在商场和火车站等其他公共场所中经常能见到自动扶梯的身影，其属于一种有助于人们进行通行的特殊设备，能够给人们提供更多的便利。不过自动扶梯所产生的能耗比较大，其不符合我国如今绿色环保的理念，所以对于电梯公司来讲其需要重视自动扶梯相关的节能性。通过BP神经网络来预测自动扶梯的能耗可以给电梯公司带来更多的参考价值，对于提升能源的利用率具有重要作用。
1.BP神经网络的简述
神经网络的兴起时间为20世纪40年代，其属于预决策技术，自身的非线性动态处理水平较高，而且自学功能和自适应能力比较强大可以应用在多个领域中。 BP神经网络在众多的神经网络中具有极强的代表性，而且属于应用范围极为广泛的网络模型，所以其功能的发展比较完整和全面[1]。
BP神经网络属于反向传播误差的多层前馈网络，其能以任意的进度来靠近任何连续函数，主要用在非线性建模函数靠近模式分类等其他方面。输出层、隐含层和输入层共同组成BP神经网络，其属于具有3层或者3层以上的神经网络，在BP神经网络中，上层和下层之间能够达到全连接，而且每层的神经元间并没有任何连接。在给网络提供一对学习样本之后，神经元的激活值可以由输入层经过中间层往输出层进行传播，这时输出层中的每个神经元能够得到网络输入响应。随后根据降低目标输出和实际误差之间的方向，由输出层出发经过每个中间层各个连接权值进行逐层修改，最后返回输出层，这一算法可称作“误差反向传播的算法”，也可称为BP算法[2]。
2.自动扶梯产生能耗的基本因素
2.1 运行速度
自动扶梯的运行速度和能耗之间具有一定的关系，为了找出自动扶梯不同运行速度中所产生的能耗功率，需要调控制柜来调整自动扶梯实际的运动频率，以此调节自动扶梯实际的运行速度，将其分为0.25m/s、0.35m/s、 0.45m/s，其在不同的运行速度下所产生的能耗功率如表1所示。在实际测量中的第5.5min时，将自动扶梯由下行运作调整成上行运作，这时能耗功率数值的中间部分容易出现间断，从表1可看出，当自动扶梯的运行速度比较低时，能耗的能力会有所降低，所以自动扶梯的运行速度和能耗功能为线型关系。
表1：自动扶梯在不同的运行速度下所产生的能耗功率表
2.2 驱动主机功率
在自动扶梯的驱动主机中驱动主机的功率为重要的参数之一，其将直接决定自动扶梯实际的运行效果。在自动扶梯中驱动主机功率的不同，所产生的能耗也会有所不同。市面上自动扶梯的驱动主机功率大部分在7.5KW与5.5KW，极少一部分在9.3KW，处于11KW的更少，对于优异的A+++能效等级中，自动扶梯的驱动主机功率占比大部分为7.5KW，其具有较好的能效等级。
2.3倾斜角度和高度
自动扶梯中的倾斜角度为自动扶梯在运行时的水平面和其方向间的夹角，当自动扶梯的长度一样时，自动扶梯的倾斜角度大，其提升的高度则会越高，一般来说自动扶梯倾斜的角度基本为35°和30°，其中倾斜角度是35°的自动扶梯能效等级要比倾斜角度是30°的自动扶梯低一些。此外，自动扶梯的倾斜角度相同时，其提升高度因长度的不同而不同，因此把倾斜角度一样但提升高度不一样的自动扶梯分析时，可以根据其提升高度每次增长1m当做一个等级，可分为3.5m以内、3.5-4.5m、4.5-5.5m、5.5-6.5m、6.5-7.5m这几组数据。当自动扶梯的提升高度有所增加时，自动扶梯自身的能效等级也会随之变好，但是提升高度在6.5-7.5m中的自动扶梯能效情况和提升高度在5.5-6.5m的自动扶梯的能效相比处于下降状态，造成该现象的主要原因在于6.5-7.5m阶段的自动扶梯所使用的驱动主机功率和低于6.5m的自动扶梯自身的驱动主机相比其功率大，这样会造成一定的功率浪费，从而造成能效等级有所下降。
2.4驱动主机类型
自动扶梯在运转时离不开驱动主机，其属于核心部件，其产生的动力可以保证扶手带、梯级等正常运作，并保证减速箱齿轮可顺利转动，驱动主机内的电动机并不相同，但每个电动机内都会出现两个磁极，分别为N、S，其磁极个数可代表电动机实际的极数。在我国当前阶段的自动扶梯中常用的驱动主机类型为Y极和X极，在同样的条件下，当自动扶梯所使用的驱动主机为Y极时所产生的能耗较低。
3.BP神经网络下自动扶梯能耗的预测方法
3.1 选择模型中的输入量
根据上文分析出的影响自动扶梯运行时能耗的基本因素，选择对应的影响因子当做神经网络输入量来预测自动扶梯的能耗。由于B型号的润滑油所产生的润滑效果比A型号的润滑油稍差一些，随着这些年来我国大部分的自动扶梯采用的润滑油基本为A型号的润滑油。而且现在多生产出的自动扶梯运行速度基本都是根据运行速度0.5m/s所运行的，因此在此次的BP神经网络模型设计中并不考虑这两个因素。本文将会选择自动扶梯中的5个参数当做网络输入，其影响因素为自动扶梯的梯级宽度n1（mm）、提升高度n2（m）、倾斜高度n3（°）、驱动主机功率n4（KW）和驱动主机类型n5（Y极或者X极），这时网络输入N={n1,n2,n3,n4,n5}。神经网络中的输出是自动扶梯在稳定运行中的功率（KW），也就是网络输出Y={P}。在查找数据样本中的备注信息栏时看到有一些数据属于需要重新检测的数据、错误的数据以及自动扶梯出现故障时的数据，所以在本文中的自动扶梯能耗预测过程中，不会将这些数据融入到模型建立中。此外，由于各输入层之间的输入参数具有不同的数量级，因此在选择过输入层的参数后，应归一化处理输入参数，使用Matlab中所具备的Premnmx函数能够把数据范围进行归一化处理[3]。
3.2 选择模型中的隐藏层节点
在打造神经网络中选择隐藏层节点的数量为关键环节，若是选择数量比较多，容易使神经网络实际的训练质量有所下降，同时还会产生过度拟合的情况；但若是选择的数量比较少，容易造成误差较大、欠拟合的情况。在进行过多次的试验计算之后，得知当隐藏层的节点数量是5个时，所产生的网络误差比较小，因此使用1个输出变量和5个不同的输入变量。
3.3 BP神经网络模型的预测结果
若想保证建设的BP神经网络模型可以更好地预测自动扶梯的能耗数据，所使用的训练集数据需要占据总数据的一半以上，上文中设计出的BP神经网络模型具有1个输出层单元数、5个不同的隐藏层单元数和输入层单元数。按照上文设计出的BP神经网络模型，第一次训练从总数据内随意抽取72%以上的数据当做网络的训练集，把17%当做神经网络训练中的验证集，剩余的11%数据当做测试集。大多数数据预测的误差范围基本在11%以内，最高的误差高达58%，在多次训练中误差最小的迭代次数为第10次的验证集，其中在检验失败中最大的默认值是6，这代表着网络中的训练集误差连续有6次检验没有下降，这时应停止网络训练，预防网络发生过度拟合的情况。为了预测自动扶梯运行时的能耗，在上文所建立的BP神经网络模型中将测试集进行改变，选用冬天和夏天时所测试出的两组数据并展开对比分析，其预测结果显示环境温度会给自动扶梯在稳定时所产生的能耗带来较大的影响，分别为表2、表3所示。
表2：夏季能耗功率表
表3：冬季能耗功率表
3.4 分析预测结果
在具体分析能效等级为A+++的自动扶梯在每个季度产生的能耗情况时发现，其数据如表4所示，在第三季度时自动扶梯的能效等级为最佳，这是因为在该季度中基本为高温天气，属于全年中最热、温度最高的季节，这可直接表明对于自动扶梯来讲环境温度对于其所产生的能耗具有极高的影响[4]。
表4：自动扶梯4个季度A+++能效等级的台数占比
4.结束语
总而言之，本文在分析影响自动扶梯能耗的因素时，筛选出了较为优质的影响因子，借助设计BP神经网络模型来预测其具体的能耗。在分析过程中发现环境温度对于自动扶梯的能耗具有明显影响，根据分析结果可得知当环境温度比较高时自动扶梯所产生的能耗则比较低，该结论有助于相关人员进行后续研究，深入分析环境温度具体对自动扶梯能耗所产生的影响。
