一种城市照明系统智能控制方法与流程

1.本发明涉及计算机领域，特别是涉及一种城市照明系统智能控制方法。


背景技术：

2.近年来，我国大力建设推广智慧城市，智能照明作为智慧城市重要的组成部分，是未来照明的发展方向。传统照明开关灯常采用开启或关闭手动墙面开关形式，开启则为100％亮度，关闭则为0％亮度，然而在实际运用中，全天候照明并不需要一直保持100％亮度，因此若能精准感应外界光照强度同时进行联动控制，则不仅可以节能减排降低电力浪费，同时可以减少光污染提升城市形象。
3.现有的光照调节控制虽然在生产和工业中十分普遍，但各自内在机理不同，数学模型存在一定的局限性，而且由于光照控制对象与场所的不同，以往的控制大多具有时间常数大，纯滞后时间长，时变性较明显等特点，最终控制效果往往达不到预想的程度。
4.鉴于此，需要提供一种城市照明系统智能控制方法，能够解决上述问题。


技术实现要素：

5.本发明所要解决的技术问题是：由于需要精准感应外界光照强度同时进行联动控制，降低电力浪费，因此，提供一种城市照明系统智能控制方法。
6.本发明的技术方案如下：
7.一种城市照明系统，包括以下模块：亮度采集模块、第一通信模块、第一处理模块、雷达感应模块、第二通信模块、第二处理模块、智能调光模块和存储模块；
8.所述亮度采集模块分时段采集照明环境的光照强度值，发送给所述第一通信模块；所述第一通信模块将光照强度值传递给所述第一处理模块；
9.所述第一处理模块包括：预处理单元、权重匹配单元、初始调光单元、通信单元；所述通信单元接收光照强度值，传递给所述预处理单元；所述预处理单元检测采集数据的异常情况，对异常数据进行替换，将处理后的光照强度值传递给所述权重匹配单元；所述权重匹配单元利用神经网络学习理论进行方差估计，实现权重匹配，将加权融合后的数据传递给所述初始调光单元；所述初始调光单元通过自适应调光神经网络得到脉冲宽度调制调光初始值，将其传递给所述通信单元；所述通信单元将脉冲宽度调制调光初始值传递给所述第二处理模块；
10.所述雷达感应模块感应照明环境内是否有移动物体，将感应信号传递给所述第二处理模块；所述第二处理模块将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值，将自适应调光值传递给所述智能调光模块，所述第二处理模块上还连接有所述存储模块；所述智能调光模块利用自适应调光值改变电源的脉冲宽度调制占空比的输出，将led照明亮度调节为相应值。
11.一种城市照明系统的智能控制方法，包括以下步骤：
12.步骤s1.所述第一处理模块对光照强度值进行预处理，利用神经网络进行权重匹
配，然后通过神经网络模型获得脉冲宽度调制调光初始值；
13.步骤s2.所述第二处理模块将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值；所述智能调光模块利用自适应调光值对led照明亮度智能调节。
14.优选的，所述步骤s1包括：
15.计算每个传感器在同一时段内第i次测量的亮度值xi和第j次测量的亮度值xj的偏差值v
ij
＝|x
i-xj|，i∈m，j∈m，i≠j，构建一个误差矩阵vm来表示测量数据偏差：
[0016][0017]
设定一个置信阈值d，若v
ij
＞d，则表示第i次测量和第j次测量之间的误差值大，数据之间互不支持，信任度r
ij
为0；反之，则表示数据相关性大；有：从而得到同一时段内不同测量数据之间的信任度矩阵根据判定规则将超过半数不信任的测量数据更正，其判定规则为：
[0018][0019]
其中，i＝1，2，...，m；当出现异常数据时，正常数据和异常数据之间互不信任，设定阈值为当超过半数的测量数据对该数据不信任，则取异常数据前后测量值的平均值替代该数据，即bi＝0时，从而得到处理后的数据矩阵b＝{b1，b2，...，bm}，x＝{x1，x2，...，xm}。
[0020]
优选的，所述步骤s1还包括：
[0021]
建立方差估计神经网络，包括输入层、隐含层和输出层，通过神经网络对传感器的方差进行训练学习，更新方差估计值，最后得到一个稳定值；随机选取一组初始方差m表示传感器采集的次数，i0为初始状态，将初始方差输入方差估计神经网络；隐含层共有r个神经元，激活函数为：
[0022][0023]
其中，λ是学习因子，根据实际需求具体确定，是x的均值，是第tr次测量数据；将隐含层输出传递给输出层；随着测量次数增多，方差趋于稳定值。
[0024]
优选的，所述步骤s1还包括：
[0025]
建立自适应调光神经网络模型，通过自适应调光神经网络学习训练亮度值序列预测脉冲宽带调制调光初始值y；输入层神经元的数目等于学习样本
中输入向量的维数m，样本个数为n，其中一个样本的输入为其对应的输出为y
l
，y
l
∈y；在输入层与模式层之间设立一个对比块，将输入数据与每个时段的预设亮度进行对比，得到每个时段的亮度对比值p
l
：
[0026][0027]
通过引入亮度对比值，增强数据的精确度，将其通过深度学习得到更准确的脉冲宽度调制调光初始值；然后将亮度对比值p
l
传递给模式层；
[0028]
模式层神经元个数与样本个数相等，即等于n，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：
[0029][0030]
其中，δ表示径向基参数，用于表示函数跌落到零的速度。在模式层中引入径向机制神经元l的输出为输入变量与其对应的训练样本之间欧氏距离平方的指数形式，为网络输入变量，为第l个神经元对应的训练样本；模式层将径向基函数值传递给求和层；
[0031]
求和层分为两类神经元：第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果y
l
与每个模式层神经元的加权和；
[0032]
第一类神经元对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：第二类神经元对所有模式层的神经元进行加权求和，模式层中第l个神经元与求和层第k个神经元之间的连接权值为第l个输出样本y
l
的第k个元素传递函数为：
[0033]
输出层的计算公式为求和层两类神经元传递函数之比：从而得到第r个传感器的脉冲宽度调制调光初始值为第r个传感器第n个时段的脉冲宽度调制调光初始值。
[0034]
优选的，所述步骤s2包括：
[0035]
将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值：
[0036]
q＝μ*y
[0037][0038]
当感应信号g为1时，权重值μ为1；当感应信号g为0时，权重值μ取值ε为(0，1)；权重值根据实际使用环境的状态进行设定。
[0039]
本发明的有益效果是：
[0040]
(1)本发明通过考虑同一时段内测量数据的差异性，消除了异常数据的影响，使获得的数据更为精准；
[0041]
(2)本发明所提出的基于神经网络的多传感加权融合算法计算量更小，融合精度更高，容错性能更好；
[0042]
(3)本发明提出的神经网络中引入亮度对比块，增强数据的精确度；
[0043]
(4)本发明采用光照传感器与雷达传感器联动的方式使雷达感应亮度不只是传统的固定亮度的变化，还具备随外界光照强度变化而变化的功能。
附图说明
[0044]
图1本发明所述的一种城市照明系统结构框图；
[0045]
图2本发明所述的第一处理模块结构框图；
[0046]
图3本发明所述的第一处理模块算法流程图。
具体实施方式
[0047]
以下将结合本实施例中的附图来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
[0048]
本发明所述的一种城市照明系统包括以下部分：
[0049]
亮度采集模块10、第一通信模块20、第一处理模块30、雷达感应模块40、第二通信模块50、第二处理模块60、智能调光模块70和存储模块80。
[0050]
所述亮度采集模块10，内部含有定时闹钟，用于通过传感器根据定时闹钟分时段采集照明环境的光照强度值；
[0051]
所述第一通信模块20，用于将光照强度值传递给第一处理模块30；
[0052]
所述第一处理模块30，包括预处理单元301、权重匹配单元302、初始调光单元303和通信单元304，所述预处理单元301用于检测采集数据的异常情况，对异常数据进行替换，得到更加精确的光照强度值；所述权重匹配单元302，用于根据传感器的噪声特性，利用神经网络学习理论进行方差估计，实现权重匹配；所述初始调光单元303，用于通过自适应调光神经网络得到脉冲宽度调制调光初始值；所述通信单元304，用于与第一通信模块20和第二处理模块60进行通信连接；
[0053]
所述雷达感应模块40，用于感应照明环境内是否有移动物体，得到感应信号；
[0054]
所述第二通信模块50，用于将雷达感应信号传递给第二处理模块60；
[0055]
所述第二处理模块60，用于将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值；
[0056]
所述智能调光模块70，利用自适应调光值改变电源的脉冲宽度调制占空比的输出，将led照明亮度调节为相应值；
[0057]
所述存储模块80，用于存储自适应调光值。
[0058]
本发明所述的城市照明系统，通过亮度采集模块10分时段采集照明环境的光照强度值，发送给第一通信模块20；第一通信模块20将光照强度值传递给第一处理模块30；第一处理模块30的通信单元304接收光照强度值，传递给预处理单元301；预处理单元301检测采集数据的异常情况，对异常数据进行替换，得到更加精确的光照强度值，然后将处理后的光
照强度值传递给权重匹配单元302；权重匹配单元302利用神经网络学习理论进行方差估计，实现权重匹配，将加权融合后的数据传递给初始调光单元303；初始调光单元303通过自适应调光神经网络得到脉冲宽度调制调光初始值，将其传递给通信单元304；通信单元304将脉冲宽度调制调光初始值传递给第二处理模块60；
[0059]
雷达感应模块40感应照明环境内是否有移动物体，将感应信号传递给第二处理模块60；第二处理模块60将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值，将自适应调光值传递给智能调光模块70，第二处理模块60上还连接有存储模块80；智能调光模块70利用自适应调光值改变电源的脉冲宽度调制占空比的输出，将led照明亮度调节为相应值。
[0060]
本发明所述城市照明系统的智能控制方法包括：
[0061]
s1.所述第一处理模块30对光照强度值进行预处理，利用神经网络进行权重匹配，然后通过神经网络模型获得脉冲宽度调制调光初始值；
[0062]
s2.所述第二处理模块60将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值；所述智能调光模块70利用自适应调光值对led照明亮度智能调节。
[0063]
进一步，所述步骤s1中，所述数据预处理方法如下：
[0064]
s11.所述亮度采集模块10内部含有定时闹钟，所述定时闹钟按照一定的间隔划分时段，包括工作时段和休息时段，工作时段内传感器采集环境亮度值。所述时段划分根据实际情况进行设定。亮度采集模块10检测环境光照每个时段的亮度值j＝{1，2，...m}，l∈n代表任一时段，共有n个时段，每个时段按时间序列采集m个亮度数据。对每个时段采集的m个亮度值数据进行相关性分析，剔除异常数据。计算每个传感器在同一时段内第i次测量的亮度值xi和第j次测量的亮度值xj的偏差值v
ij
＝|x
i-xj|，i∈m，j∈m，i≠j，构建一个误差矩阵vm来表示测量数据偏差：
[0065][0066]
设定一个置信阈值d，若v
ij
＞d，则表示第i次测量和第j次测量之间的误差值很大，数据之间互不支持，信任度r
ij
为0；反之，则表示数据相关性很大。有：
[0067][0068]
从而得到同一时段内不同测量数据之间的信任度矩阵rm：
[0069][0070]
根据判定规则将超过半数不信任的测量数据更正，其判定规则为：
[0071][0072]
其中，i＝1，2，...，m。当出现异常数据时，正常数据和异常数据之间互不信任，设
定阈值为当超过半数的测量数据对该数据不信任，则取异常数据前后测量值的平均值替代该数据，即bi＝0时，从而得到处理后的数据矩阵b＝{b1，b2，...，bm}，x＝{x1，x2，...，xm}。通过考虑同一时段内测量数据的差异性，消除了异常数据的影响，使获得的数据更为精准。
[0073]
s12.然后根据传感器的噪声特性，利用神经网络学习理论进行方差估计，实现权重匹配。经过数据预处理后，设立有r个传感器，经过预处理后传感器在同一时段(以第l个时段为例)的测量数据为每个传感器测量数据中都含有噪声向量e，所述噪声包括但不限于光源抖动以及系统其它不稳定因素带来的干扰噪声，设e＝[e1，e2，...，er]
t
，各测量噪声彼此相互独立且均为服从正态分布的零均值高斯白噪声为第r(r∈r)个传感器的测量方差。设各传感器的权值向量为:
[0074]
ω＝diag{σ1,σ2,
…
,σr}＝[ω1,ω2,
…
,ωr]
[0075]
其中，diag表示对角矩阵。则加权后的估计值s满足：
[0076][0077]
其中，ωr为第r个传感器的权值向量。亮度值总测量方差为：
[0078][0079]
从而得到：
[0080][0081]
其中，j∈r，j≠r。因此，传感器的权值系数仅由其测量方差决定。
[0082]
建立方差估计神经网络，包括输入层、隐含层和输出层，通过神经网络对传感器的方差进行训练学习，更新方差估计值，最后得到一个稳定值。随机选取一组初始方差m表示传感器采集的次数，i0为初始状态，将初始方差输入方差估计神经网络。
[0083]
隐含层共有r个神经元，激活函数为：
[0084][0085]
其中，λ是学习因子，根据实际需求具体确定，是x的均值，是第tr次测量数据。将隐含层输出传递给输出层。随着测量次数增多，方差趋于稳定值。再根据得到权值系数，对每个传感器测量数据进行权重匹配sr＝ωr*xr(r＝1，2，
…
，r)。基于神经网络
的多传感加权融合算法计算量更小，融合精度更高，容错性能更好
[0086]
进一步，所述自适应调光神经网络算法如下：
[0087]
s13.所述亮度采集模块10检测环境光照任一时段l的亮度s
l
∈{s1，s2，
…
，sn}，j＝{12，
…
，m}，每个时段按时间序列采集m个亮度数据。建立自适应调光神经网络模型，通过自适应调光神经网络学习训练亮度值序列预测脉冲宽带调制调光初始值y。广义回归神经网络由四层组成：输入层、模式层、求和层和输出层。
[0088]
输入层神经元的数目等于学习样本中输入向量的维数m，样本个数为n，其中一个样本的输入为其对应的输出为y
l
，y
l
∈y。在输入层与模式层之间设立一个对比块，将输入数据与每个时段的预设亮度进行对比，得到每个时段的亮度对比值p
l
：
[0089][0090]
通过引入亮度对比值，增强数据的精确度，将其通过深度学习得到更准确的脉冲宽度调制调光初始值。然后将亮度对比值p
l
传递给模式层。
[0091]
模式层神经元个数与样本个数相等，即等于n，各神经元对应不同的样本，模式层神经元传递函数为径向基函数：
[0092][0093]
其中，δ表示径向基参数，用于表示函数跌落到零的速度。在模式层中引入径向机制神经元l的输出为输入变量与其对应的训练样本之间欧氏距离平方的指数形式，为网络输入变量，为第l个神经元对应的训练样本。模式层将径向基函数值传递给求和层。
[0094]
求和层分为两类神经元：第一类神经元为每个模式层神经元的输出和，其模式层与各神经元的连接权值为1；第二类神经元为预期的结果y
l
与每个模式层神经元的加权和。
[0095]
第一类神经元对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为：
[0096][0097]
第二类神经元对所有模式层的神经元进行加权求和，模式层中第l个神经元与求和层第k个神经元之间的连接权值为第l个输出样本y
l
的第k个元素传递函数为：
[0098]
[0099]
输出层的计算公式为求和层两类神经元传递函数之比：
[0100][0101]
从而得到第r个传感器的脉冲宽度调制调光初始值为第r个传感器第n个时段的脉冲宽度调制调光初始值。
[0102]
进一步，所述步骤s2中，所述自适应调光方法如下：
[0103]
首先根据现有技术通过雷达感应模块40感应每个传感器照明环境内是否有移动物体，得到感应信号g＝{g1，g2，...，gr}。将雷达感应信号作为脉冲宽度调制调光初始值的权值，得到自适应调光值：
[0104]
q＝μ*y
[0105][0106]
当感应信号g为1时，权重值μ为1；当感应信号g为0时，权重值μ取值ε为(0，1)。权重值根据实际使用环境的状态进行设定，本发明在此不做过多限定。采用光照传感器与雷达传感器联动的方式使雷达感应亮度不只是传统的固定亮度的变化，还具备随外界光照强度变化而变化的功能。
[0107]
所述智能调光模块70利用自适应调光值改变电源的脉冲宽度调制占空比z的输出：
[0108][0109]
其中，t为一个调制周期。即调整电源通过电流和不通过电流的时间比对led照明亮度智能调节，从而完成城市照明系统的智能控制。
[0110]
综上所述，便完成了本发明所述的一种城市照明系统智能控制方法。
[0111]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0112]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0113]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0114]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。