CN109612536A - 一种基于光伏发电和传感器的空气在线监测系统 - Google Patents

一种基于光伏发电和传感器的空气在线监测系统 Download PDF

Info

Publication number
CN109612536A
CN109612536A CN201910091049.5A CN201910091049A CN109612536A CN 109612536 A CN109612536 A CN 109612536A CN 201910091049 A CN201910091049 A CN 201910091049A CN 109612536 A CN109612536 A CN 109612536A
Authority
CN
China
Prior art keywords
module
sensor
monitoring system
air
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910091049.5A
Other languages
English (en)
Inventor
许恭博
王亮亮
武宏
杨泽宇
崔梓豪
贺文化
张婉汝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN201910091049.5A priority Critical patent/CN109612536A/zh
Publication of CN109612536A publication Critical patent/CN109612536A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于光伏发电和传感器的空气在线监测系统，包括光电转换系统和基于传感器神经网络的空气监测系统，空气监测系统通过传感器神经网络将采集的空气信息筛选处理后由单片机进行运算处理实现在线监测，传感器神经网络通过自身调节神经网络中各层的加权形成由输入输出对组成的训练组，对空气中的风速信号、温湿度信号进行筛选，光电转换系统与空气监测系统连接，用于提供电能。本发明因地制宜，考虑环境中的气候条件，利用光伏技术实现太阳能发电，降低了电网电能的使用，节省能源低碳生活，功能丰富，在系统方面比较简洁，可实现性高，成本较低，适用性广。

Description

一种基于光伏发电和传感器的空气在线监测系统
技术领域
本发明属于空气监测技术领域，具体涉及一种基于光伏发电和传感器的空气在线监测系统。
背景技术
近年来，随着全球能源危机和环境污染的日益严重。太阳能作为当前世界最清洁最具有大规模开发前景的可再生能源之一，受到各行各业的普遍关注。其中光伏发电是太阳能利用的主要发展趋势，随着全球能源危机问题的日益突出，世界各国正积极开发以光伏太阳能为主的新能源，光伏发电技术得以快速发展和广泛应用。例如在一些老旧的住宅区，由于规划和设计等问题所选用的负荷开关容量等都普遍偏小，造成了用电系统经常因超负荷运行而出现跳闸的现象，跳闸现象会烧毁开关、电线等，产生安全隐患。而且有些住宅的使用密度很大，为供电设施预留的空间很小，重排住宅中的供配电线路很有难度，加设供电线路更是不可能。因此，应用太阳能光伏发电供电系统是最为理想的解决这类住宅用电难题的途径。
随着工业发展带来严重的空气污染问题，为实现对空气质量的实时监测，保护人们的身体健康，设计一种基于光伏发电和传感器技术的空气在线智能检测系统。该系统利用光敏、温湿度、光学灰尘和风速等传感器综合监测空气质量，并通过调理电路输出电信号给单片机。该系统具有低功耗、高精度和灵活性强等特点，是一种实用的室内空气质量检测系统。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于光伏发电和传感器的空气在线监测系统，将光伏发电技术和传感器技术相结合实现对空气的智能监测，解决现有监测技术中能源利用率不高、应用范围受限、监测周期长的问题。
本发明采用以下技术方案：
一种基于光伏发电和传感器的空气在线监测系统，包括光电转换系统和基于传感器神经网络的空气监测系统，空气监测系统通过传感器神经网络将采集的空气信息筛选处理后由单片机进行运算处理实现在线监测，传感器神经网络通过自身调节神经网络中各层的加权形成由输入输出对组成的训练组，对空气中的风速信号、温湿度信号进行筛选，光电转换系统与空气监测系统连接，用于提供电能。
具体的，空气监测系统包括依次连接的传感器模块、神经网络模块、信号调理电路模块和单片机模块，传感器模块用于采集外界空气的信息并转化为电信号，神经网络模块用于对收集到的电信号进行筛选，信号调理电路模块用于将筛选出的信号进行放大、滤波处理，单片机模块用于对放大处理后的信号进行分析运算，然后将信号输出。
进一步的，传感器模块包括光敏传感器、SHT3x-DIS温湿度传感器、GP2Y1014AU光学灰尘传感器和RS-FSJT-*聚碳风速传感器。
进一步的，信号调理电路模块包括电源Vcc，输入电压端Ui，输入电压端Ui的正极经电容C1分三路，一路与三极管的基极连接，第二路经电阻Rb1接电源Vcc；第三路经电阻Rb2与输入电压端Ui的负极、输出电压端U0的负极共地连接；三极管的发射极分两路，一路经电阻Re接地，另一路经电容Ce接地；三极管的集电极分两路，一路经电阻Rc接电源Vcc，另一路经电容C2后分两路，一路与输出电压端U0的正极连接，另一路经电阻RL与输出电压端U0的负极共地连接。
进一步的，单片机模块用于将放大处理后的信号通过程序状态字、加减指令、跳转指令和延时、串行I/O得到输出信号并输出，单片机模块与神经网络模块连接用于反馈。
进一步的，神经网络模块包括输入节点模块、隐含节点模块和输出节点模块，输入节点模块用于接收采集的环境信号并存储，各隐含节点模块用于接收输入节点模块发送的信号并进行筛选，输出节点模块用于将信号输出。
更进一步的，输入节点模块中输入节点的个数为输入向量维数。
更进一步的，隐含节点模块中隐含节点个数为log2N，N为输入节点数。
更进一步的，其特征在于，传感器神经网络的工作如下：
设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习速率为η，激励函数为g(x)，激励函数为g(x)取Sigmoid函数，网络初始化为：
隐含层的输出Hj如下：
输出层的输出Ok如下：
取误差E计算如下：
其中，Yk为期望输出，记Yk-Ok＝ek，则E表示为：
其中，i＝1...n，j＝1...l，k＝1...m；
对权值更新如下：
对偏置更新如下：
采用指定迭代的代数，判断相邻的两次误差之间的差别是否小于指定值，当小于指定值迭代结束，如果大于，则进行权值修正，输出后再进行判断。
具体的，光电转换系统包括光能转换模块、逆变器模块和电池模块，光能转换模块用于采集环境中太阳光的太阳能并将太阳能转化为电能，逆变器模块用于将转化的电能调理成所需电压电流，电池模块用于将调理好的电能进行储存并为整个监测系统供电。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于光伏发电和传感器的空气在线监测系统，通过集合光伏发电和传感器技术的空气在线智能监测技术，可以实现温湿度、颗粒度、风速光照程度等多个常用空气指标的测量，可以在数十秒之内完成，极大地缩短了测量时间，实现了实时在线智能监测的目的。
进一步的，通过光敏电阻、风速敏感元件、温湿度敏感元件等敏感元件对外界空气中的动态模拟量如光强、风速、温湿度等产生反应并将其转化为数字量的电信号再传递到下一模块，神经网络模块通过自身调节神经网络中各层的加权，使网络形成由输入输出对组成的训练组，从而将具体的空气中的风速信号、温湿度信号等信号筛选出，信号调理电路模块将筛选出的信号进行放大、滤波处理，单片机模块5用于将放大处理后的信号通过程序状态字、加减指令、跳转指令等算术运算指令和延时、串行I/O等指令得到所需要的输出信号，然后将信号输出。
进一步的，信号调理电路模块将筛选出的信号进行放大、滤波处理，可以使信号采集系统的总体性能和精度提高10倍。
进一步的，传感器神经网络具有较强的非线性映射能力，能够以任意精度逼近任何非线性连续函数，其次具有高度自学习和自适应的能力，能够通过学习自动提取输出、输出数据间的“合理规则”，并自适应的将学习内容记忆于网络的权值中，并且具有一定的容错能力，在其局部的或者部分的神经节点受到破坏后对全局的结果不会造成很大的影响。
进一步的，输入节点模块中设置的输入节点是为了让暂时储存所有输入的信号，再将信号分别发送给下一级，使整个神经网络模块对于信号的接收保持稳定性。
进一步的，隐含节点模块中设置的隐含节点是整个神经网络的筛选阶段和过渡阶段，对神经网络性能和精确度都有很大的影响。
综上所述，本发明因地制宜，考虑环境中的气候条件，利用光伏技术实现太阳能发电，降低了电网电能的使用，节省能源低碳生活，功能丰富，在系统方面比较简洁，可实现性高，成本较低，适用性广。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为空气监测系统流程图；
图2为光电转换系统流程图；
图3为传感器神经网络示意图；
图4为信号调理电路图；
图5为matlab仿真结果图；
图6为神经网络算法流程图。
其中：1.空气；2.传感器模块；2-1.输入节点模块；2-2.隐含节点模块；2-3.输出节点模块；3.神经网络模块；4.信号调理电路模块；5.单片机模块；6.输出信号；7.太阳光；8.光能转换模块；9.逆变器模块；10.电池模块。
具体实施方式
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
目前人们对于健康越来越重视，尤其是与人们直接相关的空气质量问题。现有的空气监测技术一般应用于一些大型设备和超精密仪器，有着很高的成本的问题。然而此技术的智能监测系统从清洁简便这一角度出发，运用神经网络在信号重构与融合时进行噪声滤除、关键信息提取、信号的预测与分析等，保证系统监测的准确性，对传统监测技术进一步改进。
本发明提供了一种基于光伏发电和传感器的空气在线监测系统，采用光敏、温湿度、光学灰尘和风速等传感器综合监测空气质量，并通过调理电路输出电信号给单片机，具有低功耗、高精度和灵活性强等特点，是一种实用的室内空气质量检测系统。
本发明一种基于光伏发电和传感器的空气在线监测系统，包括光电转换系统和基于传感器神经网络的空气监测系统两部分，光电转换系统中的电池可直接为在线智能监测系统供电。
请参阅图2，光电转换系统包括光能转换模块8，逆变器模块9，电池模块10，光能转换模块8用于采集环境中太阳光7的太阳能并将太阳能转化为电能，逆变器模块9用于将电能调理成所需要大小的电压电流，电池模块10用于将已调理好的电能进行储存并为整个监测系统供电。
其中，光能转换模块8包括800～3200w太阳能板和60A太阳能控制器。
逆变器模块9起缓冲作用，将转换得到的电能安全传输给电池模块10，电池模块10采用12～48v铅酸或锂电池。
请参阅图1，空气监测系统包括传感器模块2、神经网络模块3、信号调理电路模块4、单片机模块5，传感器模块2用于对外界空气1的信息进行采集并转化为电信号，神经网络模块3用于将收集到的信号中所需要的信号准确地筛选出来，信号调理电路模块4用于将已筛选的信号进行放大使之能适用于下级电路，单片机模块5用于将所得信号进行分析运算；
传感器包括光敏传感器、SHT3x-DIS温湿度传感器、GP2Y1014AU光学灰尘传感器和RS-FSJT-*聚碳风速传感器。
传感器模块2通过光敏电阻、风速敏感元件和温湿度敏感元件敏感元件对外界空气中的动态模拟量如光强、风速、温湿度产生反应并将其转化为数字量的电信号再传递到神经网络模块3，传感器能够根据对空气监测的精确性和全面程度设置传感器种类的数量，神经网络模块3通过自身调节神经网络中各层的加权，使网络形成由输入输出对组成的训练组，从而将具体的空气中的风速信号、温湿度信号等信号筛选出，单片机模块5用于将放大处理后的信号通过程序状态字、加减指令、跳转指令等算术运算指令和延时、串行I/O等指令得到所需要的输出信号，然后将信号输出。单片机模块5对信号进行分析运算后除输出外还会对神经网络有反馈作用，单片机模块5使用80C51单片机。
请参阅图4，信号调理电路模块4能够将筛选后的电信号通过放大、滤波等操作转换成系统设备能够识别的标准信号，信号调理电路模块4包括电源Vcc，输入电压端Ui，输入电压端Ui的正极经电容C1分三路，一路与三极管的基极连接，第二路经电阻Rb1接电源Vcc；第三路经电阻Rb2与输入电压端Ui的负极、输出电压端U0的负极共地连接；三极管的发射极分两路，一路经电阻Re接地，另一路经电容Ce接地；三极管的集电极分两路，一路经电阻Rc接电源Vcc，另一路经电容C2后分两路，一路与输出电压端U0的正极连接，另一路经电阻RL与输出电压端U0的负极共地连接。
请参阅图3，传感器神经网络包括输入节点模块2-1、隐含节点模块2-2、输出节点模块2-3，所得环境信号先储存到输入节点模块2-1，再从输入节点模块2-1将信号分别传送到各隐含节点模块2-2，由隐含节点模块2-2进行信息筛选，再分别传送到各输出节点模块2-3进行信号输出，。
其中，输入节点模块2-1中输入节点的个数可根据输入信号的数量进行设置；隐含节点模块2-2中隐含节点个数可根据所需信号要求处理程度的不同进行设置。
请参阅图6，神经网络的算法如下：
网络的初始化
假设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m。输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk。学习速率为η，激励函数为g(x)。其中激励函数为g(x)取Sigmoid函数。形式为：
隐含层的输出
如上面的三层网络所示，隐含层的输出为Hj如下：
输出层的输出
误差的计算
取误差公式为：
其中Yk为期望输出，记Yk-Ok＝ek，则E表示为：
以上公式中，i＝1...n，j＝1...l，k＝1...m。
权值的更新
权值的更新公式为：
偏置的更新
偏置的更新公式为：
判断算法迭代是否结束：判断算法是否已经收敛。采用指定迭代的代数，判断相邻的两次误差之间的差别是否小于指定的值，如果大于则进行权值修正，从而输出后再进行判断。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
模拟仿真：现给定一个非线性函数作为确定的输出，具体如下：
f(x)＝20+x1 2-10cos(2πx1)+x2 2-10cos(2πx2)
x3＝3x1+1.5
x4＝3x2+1.5
x1,x2,x3,x4为自变量输入，x1和x2的取值为[-1.5,1.5]；x3和x4为噪声。使神经网络来识别这四个变量哪一个线性度最好，可以使用。
仿真结果如图5所示，最后的曲线趋于平稳，也就是说选取的变量与确定输出的线性度比较好。
该次实验得到的MIV值(平均影响值)为
MIV 1＝0.755330
MIV 2＝1.757400
MIV 3＝-0.22464
MIV 4＝-0.32869
由上述的MIV值可以得出x1和x2是与输出是正相关的，x2对输出的结果影响远大于x1的影响。而x3和x4与输出呈现负相关，可以判断为噪声，因此最终筛选出的自变量为x2，matlab程序实现如下：
％％MIV的值为各个项网络输出的MIV值MIV被认为是在神经网络中评价变量相关的最好指标之一，其符号代表相关的方向，绝对值大小代表影响的相对重要性。
代码首先清空变量，产生输入输出数据，再开始设置步长，按照函数先求得相应的函数值作为网络的输出，设置网络输入输出值，初步实现变量筛选算法，之后建立网络，初始化网络，设置网络训练参数，网络训练，后续实现变量筛选算法。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于光伏发电和传感器的空气在线监测系统，其特征在于，包括光电转换系统和基于传感器神经网络的空气监测系统，空气监测系统通过传感器神经网络将采集的空气信息筛选处理后由单片机进行运算处理实现在线监测，传感器神经网络通过自身调节神经网络中各层的加权形成由输入输出对组成的训练组，对空气中的风速信号、温湿度信号进行筛选，光电转换系统与空气监测系统连接，用于提供电能。
2.根据权利要求1所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，空气监测系统包括依次连接的传感器模块(2)、神经网络模块(3)、信号调理电路模块(4)和单片机模块(5)，传感器模块(2)用于采集外界空气(1)的信息并转化为电信号，神经网络模块(3)用于对收集到的电信号进行筛选，信号调理电路模块(4)用于将筛选出的信号进行放大、滤波处理，单片机模块(5)用于对放大处理后的信号进行分析运算，然后将信号输出。
3.根据权利要求2所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，传感器模块(2)包括光敏传感器、SHT3x-DIS温湿度传感器、GP2Y1014AU光学灰尘传感器和RS-FSJT-*聚碳风速传感器。
4.根据权利要求2所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，信号调理电路模块(4)包括电源Vcc和输入电压端Ui，输入电压端Ui的正极经电容C1分三路，一路与三极管的基极连接，第二路经电阻Rb1接电源Vcc；第三路经电阻Rb2与输入电压端Ui的负极、输出电压端U0的负极共地连接；三极管的发射极分两路，一路经电阻Re接地，另一路经电容Ce接地；三极管的集电极分两路，一路经电阻Rc接电源Vcc，另一路经电容C2后分两路，一路与输出电压端U0的正极连接，另一路经电阻RL与输出电压端U0的负极共地连接。
5.根据权利要求2所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，单片机模块(5)用于将放大处理后的信号通过程序状态字、加减指令、跳转指令和延时、串行I/O得到输出信号并输出，单片机模块(5)与神经网络模块(3)连接用于反馈。
6.根据权利要求2所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，神经网络模块(3)包括输入节点模块(2-1)、隐含节点模块(2-2)和输出节点模块(2-3)，输入节点模块(2-1)用于接收采集的环境信号并存储，各隐含节点模块(2-2)用于接收输入节点模块(2-1)发送的信号并进行筛选，输出节点模块(2-3)用于将信号输出。
7.根据权利要求6所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，输入节点模块(2-1)中输入节点的个数为输入向量维数。
8.根据权利要求6所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，隐含节点模块(2-2)中隐含节点个数为log2N，N为输入节点数。
9.根据权利要求6或7或8所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，传感器神经网络的工作如下：
设输入层的节点个数为n，隐含层的节点个数为l，输出层的节点个数为m，输入层到隐含层的权重ωij，隐含层到输出层的权重为ωjk，输入层到隐含层的偏置为aj，隐含层到输出层的偏置为bk，学习速率为η，激励函数为g(x)，激励函数为g(x)取Sigmoid函数，网络初始化为：
隐含层的输出Hj如下：
输出层的输出Ok如下：
取误差E计算如下：
其中，Yk为期望输出，记Yk-Ok＝ek，则E表示为：
其中，i＝1...n，j＝1...l，k＝1...m；
对权值更新如下：
对偏置更新如下：
采用指定迭代的代数，判断相邻的两次误差之间的差别是否小于指定值，当小于指定值迭代结束，如果大于，则进行权值修正，输出后再进行判断。
10.根据权利要求1所述的基于光伏发电和传感器的空气在线监测系统，其特征在于，光电转换系统包括光能转换模块(8)、逆变器模块(9)和电池模块(10)，光能转换模块(8)用于采集环境中太阳光(7)的太阳能并将太阳能转化为电能，逆变器模块(9)用于将转化的电能调理成所需电压电流，电池模块(10)用于将调理好的电能进行储存并为整个监测系统供电。
CN201910091049.5A 2019-01-30 2019-01-30 一种基于光伏发电和传感器的空气在线监测系统 Pending CN109612536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910091049.5A CN109612536A (zh) 2019-01-30 2019-01-30 一种基于光伏发电和传感器的空气在线监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910091049.5A CN109612536A (zh) 2019-01-30 2019-01-30 一种基于光伏发电和传感器的空气在线监测系统

Publications (1)

Publication Number Publication Date
CN109612536A true CN109612536A (zh) 2019-04-12

Family

ID=66021587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910091049.5A Pending CN109612536A (zh) 2019-01-30 2019-01-30 一种基于光伏发电和传感器的空气在线监测系统

Country Status (1)

Country Link
CN (1) CN109612536A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007017632A1 (de) * 2007-04-13 2008-10-16 Sentec Elektronik Gmbh Sensoranordnung
KR20170014343A (ko) * 2015-07-29 2017-02-08 엘에스산전 주식회사 기상 관측 장치
CN106645792A (zh) * 2016-10-18 2017-05-10 南京信息工程大学 超声波风速风向测量装置及测量方法
CN207036163U (zh) * 2017-03-22 2018-02-23 环境保护部华南环境科学研究所 一种基于物联网的城市环境监测系统
CN108225417A (zh) * 2017-12-26 2018-06-29 应城市德越智能科技有限公司 一种多功能空气质量监测装置
CN108877509A (zh) * 2018-07-23 2018-11-23 刘桂明 一种基于太阳能供电的景区信息指示器
CN109059981A (zh) * 2018-10-24 2018-12-21 北京机械设备研究所 一种温度、压力和湿度监测传感器
CN209372138U (zh) * 2019-01-30 2019-09-10 西安建筑科技大学 一种空气在线监测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007017632A1 (de) * 2007-04-13 2008-10-16 Sentec Elektronik Gmbh Sensoranordnung
KR20170014343A (ko) * 2015-07-29 2017-02-08 엘에스산전 주식회사 기상 관측 장치
CN106645792A (zh) * 2016-10-18 2017-05-10 南京信息工程大学 超声波风速风向测量装置及测量方法
CN207036163U (zh) * 2017-03-22 2018-02-23 环境保护部华南环境科学研究所 一种基于物联网的城市环境监测系统
CN108225417A (zh) * 2017-12-26 2018-06-29 应城市德越智能科技有限公司 一种多功能空气质量监测装置
CN108877509A (zh) * 2018-07-23 2018-11-23 刘桂明 一种基于太阳能供电的景区信息指示器
CN109059981A (zh) * 2018-10-24 2018-12-21 北京机械设备研究所 一种温度、压力和湿度监测传感器
CN209372138U (zh) * 2019-01-30 2019-09-10 西安建筑科技大学 一种空气在线监测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯文静 等: ""基于边缘侧的BP神经网络终端安全等级分级模型"" *
孙勇 等: ""基于BP神经网络的多传感器系统滤波降噪算法"" *

Similar Documents

Publication Publication Date Title
CN103345227B (zh) 一种微电网监测与能量管理装置及方法
Tao et al. Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement
CN104601108B (zh) 一种小型光伏电站的故障诊断方法
CN101571413B (zh) 基于加速度传感器的输电线路舞动在线监测系统
CN201886114U (zh) 一种变电站绝缘子泄漏电流监测终端
CN103616734B (zh) 大范围同步实时气象数据测量及风速风向预测系统与方法
CN101504790B (zh) 红外光束型火灾烟雾探测器
Singh et al. Generalized neural network methodology for short term solar power forecasting
CN107341566A (zh) 基于气象参数与太阳能电池板运行状态参数的光伏系统发电功率预测装置及其方法
CN105260800A (zh) 一种光伏组件温度预测方法及装置
CN104767805A (zh) 基于物联网架构和WebGIS的城市火灾监控系统
CN116780758A (zh) 一种输电线路多传感器数据融合的在线监测系统及方法
Soffiah et al. Fault detection in grid connected PV system using artificial neural network
CN209372138U (zh) 一种空气在线监测系统
CN113791324A (zh) 一种污秽绝缘子闪络风险预警系统及方法
CN104915727B (zh) 多维度同构异质bp神经网络光功率超短期预测方法
CN105844350A (zh) 一种基于协方差优选组合模型的短期风功率预测系统
CN105574619A (zh) 一种太阳能光伏发电出力预测系统及预测方法
CN104266634A (zh) 输电线路绝缘子等值灰密在线监测系统及监测方法
CN109612536A (zh) 一种基于光伏发电和传感器的空气在线监测系统
CN102156408B (zh) 一种动态自适应演化最大功率点跟踪控制系统及方法
CN103323756A (zh) 一种配电网中架空线绝缘污秽度预测装置及方法
Jun-Ma et al. Photovoltaic power generation prediction based on MEA-BP neural network
Wang et al. Two-tier prediction of solar power generation with limited sensing resource
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190412