具、区域A 与区域B 边界灯具、区域B 与区域C 边界灯具分别划分为1 个灯组，如图5 所示，每个虚线框内灯具为1 个灯组。其余子区域灯具分组规则类同，将公共区LED 灯具共分为15 组，见表1。至此，站台照明模型建立完成。
图5 公共区灯具分组（区域A、区域B和区域C为例）
表1 公共区LED灯组
灯具组别123456789 10 11 12 13 14 15灯具个数44 10 10 66 12 3 12 15 10 15 11 4 11对应区域及其边界区域A与区域B边界区域B与区域C边界区域D与区域E边界区域E与区域F边界区域G与区域H边界区域H与区域I边界区域A区域B区域C区域D区域E区域F区域G区域H区域I
1.1.3 公共区子区域CIC及其等式约束
利用站台照明模型进行照明模拟，获取公共区子区域CIC并建立其等式约束的步骤如下。
（1）全区照明模拟，如图6（a）所示，得到全区灯具为子区域提供的最大照度。
（2）轨行区广告照明模拟，如图6（b）所示，得到广告灯箱为子区域提供的恒定照度。
（3）公共区LED 灯组照明模拟，如图6（c）所示（以灯组11为例），得到子区域的CIC。
图6 某地铁站台照明模拟渲染图
（4）子区域CIC 等式约束建立。以区域A 为例，将步骤（1）中得到的全区照明为区域A 提供的最大照度记为EA-max，步骤（2）中得到的广告照明为区域A 提供的照度记为EA_adv，则基础照明为区域A 提供的最大照度为EmaxA_basic=EA-max-EA_adv。步骤 （3） 中得到的区域A 的CIC 记为(EA1，EA2，…，EA15)，且满足等式约束为EmaxA_basic=EA1+EA2+…+EA15，其余子区域类同，故子区域的CIC满足等式约束为
在大学生英语教学中跨文化教学是全新的教学模式，也是培养国际化高素质人才的重要方式。通过这种教学模式，可以培养学生的跨文化意识，让他们在毕业后寻找工作时更有竞争优势，能够在生活和工作中与外国人更加顺利地进行沟通和交流。
其中，
式中：Earea_LED 表示由各子区域CIC 构成的（9×15）维CIC矩阵；L表示元素均为1的（15×1）维列向量。
1.2 光照调控模型
1.2.1 最小能耗优化光照调控模型
今年1—9月，全区保障性安居工程完成投资179.1亿元，完成年度投资计划164亿元的109%，同比增长26.3%，实现快速增长；全区棚户区改造累计获得贷款授信1757.6亿元，在保障和改善民生的同时，有力地推动了经济增长和城镇发展；列入政府投资公租房已分配88.67%，城镇住房保障家庭租赁补贴发放2.54万户，完成目标任务的90.9%。
站台光照动态调控方法的基本思想为：各子区域的人群密度不同照度需求也不同，则照明系统根据各子区域照度需求自动更改LED 灯组照度。各子区域的照度是相互耦合的，且灯组数量大于子区域数量，因此LED 灯组可以有多种不同的照度组合达到各子区域需求的照度水平，在众多的灯组照度组合中，搜寻到使照明能耗最小的照度组合，实现光照的最优控制。
区域A—区域I 的基础照明照度需求为Earea_basic=(EA_basic，EB_basic，…，EI_basic)T，当灯组1～灯组15 的调光比向量α=(α1，α2，…，α15)T 时，可满足各子区域照度需求，基于式（1），有等式约束为
光照动态调控的目的是满足子区域照度需求的前提下，探究照明系统的最小能耗运行模式，即满足照度需求的前提下寻找电能W 的相对最小值。站台公共区使用的LED 灯具型号相同，忽略其电阻值的微小差异性，假设其额定电流为I，电阻为R，则照明系统t时间内消耗的总电能W为
近年来，大连围绕打造国际化营商环境目标，不断深化改革，推出新举措，打出 “组合拳”，营商环境发生了很大变化。但与先进城市和地区相比，与企业和群众的期望相比，仍存在着一定差距，还存在不少问题 [4]，主要是市场机制仍不健全，企业和群众反映突出的问题尚未根本解决。
式中：mi为第i组灯的灯具个数，i＝1，2，…，15。
对式（3）进行简化，寻找电能W 的最小值等效于寻找
的最小值，故可建立含等式约束的最小能耗光照调控模型的目标函数J为
s.t.
Earea_LEDα=Earea_basic
式中：
和
分别表示αi取值范围的下限和上限。
1.2.2 等式约束降维处理方法
对于优化问题中等式约束的处理，通常采用的方法是等式约束松弛法和双不等式约束法，但是等式约束松弛法会改变优化拓扑空间，双不等式约束难以获得可行解［8］。基于变量独立性分析的等式约束降维处理方法，将等式约束转化为多目标，再求解无等式约束多目标优化问题，可以使等式约束严格满足的同时降低系统维数，避免了等式约束松弛法和双不等式约束法的弊端。因此，采用变量独立性分析对光照调控模型中的等式约束进行处理。
设公共区每个灯组的调光比为1 个优化变量，共15个优化变量；每个子区域的CIC满足1个等式约束，共9 个等式约束。由于存在等式约束，相互独立的变量最多只有15-9＝6 个。因此，下文选取6 个优化变量作为自由变量，其余9 个非自由变量由9个线性等式约束求解得出。
采用Gauss-Jordan 消元法将CIC 矩阵Earea_LED变换为简化行阶梯形矩阵来选取自由变量，阶梯矩阵每1 个阶梯对应调光比向量α=(α1，α2，…，α15)T中的1 个非自由变量，其余变量为自由变量。根据求得的行阶梯形矩阵，选取子区域边界灯组（灯组1—灯组6）的调光比α1,α2,…,α6 作为自由变量，子区域内灯组（灯组7—灯组15）的调光比α7,α8,…,α15 通过自由变量确定，由此可将式（2）表示为
解式（5）中的线性方程，将α7，α8，…，α15表示为自由变量向量αfv=(α1，α2，…，α6)的函数为
由式（6）将式（4）所示的含等式约束单目标优化模型转换为1 个无等式约束多目标优化模型，构造新的目标函数F(αfv)为
s.t.
其中，
从表5中可以看出，西部矿业2013～2017年的流动资产周转率分别为2.12、2.72、2.57、2.27、2.38，虽然近五年流动资产周转率增减幅度不大，但相对2014与2015年，2016年和2017年企业的流动资产的运营效率明显较差，导致企业这两年的资金成本明显高于2014年和2015年，企业盈利能力有所下降。
式中：f (αfv)为降维处理后
的等效表达；gj(αfv)为降维处理后非自由变量取值范围的不等式约束。
由此，将站台光照动态调控问题转化为寻找调光比向量
使光照调控模型的目标函数F(αfv)取得最值的控制问题。
2 基于自适应反向遗传算法的光照最优控制
遗传算法（Genetic algorthm，GA）是一种启发式优化算法，具有较强的鲁棒性，适用于多目标、非线性优化问题的求解。江等［9］将遗传算法应用于求解铁路集装箱班列始发时刻的优化模型，使集装箱在办理站停留时间最短；麻等［10］利用双编码层的节能操纵遗传算法求解节能操纵优化模型，优化效果优于常规操纵仿真算法；李等［11］建立了综合快运方案优化模型并利用遗传算法进行求解，降低了运输总成本。鉴于遗传算法在求解优化模型方面的适用性，将其用于光照调控模型的求解。
遗传算法存在收敛速度较慢和局部寻优能力较差的不足，为此，引入反向学习（Oppositionbased learning，OBL）［12-13］对遗传算法进行改进，以提高算法性能。OBL 理论中，实数γ ∈[a，b]的反向数定义为
=a+b-γ。文献［11］的试验结果表明，将反向学习直接引入传统遗传算法构成反向遗传算法（OBL-GA），引入1 个随机解（染色体）及其对应的反向解（抗染色体），对算法性能提升有限。原因在于当种群的染色体离全局最优解相对较远时，抗染色体会在前期迭代中急剧占据种群，因此随后的迭代中抗染色体可能无效甚至对收敛到最优解产生负面影响。
选取2016年5月—2018年5月到我院接受治疗的80例结直肠癌患者，所有患者均接受持续治疗，按随机数字表法将其分为A组和B组。A组收入结直肠癌患者40例，其中男性患者28例，女性患者为12例；该组患者年龄最小为59岁，最大为72岁，平均年龄为（65.58±5.50）岁。B组收入结直肠癌患者40例，其中男性患者为25例，女性患者为15例；该组患者年龄最小为60岁，最大为71岁，平均年龄为（65.55±5.51）岁。对比两组患者的年龄、性别等相关资料发现差异无统计学意义，P＞0.05，具有可比性。
Rahnamayans 等［14］基于反向数提出了准反向数为
q=rand[(a+b)/2，
]，Ergezer 等［15］基于准反向数提出了准反射反向数为
qr=rand[γ，(a+b)/2]，准反向数和准反射反向数相较于反向数寻优效率更优。因此，借鉴准反向数和准反射反向数寻优的思想，提出一种基于最优目标值的自适应反向学习（Adaptive opposition-based learning，AO⁃BL）方法，对遗传算法进行改进，构成自适应反向遗传算法（AOBL-GA）。
AOBL-GA 求解光照最优控制问题的过程如下。
储量不确定性分析是在参数设定范围内，依据采样方式，进行建模参数多次随机采样，应用随机参数，建立多个地质模型，对有限的模型实现统计分析，得到不确定性分析结果[12-13]。
（1）初始化调光比种群A(t)，A(t)由n个不同的调光比向量αfv=(α1，α2，…，α6)组成。
（2）若当前迭代次数t 小于迭代次数限值，则进行步骤（3），否则跳转至步骤（7）。
（3）计算A(t)中n个αfv对应的目标值F(αfv)和平均目标值Fav(αfv)，若其中有p（p＜n）个较劣调光比向量
对应的F(αbad)≥Fav(αfv)，则计算p 个αbad 分别对应的AOBL 调光比向量
其向量元素计算方法为
其中，
式中：
为距离计算函数；
为A（t）中最小目标值Fmin(αfv)对应的最优调光比向量
的向量元素（各灯组调光比）。
（4） 将p 个
构成AOBL 调光比种群
并对A（t）竞赛选择获取n－p 个较优调光比向量αgood 构成较优调光比种群Agood(t)，将
与Agood(t)混合形成待进化调光比种群N（t）。
（5）对N（t）进行交叉，变异操作产生新调光比种群A（t＋1）。
（6）迭代次数＋1（即t+1 替换为t），返回步骤（2）。
（7）迭代结束。
（8）输出A（t）中最小目标值Fmin(αfv)对应的最优调光比向量αbest。
由于AOBL-GA 是自适应的，反向搜索区间随迭代次数的增加而变小，使得迭代后期原染色体和抗染色体均在全局最优解的邻域内，避免了迭代后期抗染色体对收敛到全局最优解产生的负面影响。AOBL-GA 利用每次迭代中最优目标值个体的先验信息自动确定反向搜索区间，在每次迭代过程中引入较劣个体的自适应反向个体，保证迭代过程中优良基因不被丢失的同时保持算法的开发能力，提高遗传算法的收敛速度和局部寻优能力。
“优品生活 农垦直供”。农垦直供全国健康连锁食品超市项目，是开设在各大城市社区的品牌实体店面，响应国家食品安全号召，依托各垦区的优质农产品资源，优选全国35个垦区的绿色、有机、农垦可追溯农产品，直供到社区千家万户的消费者手中，将垦区生产与百姓生活相连接。秉持“守护国人餐桌饮食安全、让百姓健康幸福生活”的企业使命，采用“产地直供+体验营销+配送服务+膳食科普+农场旅游”五位一体的经营模式，全方位立体式宣传农垦的产业优势和价值品质，为服务国民饮食“新食代”绿色健康生活而努力奋斗。
3 试验验证
为验证AOBL-GA 的性能，进行算法对比试验；为验证动态调控方法的调控效果，进行光照调控模拟试验。由于光照调控模拟试验中需要利用算法对比后的最优算法求解调光比，因此，需首先进行算法对比试验，其次进行光照调控模拟试验。
3.1 算法对比试验
将AOBL-GA 与粒子群算法（PSO）、竞赛选择遗传算法（Tournament selection-Genetic algo⁃rithm，TS-GA）和反向遗传算法（OBL-GA）进行对比试验。设置算法最大迭代次数为200，粒子群算法的群体规模为40，惯性权重由0.9逐渐递减至0.4，学习因子均为2；遗传算法的种群规模为40，交叉概率为0.6，变异概率为0.03。
设计4 组试验，分别对应4 种子区域照度设定值，见表2。
表2 不同照明场景的子区域照度设定
?
利用每种算法分别对每组实验进行30 次重复试验，即每种算法共进行120 次试验，统计每种算法在30 次重复实验中的最大、最小、平均适应度以及适应度标准差，试验结果见表3。
表3 不同算法照明模拟试验结果
?
由表3 可知，AOBL-GA 与其他3 种算法相比，4 组试验对应的适应度最大值、最小值、平均值和适应度标准差均更优，表明AOBL-GA 局部寻优能力更强且稳定性更好。
首先是通过赢得他人信任和打造自身形象来建立自身的信誉；其次是从你和他人都看重的方面描述你的观点的好处；如果没有，那么就要用有说服力的数据、故事、观点来强化立场；最后就是要展现同理心，即了解说服对象并且与他们建立情感纽带。
选择各算法在第10 次试验的适应度变化曲线作为展示，观察算法收敛速度和寻优能力，适应度变化曲线如图7所示。
图7 不同照度设定适应度变化曲线
由图7 可知，AOBL-GA 和其余3 种算法相比，4 组试验对应的适应度曲线收敛速度均更快，在迭代40 余次之后即能迅速收敛到最优值附近，表明AOBL-GA具有更快的收敛速度。
算法对比试验结果表明，AOBL-GA 相比于其他3 种算法在收敛速度、局部寻优能力和稳定性方面均更优。
抛光液中添加AEO后，铜晶圆表面的缺陷减少。在3 ～ 12 mL/L的范围内，随着AEO体积分数的增大，铜晶圆的表面缺陷数量变化不大，但相对而言，AEO体积分数为6 mL/L时晶圆表面的缺陷最少，只有668个。增大AEO的体积分数至18 mL/L时，晶圆表面的缺陷反而急剧增大。可见阳离子型表面活性剂FAOA与非离子型表面活性剂AEO以合适的比例进行复配时才能有效减少晶圆的表面缺陷。从分子结构可以看出，FAOA是一种小分子的表面活性剂，AEO则是一种长链大分子的表面活性剂，它包裹在硅溶胶的表面(见图6)能进一步提高抛光液的分散性，降低硅溶胶粒子之间团聚的概率[7]。
3.2 光照调控模拟试验
动态调控方法的调控效果主要包括照度调控效果和照明节能效果。因此，进行光照调控模拟试验，从2 个方面验证动态调控方法的调控效果：①光照调控模型的可行性验证；②动态调控方法的节能性验证。
3.2.1 光照调控模型可行性验证
利用AOBL-GA 对光照调控模型进行求解，得到4 种照明场景对应的LED 灯组最优调光比见表4；将调光比输入站台照明模型进行照明模拟，得到照度模拟值，将其与照度设定值作比较，讨论光照调控模型的可行性，照度模拟值和设定值的比较见表5。
表4 不同照明场景最优调光比
照明场景最大照度最小照度照度设定1照度设定2 LED灯组调光比向量(1.000,0.926,0.779,0.921,0.992,0.813,0.906,0.955,0.899,0.807,0.960,0.922,0.740,0.917,0.953)(0.629,0.616,0.571,0.611,0.621,0.508,0.608,0.701,0.601,0.502,0.609,0.618,0.558,0.613,0.602)(0.736,0.756,0.763,0.777,0.760,0.779,0.773,0.677,0.773,0.779,0.737,0.822,0.884,0.844,0.765)(0.737,0.813,0.886,0.788,0.704,0.779,0.773,0.677,0.773,0.779,0.799,0.876,0.909,0.850,0.764)
由表5 可知，求得的照度模拟值和设定值之差绝对值不超过2 lx，照度偏差保持在1.33%（2 lx/150 lx≈0.013 3）以内，调控结果准确。试验结果表明，光照调控模型可实现精确调光，能够满足子区域照度需求，模型具有较强的可行性。
花色苷是花色素以糖苷键与糖结合而成的一类水溶性化合物，属于黄酮类化合物。花色素基本结构是3,5,7-三羟基-2-苯基苯并吡喃（如图1），目前自然界中已知花色素23种（见表1）[4]。其中，最常见的6种分别为：矢车菊素（Cyanidin）、飞燕草素（Delphenidin）、芍药素 （Peonidin）、矮牵牛素 （Petunidin）、锦葵素（Malvidin）和天竺葵素（Pelargonidin）。
表5 不同照明场景照度设定值与模拟值比较
照明场景子区域不同照度参数/lx照度差绝对值最大照度最小照度照度设定1 A B C D EA B C D EA B C D E 210 210 210 210 210 150 150 150 150 150 170 180 175 180 185 211 210 211 212 212 149 149 148 150 152 171 180 175 181 185 1 0 1 2 21 1 2 0 21 0 0 1 0照度模拟值172 186 169 193 182不同照度参数/lx照明场景子区域照度设定值照度模拟值照度差绝对值最大照度最小照度照度设定1 F G H IF G H IF G H I 210 210 210 210 150 150 150 150 190 180 195 185 212 210 212 211 150 149 152 149 191 180 197 185 2 0 2 10 1 2 11 0 2 0照度设定2 A B C D E照度设定值173 187 169 192 181 1 1 0 1 1照度设定2 F G H I 193 190 201 186 194 190 203 186 1 0 2 0
3.2.2 动态调控方法节能性验证
由于广告照明照度恒定，仅需比较基础照明节能效果。西安地铁4 号线工作日时刻表分为高、中、低峰期，该站台末班车到站时间为23：36，闭站时间为23：45，高峰期（7：00—9：00，17：00—19：00）内开启所有基础照明灯具（100%），中峰期（9：00—17：00，19：00—21：00）内开启80%的基础照明灯具，低峰期（6：00—7：00，21：00—23：45）内开启50%的基础照明灯具。由T5 荧光灯管参数计算得到该站台基础照明日电耗为416个×0.018 kW×(1.0×4 h＋0.8×10 h＋0.5×3 h)＝101.088 0 kW·h。
考虑站台实际人数（人数统计数据显示，站台人数在9～625 人区间内变化），定义站台照度调节范围见表6。表6中，站台人数按中国行进行人服务水平分级标准建议表中的行人空间占有量划分［16］，照度变化区间长度（15 lx）为极端工况下满足站台照度均匀度规定的临界值。
表6 地铁站台照度调节范围
?
照度设定值的计算方法：某时段站台人数对应的照度调节范围为Emin～Emax，人数统计得到区域A—区域I的人群密度分别为ρA，ρB，…，ρI，借助归一化思想计算子区域照度设定值，以区域A 为例，其照度设定值计算式为
基于站台人数的实测数据，使用动态调控方法对某工作日的站台光照进行调控并进行能耗计算，调控方式如下。
（1）开站后初始时段（6：00—6：15）与闭站前时段（23：00—23：45）站台人数较少，站台光照保持最低照度（150 lx）。
（2）其余时段按照动态调控方法进行光照调控。人数统计数据显示高峰期、中峰期和低峰期内分别经过每4，10 和15 min 时间人数明显变化，将各时段人数明显变化时间作为对应的调控变换时间。
计算得到部分调光时刻子区域照度设定值见表7，求得的LED 灯组部分调光比与照明能耗见表8。
表7 不同时段子区域照度设定（部分）
调光时刻6:00 6:15 6:30 6:45…8:28 8:32 8:36 8:40…12:00 12:10 12:20 12:30…22:15 22:30 22:45 23:00站台人数/人12 22 38…620 578 468 258…117 156 133 115…66 77 53子区域人群密度向量/(人·m-2)(0.029,0,0.010,0,0.018,0,0.029,0,0)(0.010,0.047,0.029,0.036,0.007,0.021,0.019,0.016,0)(0.076,0.012,0.038,0.014,0.018,0.086,0.019,0.024,0.010)…(0.400,0.300,0.505,0.671,0.361,0.671,0.686,0.572,0.676)(0.362,0.324,0.400,0.693,0.375,0.743,0.676,0.456,0.638)(0.448,0.459,0.486,0.450,0.257,0.443,0.314,0.464,0.410)(0.096,0.141,0.219,0.329,0.171,0.300,0.267,0.208,0.219)…(0.219,0.071,0.105,0.086,0.061,0.193,0.114,0.064,0.010)(0.048,0.282,0.257,0.093,0.064,0.107,0.324,0.088,0.086)(0.086,0.400,0.095,0.121,0.057,0.036,0.133,0.136,0.105)(0.019,0.129,0.086,0.229,0.043,0.193,0.029,0.088,0.076)…(0.076,0.129,0.076,0.086,0.014,0.014,0.057,0.072,0.057)(0.124,0.106,0.038,0.086,0.046,0.050,0,0.056,0.114)(0.010,0.071,0.019,0.021,0.075,0.079,0.019,0,0.067)子区域照度设定向量/lx(150,150,150,150,150,150,150,150,150)(165,150,155,150,159,150,165,150,150)(153,165,159,161,152,157,156,155,150)(163,150,156,151,152,165,152,153,150)…(199,195,203,209,197,209,210,206,210)(196,195,198,208,197,210,208,200,206)(193,193,195,193,180,192,184,194,190)(165,168,173,180,170,178,176,172,173)…(165,154,157,155,154,163,157,154,150)(150,163,161,152,151,153,165,152,152)(152,165,152,154,151,150,154,154,153)(150,158,155,165,152,162,151,155,154)…(161,170,161,163,150,150,157,160,157)(170,167,156,164,157,158,150,159,168)(153,168,155,155,169,170,155,150,167)(150,150,150,150,150,150,150,150,150)
表8 不同时段LED灯组调光比（部分）及对应能耗
调光时段6:00—6:15 6:15—6:30 6:30—6:45 6:45—7:00 7:00—8:28 8:28—8:32 8:32—8:36 8:36—8:40 8:40—8:44 8:44—12:00 12:00—12:10 12:10—12:20 12:20—12:30 12:30—12:40 12:40—22:15 22:15—22:30 22:30—22:45 22:45—23:00 23:00—23:45 6:00—23:45 LED灯组调光比向量(0.629,0.616,0.571,0.611,0.621,0.508,0.608,0.701,0.601,0.502,0.609,0.618,0.558,0.613,0.602)(0.744,0.644,0.454,0.589,0.673,0.462,0.642,0.860,0.635,0.457,0.732,0.664,0.445,0.578,0.621)(0.627,0.676,0.728,0.701,0.658,0.604,0.637,0.615,0.609,0.568,0.640,0.657,0.603,0.620,0.591)(0.731,0.636,0.460,0.596,0.678,0.527,0.588,0.630,0.657,0.624,0.615,0.636,0.597,0.621,0.594)…(0.945,0.840,0.657,0.856,0.962,0.869,0.856,0.738,0.850,0.862,0.975,0.905,0.668,0.900,0.967)(0.918,0.844,0.704,0.850,0.922,0.861,0.851,0.738,0.856,0.869,0.975,0.882,0.604,0.867,0.953)(0.897,0.833,0.708,0.839,0.902,0.791,0.775,0.660,0.764,0.777,0.780,0.819,0.797,0.846,0.814)(0.723,0.689,0.622,0.725,0.766,0.709,0.724,0.664,0.707,0.687,0.772,0.739,0.587,0.718,0.744)…(0.738,0.659,0.503,0.613,0.679,0.550,0.612,0.651,0.649,0.602,0.652,0.656,0.578,0.613,0.596)(0.611,0.653,0.704,0.704,0.674,0.525,0.612,0.685,0.611,0.526,0.728,0.668,0.466,0.593,0.630)(0.613,0.690,0.775,0.685,0.605,0.538,0.625,0.692,0.596,0.503,0.631,0.640,0.578,0.630,0.617)(0.616,0.643,0.663,0.663,0.641,0.647,0.639,0.548,0.635,0.609,0.604,0.633,0.611,0.644,0.618)…(0.663,0.691,0.705,0.687,0.656,0.587,0.638,0.640,0.582,0.515,0.637,0.656,0.613,0.651,0.630)(0.716,0.708,0.651,0.652,0.644,0.574,0.651,0.699,0.622,0.538,0.601,0.615,0.579,0.686,0.692)(0.619,0.675,0.733,0.680,0.625,0.493,0.643,0.822,0.695,0.568,0.658,0.600,0.430,0.644,0.714)(0.629,0.616,0.571,0.611,0.621,0.508,0.608,0.701,0.601,0.502,0.609,0.618,0.558,0.613,0.602)能耗/(kW·h)0.553 5 0.625 2 0.609 8 0.605 8 4.980 8 0.324 7 0.316 8 0.269 4 0.213 5 8.157 1 0.415 2 0.402 8 0.388 7 0.405 7 26.647 6 0.609 6 0.635 5 0.640 7 1.660 0 48.462 4
由表8可知，使用动态调控方法对选定工作日的站台光照进行调控，照明能耗为48.462 4 kW·h，相较于该站台实际单日照明能耗（101.088 0 kW·h），实现了52.06%的照明节能，表明动态调控方法具有良好的节能性。
光照调控模拟试验结果表明，动态调控方法在满足子区域照度需求的同时，具有显著的节能效果，调控效果得以验证。
4 结 论
（1）利用提出的自适应反向学习方法对遗传算法进行改进，改进算法相比粒子群算法、竞赛选择遗传算法和反向遗传算法，迭代40 余次即可收敛至最优值附近，收敛速度更快；最大、最小和平均适应度值均更小（最小值问题），局部寻优能力更强；适应度标准差均更小，稳定性更优。
（2）利用动态调控方法对站台光照进行控制，站台公共区各子区域照度模拟值和设定值之差绝对值不超过2 lx，照度偏差控制在1.33%以内，并实现了52.06%的照明节能，在满足照度需求的同时显著降低了照明能耗。
（3）本文提出的动态调控方法对地铁站台的照明节能进行了有益探索，可为人工照明地下空间的照明节能控制方案设计提供参考。
参考文献
［1］中国城市轨道交通协会.城市轨道交通2019 年度统计和分析报告［EB/OL］.2020（2020-05-18）［2021-01-15］.https：//www.camet.org.cn/tjxx/5133.（China Association of Metros.Report of Statistics and Analysis of Urban Rail Transit in 2019［EB/OL］.2020（2020-05-18）［2021-01-15］.https：//www.camet.org.cn/tjxx/5133.in Chinese）
［2］LAI X D，DAI M Y，RAMEEZDEEN R.Energy Saving Based Lighting System Optimization and Smart Control Solutions for Rail Transportation：Evidence from China［J］.Results in Engineering，2020（5）：100096.
［3］CASALS M，GANGOLELLS M，FORCADA N，et al.A Breakdown of Energy Consumption in an Underground Station［J］.Energy and Buildings，2014，78：89-97.
［4］QIN L，SHI X H，LEON A S，et al.Dynamic Luminance Tuning Method for Tunnel Lighting Based on Data Mining of Real-Time Traffic Flow［J］.Building and Environment，2020，176：106844.
［5］CASALS M，GANGOLELLS M，FORCADA N，et al.Reducing Lighting Electricity Use in Underground Metro Stations［J］.Energy Conversion and Management，2016，119：130-141.
［6］HAN J，KWON S B，CHUN C.Indoor Environment and Passengers’Comfort in Subway Stations in Seoul［J］.Building and Environment，2016，104：221-231.
［7］国家质量技术监督局，中国标准化管理委员会.GB/T 16275—2008 城市轨道交通照明［S］.北京：中国标准出版社，2008.（The State Bureau of Quality and Technical Supervision，Standardization Administration.GB/T 16275—2008 Urban Rail Transit Lighting［S］.Beijing：Standards Press of China，2008.in Chinese）
［8］胡宽，常新龙，宋笔锋，等.求解含等式约束优化问题的遗传算法［J］.上海交通大学学报，2011，45（7）：966-969，974.（HU Kuan，CHANG Xinlong，SONG Bifeng，et al.Genetic Algorithm to Solve Optimization Problem with Equality Constrains［J］.Journal of Shanghai Jiaotong University，2011，45（7）：966-969，974.in Chinese）
［9］江雨星，高翠香，牛惠民.基于需求响应的铁路集装箱班列始发时刻优化［J］.中国铁道科学，2020，41（2）：139-146.（JIANG Yuxing，GAO Cuixiang，NIU Huimin.Optimizing Departure Time of Railway Container Trains Based on Demand Response［J］.China Railway Science，2020，41（2）：139-146.in Chinese）
［10］麻存瑞，毛保华，柏赟，等.考虑过电分相的高速列车节能操纵方法［J］.中国铁道科学，2019，40（4）：137-144.（MA Cunrui，MAO Baohua，BAI Yun，et al.Energy-Saving Operation Method for High-Speed Trains Considering Passing Neutrally Phase Insulators［J］.China Railway Science，2019，40（4）：137-144.in Chinese）
［11］李海鹰，曹玥，廖正文，等.基于服务网络的综合快运方案优化［J］.中国铁道科学，2020，41（4）：136-145.（LI Haiying，CAO Yue，LIAO Zhengwen，et al.Optimization of Comprehensive Express Transportation Scheme Based on Service Network［J］.China Railway Science，2020，41（4）：136-145.in Chinese）
［12］TIZHOOSH H R.Opposition-Based Learning：A New Scheme for Machine Intelligence ［C］// Proceeding of International Conference on Computational Intelligence for Modelling，Control and Automation and International Conference on Intelligent Agents，Web Technologies and Internet Commerce（CIMCA-IAWTIC’06）.Piscataway，NJ，USA：IEEE，2005：695-701.
［13］MAHDAVI S，RAHNAMAYAN S，DEB K.Opposition Based Learning：A Literature Review［J］.Swarm and Evolutionary Computation，2018，39：1-23.
［14］RAHNAMAYAN S，TIZHOOSH H R，SALAMA M M A，et al.Quasi-oppositional Differential Evolution［C］//Proceeding of 2007 IEEE Congress on Evolutionary Computation.Piscataway，NJ，USA：IEEE，2007：2229-2236.
［15］ERGEZER M，SIMON D，DU D.Oppositional Biogeography-Based Optimization［C］// Proceeding of 2009 IEEE International Conference on Systems，Man and Cybernetics（SMC 2009）.Piscataway，NJ，USA：IEEE，2009：1009-1014.
［16］胡明伟，黄文柯.行人交通仿真方法与技术［M］.北京：清华大学出版社，2016.