CN108419339B - 基于LoRa技术的多功能LED智能路灯系统 - Google Patents

Abstract

本发明涉及一种基于LoRa技术的多功能LED智能路灯系统，包括：检测模块，所述检测模块检测环境的光照亮度变化以及行人、车辆的活动状况；主处理器，所述主处理器根据检测模块检测到的数据控制路灯；LoRa无线通信模块，所述LoRa无线通信模块与GPRS模块和主处理器相连，把从web端接收到的指令发送到主处理器，实现对路灯的远程控制，同时检测模块检测到的数据传送至服务器；以及系统终端。上述基于LoRa技术的多功能LED智能路灯系统，在路灯传统的照明作用基础上，嵌入了传感、无线传输等智能控制模块，使路灯具有自动调节亮度、远程调节亮度、故障自主上报、统计分析能耗等功能。

Description

基于LoRa技术的多功能LED智能路灯系统

技术领域

本发明涉及路灯管理系统，特别是涉及基于LoRa技术的多功能LED智能路灯系统。

背景技术

目前，在道路照明领域使用的电光源仍以高压钠灯为主，约占所有光源的70％。传统的路灯照明一般有手动、光控、钟控等控制形式，易受季节、天气影响，不能根据实际情况调节开关灯时间及亮度，在季节变化或者天气异常时，必须人工逐个操作路灯，这种简单的控制方式严重缺乏灵活性；在无人行走或少人行走的夜间，路灯仍然正常工作，造成极大的能源浪费；不具备路灯状态监测功能，不能实时监控运行状况和收集运行数据，故障主要靠人工巡检，需要耗费巨大的人力和时间成本，而且可靠性、准确性差，也为市民生活带来不便。

发明内容

基于此，有必要针对上述技术问题，提供一种基于LoRa技术的多功能LED智能路灯系统。

一种基于LoRa技术的多功能LED智能路灯系统，包括：

检测模块，所述检测模块检测环境的光照亮度变化以及行人、车辆的活动状况；

主处理器，所述主处理器根据检测模块检测到的数据控制路灯；

LoRa无线通信模块，所述LoRa无线通信模块与GPRS模块和主处理器相连，把从web端接收到的指令发送到主处理器，实现对路灯的远程控制，同时检测模块检测到的数据传送至服务器；以及

系统终端，所述系统终端接收通过LoRa无线通信模块传输的测模块检测到的数据，经数据处理将所测数据在网页显示，Web界面提供查看路灯状态、路灯开关、远程调节亮度、统计分析能耗和故障监控的可视化操作。

上述基于LoRa技术的多功能LED智能路灯系统，在路灯传统的照明作用基础上，嵌入了传感、无线传输等智能控制模块，使路灯具有自动调节亮度、远程调节亮度、故障自主上报、统计分析能耗等功能。

在另外的一个实施例中，所述检测模块包括光敏传感器、声音传感器和红外传感器。

在另外的一个实施例中，所述主处理器是STM32F030微处理器。

在另外的一个实施例中，所述主处理器根据检测模块检测到的数据控制路灯的算法是带补偿的模糊神经网络算法。

在另外的一个实施例中，所述带补偿的模糊神经网络算法包括输入层、模糊化层、补偿模糊推理层和反模糊化层；

所述输入层的各个节点直接与输入向量相连接，输入量包括了时间、地点、光照强度、行人、车辆等；所述模糊化层的每一个节点代表一个语言变量值，其作用是计算各输入向量属于各语言变量值模糊集合的隶属函数；所述补偿模糊推理层的每一个节点代表一条模糊规则，其作用是匹配模糊规则、计算出每条规则的适用度，并进行补偿运算；所述反模糊化层给出输出量开灯信息。

附图说明

图1为本申请实施例提供的一种基于LoRa技术的多功能LED智能路灯系统中带补偿的模糊神经网络算法的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

一种基于LoRa技术的多功能LED智能路灯系统，包括：

检测模块，所述检测模块检测环境的光照亮度变化以及行人、车辆的活动状况；

主处理器，所述主处理器根据检测模块检测到的数据控制路灯；

LoRa无线通信模块，所述LoRa无线通信模块与GPRS模块和主处理器相连，把从web端接收到的指令发送到主处理器，实现对路灯的远程控制，同时检测模块检测到的数据传送至服务器；以及

系统终端，所述系统终端接收通过LoRa无线通信模块传输的测模块检测到的数据，经数据处理将所测数据在网页显示，Web界面提供查看路灯状态、路灯开关、远程调节亮度、统计分析能耗和故障监控的可视化操作。

上述基于LoRa技术的多功能LED智能路灯系统，在路灯传统的照明作用基础上，嵌入了传感、无线传输等智能控制模块，使路灯具有自动调节亮度、远程调节亮度、故障自主上报、统计分析能耗等功能。

在另外的一个实施例中，所述检测模块包括光敏传感器、声音传感器和红外传感器。

在另外的一个实施例中，所述主处理器是STM32F030微处理器。

传感器模块(检测模块)，主要由光敏传感器、声音传感器和红外传感器三部分组成。三者综合进行判断，可有效检测到人和车辆的经过，同时减少干扰信号对系统的影响。

微处理器：本系统在智能控制模块中使用的主处理器是STM32F030微处理器。功耗低、性能高，实用性强，性价比较高等优点，适合应用。

软件设计：

LoRa无线通信模块：在本系统中，LoRa模块与GPRS模块和单片机相连，把从web端接收到的指令发送到STM32控制器，实现对路灯的远程控制，同时可以将路等状态数据传送至服务器，实现对路灯状态的监视和分析。

GPRS模块：在本系统中，由于智能路灯的覆盖范围十分广泛，并且需要与控制终端实现通信，采用GPRS通信技术，增加了网络的可靠性与数据传输方便。

控制与监控系统模块：本系统包含前端web系统与后端信息处理系统。前端web系统以网页的形式对系统管理员进行展示，用以控制与系统相关联的智慧路灯以及对路灯状态的监控。后端信息处理系统对远端硬件发来的信息与前端网页发出的信息进行处理、发送、保存等处理。

在另外的一个实施例中，所述主处理器根据检测模块检测到的数据控制路灯的算法是带补偿的模糊神经网络算法。

在另外的一个实施例中，所述带补偿的模糊神经网络算法包括输入层、模糊化层、补偿模糊推理层和反模糊化层；

所述输入层的各个节点直接与输入向量相连接，输入量包括了时间、地点、光照强度、行人、车辆等；所述模糊化层的每一个节点代表一个语言变量值，其作用是计算各输入向量属于各语言变量值模糊集合的隶属函数；所述补偿模糊推理层的每一个节点代表一条模糊规则，其作用是匹配模糊规则、计算出每条规则的适用度，并进行补偿运算；所述反模糊化层给出输出量开灯信息。

层与层之间是依据模糊逻辑系统的语言变量、补偿模糊推理方法、以及反模糊化函数所构建，其结构如图1所示。

网络的参数确定方法：

(1)隶属度函数的参数确定

输入空间x的论域为

输出空间y的论域为

那么对输入空间x的模糊分割可按以下的原则进行：在y随x变化而变化剧烈的子空间对x细分，在y随变化而变化平缓的子空间对x粗分。具体来说，可分析y随x的变化情况，用x在某子空间变化时y的极值点和拐点数(两个端点既不作极值点，也不作拐点)多少来确定y在该子空间的变化剧烈程度，极值点和拐点数越多的子空间，对x的模糊分割越多，反之亦然。首先根据样本确定x和y的论域内近似极值点和拐点数N，及其对应的输入向量

(其中i表示输入层节点i＝1，…n，k表示极值和拐点对应的模糊分割点k＝1，…，N+2)的值。然后将该输入向量

作为每维输入变量的模糊分割点，那么每维输入变量的模糊分割数为N+2。

由于模糊分割点可能不是输入论域中的均分点，采用高斯、铃形函数作隶属函数，对网络中各参数初值的选择非常苛刻，否则网络训练会陷入混乱状态，达不到输出误差精度要求，故这里选用三角函数作为隶属函数。

其中，a_ij，b_ij，c_ij的选择应满足

隶属函数中的参数值确定后，不再进行修正。

(2)模糊规则数的确定

设第二层中，各输入变量对应的模糊分割的节点数已确定，分别为m_i(i＝1，2，…n)那么网络模型的规则数，即第三层节点数为：M＝m₁×m₂×…×m_n。显然，若输入变量多，且各输入变量的模糊分割较多，则M是一个很大的数，这必定延长模型的计算速度，由此可知，若能减小M的值，就可大大提高模型的计算速度。

通过分析可知，在逼近每一个样本的计算中，对模型每一个输入变量，其对应的模糊语言变量值的隶属度函数

中最多有两个不为零，规则层即第三层的输出最多有2ⁱ(i＝1，2，…n)个不为零，这表示最多有2ⁱ(i＝1，2，…n)条规则有效。在计算模型的输出时，可只保留这几个节点，略去其他节点，或者说其他节点不参与计算。为了计算这几个节点的位置，首先作如下假设，设在逼近每一个样本的计算中，网络输入为x_i(i＝1，2，…n)，第二层的输出为

那么有

若

则以其为输入端的第三层中相应节点的输出值为零，这时可不计算第三层中该节点值，即略去该节点。

若

则以其为输入端的第三层中相应节点的输出值不为零，此时需计算第三层中该节点值。第三层这些节点的位置大小可由下式来表示：

式中

p⁽³⁾—第三层节点输出值不为零的节点位置大小；

m_i—第一层各节点的模糊分割数；

—第二层节点输出值不为零的节点位置(由隶属函数选取规则知，第一层每个节点的隶属函数值最多有两个不为零，则i＝1，2，…n，j＝1，2)。

按上面的方法确定网络结构后，在逼近每一个样本的计算中，规则总数最多为M'＝2ⁱ(i＝1,2,…n)。所以发明中提出的第三层中的节点要比传统结构要少得多，从而减少了计算量，提高了计算速度。

(3)最后一层的参数值确定

本发明网络本质上也是一种多层前馈网络，故可以仿照前馈网络用误差反传的方法来设计调整参数的学习算法。

设取误差代价函数为：

式中：

y_di——网络的期望输出；

y_i——网络的实际输出；

E_i——误差函数。

下面给出用误差反传算法来计算

然后利用一阶梯度寻优算法来调节

在求得所需的一阶梯度后，最后给出参数调整的学习算法为

式中β——学习率(0<β<1)。

学习算法：

具有n个输入、1个输出的补偿模糊逻辑系统的m条if-then规则，可表示如下：

FR^(k)：

then y is B^k

(i＝1,2,…n k＝1,2,…m)

其中

是论域U上的模糊集；B^k是论域V上的模糊集；x_i和y是语言变量；。

对于论域U中一个输入模糊子集A′，根据第k个模糊规则，能够在输出论域V中产生一个输出模糊子集B′。模糊推理采用代数积(·)运算，则由模糊推理规则所导出的V上的模糊集合B’为

模糊蕴涵采用积运算R_p＝A→B

即μ_A→B(x,y)＝μ_A(x)μ_B(y)

定义补偿运算为

其中n为输入向量的维数，γ为补偿度，γ∈[0,1]。

采用单值模糊化μ'_A(x)＝1，则

由此可定义反模糊化函数为

因此，该系统由三角形隶属函数、补偿模糊推理以及改进型重心反模糊化器构成。

目标函数为：

采用动态调整步长的梯度下降法训练系统的输入、输出隶属函数的参数以及补偿运算的补偿度。其相应的迭代公式为：

由于补偿度γ∈[0,1]，不妨设

所以(t为训练步数)

至此，整个网络的构建和训练学习就完成了，可以用于路灯系统的控制。具体智能路灯系统的控制方案如下：

Web端首先选择系统工作模式，包括自动控制模式和实时控制模式，随后通过云服务器经GPRS模块发送指令至LoRa模块，LoRa模块把指令发送到各个路灯节点上的STM32控制器，控制器分析指令并对路灯的状态进行控制。对于两种工作模式，如果选择实时控制模式，则控制器完全按照服务器指令控制路灯节点，实现服务器对路灯节点的实时控制。如果选择自动控制模式，控制器按照预先设定好的控制策略控制路灯节点，在白天光照度不强的情况下开启路灯，在夜晚凌晨之前路灯保持开启状态，凌晨以后且有人、车通过，则开启路灯，否则关闭。具体开启路灯的条件根据数据融合算法来确定。

总体设计：系统采用低功耗的LoRa技术，把STM32作为核心数据处理芯片，采用光敏、声音、红外和电流传感器，检测环境的光照亮度变化以及行人、车辆的活动状况。STM32芯片根据采集传感器的信息，实现自动调节路灯亮度；通过LoRa进行无线数据传输，将数据传输到系统终端，经数据处理将所测数据在网页显示，Web界面提供查看路灯状态、路灯开关、远程调节亮度、统计分析能耗、故障监控的可视化操作。

基于LoRa技术的智能路灯系统将会大幅减少电力资源，提高照明管理效率，降低维护成本，同时提供便民信息与服务，对建设智慧城市具有重大意义。随着国内广域物联网喷发式的发展和CLAA组织对LoRa应用的积极推动，国内基于LoRa应用的试点将会越来越多地被部署在各行各业，提供优质高效的物联网服务。当前LoRa技术在智能路灯领域的应用基本上处于空白地位，有着广阔的市场前景。

本发明将物联网技术与路灯照明相结合，针对路灯智能化的需求背景，设计了一种基于LoRa技术的多功能LED智能路灯系统，在路灯传统的照明作用基础上，嵌入了传感、无线传输等智能控制模块，使路灯具有自动调节亮度、远程调节亮度、故障自主上报、统计分析能耗等功能。

该发明主要解决传统路灯照明中功能单一化、缺乏智能化的问题，传统路灯照明易受天气状况影响、控制方式缺乏灵活性、能源浪费大、人工巡检耗费人力与时间、不能实时监控运行状况和收集运行数据，因此需要研究多功能的智能路灯系统，采用新型神经网络融合技术，以弥补传统路灯单一化功能的不足。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种基于LoRa技术的多功能LED智能路灯系统，其特征在于，包括：

检测模块，所述检测模块检测环境的光照亮度变化以及行人、车辆的活动状况；

主处理器，所述主处理器根据检测模块检测到的数据控制路灯；

LoRa无线通信模块，所述LoRa无线通信模块与GPRS模块和主处理器相连，把从web端接收到的指令发送到主处理器，实现对路灯的远程控制，同时检测模块检测到的数据传送至服务器；以及

系统终端，所述系统终端接收通过LoRa无线通信模块传输的测模块检测到的数据，经数据处理将所测数据在网页显示，Web界面提供查看路灯状态、路灯开关、远程调节亮度、统计分析能耗和故障监控的可视化操作；

所述主处理器根据检测模块检测到的数据控制路灯的算法是带补偿的模糊神经网络算法；

所述带补偿的模糊神经网络算法包括输入层、模糊化层、补偿模糊推理层和反模糊化层；

所述输入层的各个节点直接与输入向量相连接，输入量包括了时间、地点、光照强度、行人、车辆；所述模糊化层的每一个节点代表一个语言变量值，其作用是计算各输入向量属于各语言变量值模糊集合的隶属函数；所述补偿模糊推理层的每一个节点代表一条模糊规则，其作用是匹配模糊规则、计算出每条规则的适用度，并进行补偿运算；所述反模糊化层给出输出量开灯信息；

层与层之间是依据模糊逻辑系统的语言变量、补偿模糊推理方法、以及反模糊化函数所构建；

网络的参数确定方法：

(1)隶属度函数的参数确定

输入空间x的论域为

输出空间y的论域为

那么对输入空间x的模糊分割可按以下的原则进行：在y随x变化而变化剧烈的子空间对x细分，在y随变化而变化平缓的子空间对x粗分；具体来说，可分析y随x的变化情况，用x在某子空间变化时y的极值点和拐点数，两个端点既不作极值点，也不作拐点，多少来确定y在该子空间的变化剧烈程度，极值点和拐点数越多的子空间，对x的模糊分割越多，反之亦然；首先根据样本确定x和y的论域内近似极值点和拐点数N，及其对应的输入向量

的值，其中i表示输入层节点i＝1，…n，k表示极值和拐点对应的模糊分割点k＝1，…，N+2；然后将该输入向量

作为每维输入变量的模糊分割点，那么每维输入变量的模糊分割数为N+2；

由于模糊分割点可能不是输入论域中的均分点，采用高斯、铃形函数作隶属函数，对网络中各参数初值的选择非常苛刻，否则网络训练会陷入混乱状态，达不到输出误差精度要求，故这里选用三角函数作为隶属函数；

其中，a_ij，b_ij，c_ij的选择应满足

隶属函数中的参数值确定后，不再进行修正；

(2)模糊规则数的确定

设第二层中，各输入变量对应的模糊分割的节点数已确定，分别为m_i,其中，i＝1，2，…n，那么网络模型的规则数，即第三层节点数为：M＝m₁×m₂×…×m_n；显然，若输入变量多，且各输入变量的模糊分割较多，则M是一个很大的数，这必定延长模型的计算速度，由此可知，若能减小M的值，就可大大提高模型的计算速度；

通过分析可知，在逼近每一个样本的计算中，对模型每一个输入变量，其对应的模糊语言变量值的隶属度函数

中最多有两个不为零，规则层即第三层的输出最多有2ⁱ个不为零，i＝1，2，…n，这表示最多有2ⁱ条规则有效；在计算模型的输出时，可只保留这几个节点，略去其他节点，或者说其他节点不参与计算；为了计算这几个节点的位置，首先作如下假设，设在逼近每一个样本的计算中，网络输入为x_i，i＝1，2，…n，第二层的输出为

那么有

若

则以其为输入端的第三层中相应节点的输出值为零，这时可不计算第三层中该节点值，即略去该节点；

若

则以其为输入端的第三层中相应节点的输出值不为零，此时需计算第三层中该节点值；第三层这些节点的位置大小可由下式来表示：

式中

p⁽³⁾—第三层节点输出值不为零的节点位置大小；

m_i—第一层各节点的模糊分割数；

—第二层节点输出值不为零的节点位置，由隶属函数选取规则知，第一层每个节点的隶属函数值最多有两个不为零，则i＝1，2，…n，j＝1，2；

按上面的方法确定网络结构后，在逼近每一个样本的计算中，规则总数最多为M'＝2ⁱ，i＝1,2,…n；所以提出的第三层中的节点较少，从而减少了计算量，提高了计算速度；

(3)最后一层的参数值确定

所述模糊神经网络本质上也是一种多层前馈网络，故可以仿照前馈网络用误差反传的方法来设计调整参数的学习算法；

设取误差代价函数为：

式中：

y_di——网络的期望输出；

y_i——网络的实际输出；

E_i——误差函数；

下面给出用误差反传算法来计算

然后利用一阶梯度寻优算法来调节

在求得所需的一阶梯度后，最后给出参数调整的学习算法为

i＝1,2,…r j＝1,2,…m

式中β——学习率，其中，0<β<1；

学习算法：

具有n个输入、1个输出的补偿模糊逻辑系统的m条if-then规则，可表示如下：

then y is B^k

i＝1,2,…n；k＝1,2,…m

其中

是论域U上的模糊集；B^k是论域V上的模糊集；x_i和y是语言变量；

对于论域U中一个输入模糊子集A′，根据第k个模糊规则，能够在输出论域V中产生一个输出模糊子集B′；模糊推理采用代数积(·)运算，则由模糊推理规则所导出的V上的模糊集合B’为

模糊蕴涵采用积运算R_p＝A→B

即μ_A→B(x,y)＝μ_A(x)μ_B(y)

定义补偿运算为

其中n为输入向量的维数，γ为补偿度，γ∈[0,1]；

采用单值模糊化μ'_A(x)＝1，则

由此可定义反模糊化函数为

因此，该系统由三角形隶属函数、补偿模糊推理以及改进型重心反模糊化器构成；

目标函数为：

采用动态调整步长的梯度下降法训练系统的输入、输出隶属函数的参数以及补偿运算的补偿度；其相应的迭代公式为：

由于补偿度γ∈[0,1]，不妨设

所以，t为训练步数；

至此，整个网络的构建和训练学习就完成了，可以用于路灯系统的控制。

2.根据权利要求1所述的基于LoRa技术的多功能LED智能路灯系统，其特征在于，所述检测模块包括光敏传感器、声音传感器和红外传感器。

3.根据权利要求1所述的基于LoRa技术的多功能LED智能路灯系统，其特征在于，所述主处理器是STM32F030微处理器。

Images