CN111556631A - 基于pso和rbfnn的隧道交通照明系统智能控制方法 - Google Patents

基于pso和rbfnn的隧道交通照明系统智能控制方法 Download PDF

Info

Publication number
CN111556631A
CN111556631A CN202010372049.5A CN202010372049A CN111556631A CN 111556631 A CN111556631 A CN 111556631A CN 202010372049 A CN202010372049 A CN 202010372049A CN 111556631 A CN111556631 A CN 111556631A
Authority
CN
China
Prior art keywords
particle
illumination
rbfnn
pso
tunnel
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
CN202010372049.5A
Other languages
English (en)
Inventor
金允泰
周武能
郑建立
李宏亮
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.)
Shanghai Tushan Intelligent Technology Co ltd
Donghua University
National Dong Hwa University
Original Assignee
Shanghai Tushan Intelligent Technology Co ltd
Donghua University
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 Shanghai Tushan Intelligent Technology Co ltd, Donghua University filed Critical Shanghai Tushan Intelligent Technology Co ltd
Priority to CN202010372049.5A priority Critical patent/CN111556631A/zh
Publication of CN111556631A publication Critical patent/CN111556631A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/105—Controlling the light source in response to determined parameters
    • H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
    • H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
    • H05B47/10—Controlling the light source
    • H05B47/165—Controlling the light source following a pre-assigned programmed sequence; Logic control [LC]
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明涉及一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，包括以下步骤：先根据隧道的照明条件，由RBFNN确定照明系数；再将照明系数输入PSO中；然后对PSO中粒子群的各个粒子的位置和速度进行初始化；再根据适应度函数对每个粒子的适应度值进行计算，确定粒子的历史最优解；进而根据历史最优解的粒子迭代每个粒子的速度以及迭代每个粒子的位置；最后根据适应度函数对每个粒子的历史最优解进行评估，更新集群的全局最优解；若当前迭代次数达到最大迭代次数，或者当前的最优解符合适应度值，则输出当前的最优解，即隧道照明系统中每盏灯的最优照度配置方案；本发明的方法具有较强的学习能力，保证亮度舒适的情况下节约隧道的能量。

Description

基于PSO和RBFNN的隧道交通照明系统智能控制方法
技术领域
本发明属隧道照明控制技术领域，涉及一种基于PSO和RBFNN的隧道交通照明系统智能控制方法。
背景技术
隧道是当今交通道路不可缺少的部分，随着我国隧道里程的飞速增长，如何减少隧道内部照明所消耗的能源也成为了当今节约能源的重要课题。由于隧道内部结构的特殊性，对于隧道内照明精确度的要求也高于普通交通照明，这也使得隧道内照明系统的智能控制得到了广泛的关注。
传统的对隧道照明系统的控制方法多使用非线性模糊控制系统，由于if...then...的非线性映射关系是相关领域专家根据日常操作经验总结的控制规则。不仅不能够保证映射关系的完整性和匹配度，而且专家思想因人而异，使得获得准确的控制规则遭遇难题。并且此模糊控制系统没有先将对输入输出变量导入系统的内部进行训练分析，因此没有能够结合目前比较成熟完备的控制理论方法和数学模型，具有可移植性较弱、系统容错率低等缺点。
PSO算法是目前智能照明控制中常用的算法，因为PSO算法可以通过迭代，得出有效地寻找出最优的照明配置方案。但是PSO算法的参数如果采用人工设定会大大减少算法的精确度。
发明内容
本发明的目的是提供一种基于PSO和RBFNN的隧道交通照明系统智能控制方法。具体是将训练传感器的位置和每个灯对这些传感器的照明贡献作为训练数据，建立出RBFNN模型，再通过该RBFNN模型确认PSO的照明系数，最终经过PSO算法数次迭代得出照明系统配置的最优解，并作为隧道照明系统中每盏灯的最优照度配置方案。
为达到上述目的，本发明采用的方案如下：
一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，包括以下步骤：
(1)根据隧道的照明条件，由径向基函数神经网络RBFNN(Radial Basis FunctionNeural Network)确定照明系数；
为了获得RBFNN网络的数据，需要在隧道的各位置安置m个传感器来测量n盏灯对该位置的照度贡献；设隧道中的工作区域的高度相同，将灯和传感器的位置维数由三维降低为二维；
将传感器的位置和每个灯对这些传感器的照度贡献作为训练数据，根据这些数据建立出RBFNN模型，即：所有传感器的位置(x,y)和每个灯的序号i作为RBFNN的输入，照明系数aij作为RBFNN的输出，其中，n盏灯的序号为1,…，i，…，n，i为灯的序号，n为灯的总数；m个传感器的序号为1,…，j，…，m，j为传感器的序号，m为传感器的总数；照明系数aij为灯i对于传感器j所在位置的照度贡献比(用于判断最优解的粒子是否满足最低照度)；
则每盏灯对所有传感器的照度贡献形成一个RBFNN，有n盏灯就有n个RBFNN网络；
(2)将照明系数aij输入粒子群优化算法PSO(Particle swarm optimization)中；
(3)对粒子群优化算法PSO中粒子群的各个粒子的位置和速度进行初始化，初始化即为随机生成一个粒子群；本发明中的粒子速度并不是广义上的速度，指的是粒子每次迭代的改变量；
各个粒子的位置初始化为：(F1,F2,...,Fn)，其中，F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比，F1，F2，...，Fn的初始化范围为[0，1]；
各个粒子的速度初始化为：(v1,v2,...,vn)，其中，v1，v2，...，vn分别为灯1,2，…，n的亮度调节比的变化速度，v1，v2，...，vn的初始化范围为[-0.5，0.5]；
(4)根据适应度函数对每个粒子的适应度值进行计算，确定粒子的历史最优解；所述适应度函数如下所示：
Figure BDA0002478506180000021
Figure BDA0002478506180000022
Figure BDA0002478506180000023
式中，E1，E2，Ej，...，Em为传感器1，2，…，m接受的来自灯1，2，…，n的照度总和；
a11，…，aij，…，amn为照明系数；
F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比；
Cost为适应度值；
m为传感器的总数，n为灯的总数，i为传感器的序号，j为灯的序号；
T为目标照度；
penalty为补偿系数，在灯i的照度小于目标照度时，对这个照明配置方案产生的是负评价，所以令penalty＝10000；
(5)根据历史最优解的粒子迭代每个粒子的速度，具体为：
第k+1次迭代后粒子h的速度为：
Figure BDA0002478506180000031
其中，k是迭代次数，
Figure BDA0002478506180000032
是更新前粒子h的粒子速度，h的范围为[0，s]，s为粒子群的粒子总数，ω是粒子h的粒子惯性权值，ph是粒子h的历史最优位置，
Figure BDA0002478506180000033
是粒子h在第k次迭代的位置，pg是全局最优位置，
Figure BDA0002478506180000034
和
Figure BDA0002478506180000035
是加速度系数，
Figure BDA0002478506180000036
和
Figure BDA0002478506180000037
为设定值，一般取值区间为[0，4]；
(6)迭代每个粒子的位置，具体为：
第k+1次迭代后粒子h的位置为：
Figure BDA0002478506180000038
其中，
Figure BDA0002478506180000039
为粒子h在第k+1次迭代的位置；
Figure BDA00024785061800000310
为粒子h在第k次迭代的位置；
Figure BDA00024785061800000311
为粒子h第k+1次迭代的粒子速度；
(7)根据适应度函数比较每个粒子的历史最优解，进行评估，更新粒子群的全局最优解；
(8)若当前迭代次数达到最大迭代次数，或者适应度误差系数α≤5％，即全局最优解的适应度值符合适应度最优值，则输出当前的最优解；否则，粒子群优化算法PSO将再次从第四步开始进行迭代；
(9)输出最优解粒子，即隧道照明系统中每盏灯的最优照度配置方案。
作为优选的技术方案：
如上所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其特征在于，所述适应度函数是用来评估粒子好坏的指标，所述适应度值越小表示这个粒子越接近最优位置。
如上所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，所述最大迭代次数根据实验选定，算法收敛时的迭代次数通常定为最大迭代次数。
如上所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，所述适应度误差系数
Figure BDA00024785061800000312
T为目标照度。
有益效果
(1)本发明一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，使用的神经网络相较于传统的模糊控制，具有较强的学习能力，对于不同环境的适应能力更好，并且具有更高的容错能力；RBFNN具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快；
(2)本发明一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，将PSO与RBFNN相结合，提高了算法的精确度，全局最优解使得照明方案保证亮度舒适的情况下节约能量。
附图说明
图1为本发明的基于PSO和RBFNN的隧道交通照明系统智能控制方法的基本结构示意图；
图2为本发明的PSO算法的流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其基本结构示意图如图1所示，包括以下步骤：
(1)根据隧道的照明条件，由径向基函数神经网络RBFNN(Radial Basis FunctionNeural Network)确定照明系数；
为了获得RBFNN网络的数据，需要在隧道的各位置安置m个传感器来测量n盏灯对该位置的照度贡献；设隧道中的工作区域的高度相同，将灯和传感器的位置维数由三维降低为二维；
将传感器的位置和每个灯对这些传感器的照度贡献作为训练数据，根据这些数据建立出RBFNN模型，即：所有传感器的位置(x,y)和每个灯的序号i作为RBFNN的输入，照明系数aij作为RBFNN的输出，其中，n盏灯的序号为1,…，i，…，n，i为灯的序号，n为灯的总数；m个传感器的序号为1,…，j，…，m，j为传感器的序号，m为传感器的总数；照明系数aij为灯i对于传感器j所在位置的照度贡献比(用于判断最优解的粒子是否满足最低照度)；
则每盏灯对所有传感器的照度贡献形成一个RBFNN，有n盏灯就有n个RBFNN网络；
(2)将照明系数aij输入粒子群优化算法PSO(Particle swarm optimization)中；该PSO算法的流程图如图2所示；
(3)对粒子群优化算法PSO中粒子群的各个粒子的位置和速度进行初始化，初始化即为随机生成一个粒子群；本发明中的粒子速度并不是广义上的速度，指的是粒子每次迭代的改变量；
各个粒子的位置初始化为：(F1,F2,...,Fn)，其中，F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比，F1，F2，...，Fn的初始化范围为[0，1]；
各个粒子的速度初始化为：(v1,v2,...,vn)，其中，v1，v2，...，vn分别为灯1,2，…，n的亮度调节比的变化速度，v1，v2，...，vn的初始化范围为[-0.5，0.5]；
(4)根据适应度函数对每个粒子的适应度值进行计算，确定粒子的历史最优解；适应度函数如下所示：
Figure BDA0002478506180000051
Figure BDA0002478506180000052
Figure BDA0002478506180000053
式中，E1，E2，Ej，...，Em为传感器1，2，…，m接受的来自灯1，2，…，n的照度总和；
a11，…，aij，…，amn为照明系数；
F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比；
Cost为适应度值；适应度函数是用来评估粒子好坏的指标，适应度值越小表示这个粒子越接近最优位置；
m为传感器的总数，n为灯的总数，i为传感器的序号，j为灯的序号；
T为目标照度；
penalty为补偿系数，在灯i的照度小于目标照度时，对这个照明配置方案产生的是负评价，所以令penalty＝10000；
(5)根据历史最优解的粒子迭代每个粒子的速度，具体为：
第k+1次迭代后粒子h的速度为：
Figure BDA0002478506180000054
其中，k是迭代次数，
Figure BDA0002478506180000055
是更新前粒子h的粒子速度，h的范围为[0，s]，s为粒子群的粒子总数，ω是粒子h的粒子惯性权值，ph是粒子h的历史最优位置，
Figure BDA0002478506180000056
是粒子h在第k次迭代的位置，pg是全局最优位置，
Figure BDA0002478506180000057
和
Figure BDA0002478506180000058
是加速度系数，
Figure BDA0002478506180000059
和
Figure BDA00024785061800000510
为设定值，一般取值区间为[0，4]；
(6)迭代每个粒子的位置，具体为：
第k+1次迭代后粒子h的位置为：
Figure BDA00024785061800000511
其中，
Figure BDA00024785061800000512
为粒子h在第k+1次迭代的位置；
Figure BDA00024785061800000513
为粒子h在第k次迭代的位置；
Figure BDA00024785061800000514
为粒子h第k+1次迭代的粒子速度；
(7)根据适应度函数比较每个粒子的历史最优解，进行评估，更新粒子群的全局最优解；
(8)若当前迭代次数达到最大迭代次数，最大迭代次数根据实验选定，算法收敛时的迭代次数通常定为最大迭代次数，或者全局最优解的适应度值符合适应度最优值，满足适应度误差系数α≤5％，适应度误差系数
Figure BDA0002478506180000061
其中，T为目标照度，则输出当前的最优解；否则，粒子群优化算法PSO将再次从第四步开始进行迭代；
(9)输出最优解粒子，即隧道照明系统中每盏灯的最优照度配置方案。在PSO算法中，用粒子位置表示待优化问题的解，所以应用在照明系统中每一个粒子对应的是一种隧道照明的配置方案，所以经过迭代后得出的最优解粒子即为隧道照明系统的最优配置方案。
为了验证本发明的方法的技术效果，将本发明和现有技术中的方法进行对比：
目前我国的隧道应用比较广泛的隧道照明控制方法是分段式照明控制，其主要思路就是根据自然光对隧道各个位置的影响不同来将隧道的各段分开控制灯具亮度，以减少不必要的电能消耗。如文献(杨才.高速公路隧道照明能耗监测及节能算法研究[D].北京：北京交通大学,2019)中的分段式照明控制方法，其各个照明段的能耗计算公式如下：
d＝L/Lmax
Figure BDA0002478506180000062
其中，d为灯具调节百分比(％)；L为隧道照明段期望亮度(cd/m2)；Lmax为隧道各照明段灯具完全开启时的亮度(cd/m2)；W为总能耗值(kw)；Pmax为照明段最大功率(kw)；N为24小时内灯具调光的总次数(次)；Ti为第i盏灯具的开启时间(h)；
根数上述的能耗计算公式，对传统分段式隧道照明设计的能耗进行计算，隧道照明消耗电能314.26kW·h；
当采用基于PSO和RBFNN的隧道交通照明系统智能控制方法时，将上述传统分段式隧道照明设计的参数代入本发明的方法中，能耗计算如下：
Figure BDA0002478506180000063
根据公式计算得到的隧道照明系统消耗电能240.06kW·h，则总共可以节能：
(314.26-240.06)/314.26＝23.61％；
所以基于PSO和RBFNN的隧道交通照明系统智能控制方法可以有效的降低隧道照明系统的能耗。

Claims (4)

1.一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其特征是包括以下步骤：
(1)根据隧道的照明条件，由径向基函数神经网络RBFNN确定照明系数；
在隧道的各位置安置m个传感器来测量n盏灯对该位置的照度贡献；将灯和传感器的位置维数由三维降低为二维；
将传感器的位置和每个灯对这些传感器的照度贡献作为训练数据，建立出RBFNN模型，即：所有传感器的位置(x,y)和每个灯的序号i作为RBFNN的输入，照明系数aij作为RBFNN的输出，其中，n盏灯的序号为1,…，i，…，n；i为灯的序号；n为灯的总数；m个传感器的序号为1,…，j，…，m；j为传感器的序号，m为传感器的总数；照明系数aij为灯i对于传感器j所在位置的照度贡献比；
则每盏灯对所有传感器的照度贡献形成一个RBFNN，有n盏灯就有n个RBFNN网络；
(2)将照明系数aij输入粒子群优化算法PSO中；
(3)对粒子群优化算法PSO中粒子群的各个粒子的位置和速度进行初始化；
各个粒子的位置初始化为：(F1,F2,...,Fn)；其中，F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比；F1，F2，...，Fn的初始化范围为[0，1]；
各个粒子的速度初始化为：(v1,v2,...,vn)，其中，v1，v2，...，vn分别为灯1,2，…，n的亮度调节比的变化速度，v1，v2，...，vn的初始化范围为[-0.5，0.5]；
(4)根据适应度函数对每个粒子的适应度值进行计算，确定粒子的历史最优解；所述适应度函数如下所示：
Figure FDA0002478506170000011
Figure FDA0002478506170000012
Figure FDA0002478506170000013
式中，E1，E2，…，Ej，…，Em为传感器1，2，…，m接受的来自灯1，2，…，n的照度总和；
a11，…，aij，…，amn为照明系数；
F1，F2，...，Fn分别为灯1,2，…，n的亮度调节比；
Cost为适应度值；
m为传感器的总数，n为灯的总数，i为传感器的序号，j为灯的序号；
T为目标照度；
penalty为补偿系数；
(5)根据历史最优解的粒子迭代每个粒子的速度，具体为：
第k+1次迭代后粒子h的速度为：
Figure FDA0002478506170000021
其中，k是迭代次数，
Figure FDA0002478506170000022
是更新前粒子h的粒子速度，h的范围为[0，s]，s为粒子群的粒子总数，ω是粒子h的粒子惯性权值，ph是粒子h的历史最优位置，
Figure FDA0002478506170000023
是粒子h在第k次迭代的位置，pg是全局最优位置，
Figure FDA0002478506170000024
和
Figure FDA0002478506170000025
是加速度系数，
Figure FDA0002478506170000026
和
Figure FDA0002478506170000027
为设定值，取值区间为[0，4]；
(6)迭代每个粒子的位置，具体为：
第k+1次迭代后粒子h的位置为：
Figure FDA0002478506170000028
其中，
Figure FDA0002478506170000029
为粒子h在第k+1次迭代的位置；
Figure FDA00024785061700000210
为粒子h在第k次迭代的位置；
Figure FDA00024785061700000211
为粒子h第k+1次迭代的粒子速度；
(7)比较每个粒子的历史最优解，更新粒子群的全局最优解；
(8)若当前迭代次数达到最大迭代次数，或者适应度误差系数α≤5％，则输出当前的最优解；否则，粒子群优化算法PSO将再次从第四步开始进行迭代；
(9)输出最优解粒子，即隧道照明系统中每盏灯的最优照度配置方案。
2.根据权利要求1所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其特征在于，所述适应度值越小表示这个粒子越接近最优位置。
3.根据权利要求1所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其特征在于，所述最大迭代次数根据实验选定，算法收敛时的迭代次数通常定为最大迭代次数。
4.根据权利要求1所述的一种基于PSO和RBFNN的隧道交通照明系统智能控制方法，其特征在于，所述适应度误差系数
Figure FDA00024785061700000212
其中，T为目标照度。
CN202010372049.5A 2020-05-06 2020-05-06 基于pso和rbfnn的隧道交通照明系统智能控制方法 Pending CN111556631A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010372049.5A CN111556631A (zh) 2020-05-06 2020-05-06 基于pso和rbfnn的隧道交通照明系统智能控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010372049.5A CN111556631A (zh) 2020-05-06 2020-05-06 基于pso和rbfnn的隧道交通照明系统智能控制方法

Publications (1)

Publication Number Publication Date
CN111556631A true CN111556631A (zh) 2020-08-18

Family

ID=72004603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010372049.5A Pending CN111556631A (zh) 2020-05-06 2020-05-06 基于pso和rbfnn的隧道交通照明系统智能控制方法

Country Status (1)

Country Link
CN (1) CN111556631A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674705A (zh) * 2021-08-27 2021-11-19 天津大学 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法
CN114610748A (zh) * 2022-03-16 2022-06-10 云南升玥信息技术有限公司 基于人工智能的医疗疾病数据的安全快速精准有效管理系统及应用
CN116756469A (zh) * 2023-08-22 2023-09-15 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN117412442A (zh) * 2023-12-14 2024-01-16 四川九通智路科技有限公司 一种应用于隧道的照明节能控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107871157A (zh) * 2017-11-08 2018-04-03 广东工业大学 基于bp和pso的数据预测方法、系统及相关装置
CN109214572A (zh) * 2018-09-06 2019-01-15 南京工业职业技术学院 一种基于epso-bp对商业建筑灯饰能耗预测方法
CN109508779A (zh) * 2018-11-09 2019-03-22 重庆化工职业学院 一种市政路灯的节能控制方法
CN110462484A (zh) * 2017-03-31 2019-11-15 卡尔蔡司显微镜有限责任公司 具有优化的照明几何结构的结构照明

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110462484A (zh) * 2017-03-31 2019-11-15 卡尔蔡司显微镜有限责任公司 具有优化的照明几何结构的结构照明
CN107871157A (zh) * 2017-11-08 2018-04-03 广东工业大学 基于bp和pso的数据预测方法、系统及相关装置
CN109214572A (zh) * 2018-09-06 2019-01-15 南京工业职业技术学院 一种基于epso-bp对商业建筑灯饰能耗预测方法
CN109508779A (zh) * 2018-11-09 2019-03-22 重庆化工职业学院 一种市政路灯的节能控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANPING WEN AND BINGGANG CAO: "A Modified Particle Swarm Optimizer Based on Cloud Model", 《2008 IEEE/ASME INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS》 *
W.SI,H.OGAI,T.LI: "A Novel Energy Saving System for Office Lighting Control by using RBFNN and PSO", 《IEEE 2013 TENCON - SPRING》 *
YANG GUANGYOU: "A Modified Particle Swarm Optimizer Algorithm", 《2007 8TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT AND INSTRUMENTS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674705A (zh) * 2021-08-27 2021-11-19 天津大学 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法
CN113674705B (zh) * 2021-08-27 2023-11-07 天津大学 一种基于径向基函数神经网络代理模型辅助粒子群算法的背光提取方法
CN114610748A (zh) * 2022-03-16 2022-06-10 云南升玥信息技术有限公司 基于人工智能的医疗疾病数据的安全快速精准有效管理系统及应用
CN116756469A (zh) * 2023-08-22 2023-09-15 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN116756469B (zh) * 2023-08-22 2023-10-31 中之力搏建设工程有限公司 一种户外照明灯具优化管理系统
CN117412442A (zh) * 2023-12-14 2024-01-16 四川九通智路科技有限公司 一种应用于隧道的照明节能控制方法
CN117412442B (zh) * 2023-12-14 2024-02-20 四川九通智路科技有限公司 一种应用于隧道的照明节能控制方法

Similar Documents

Publication Publication Date Title
CN111556631A (zh) 基于pso和rbfnn的隧道交通照明系统智能控制方法
WO2020097944A1 (zh) 一种基于真实功率曲线的风电机组偏航误差固有偏差辨识及补偿方法
CN108538065B (zh) 一种基于自适应迭代学习控制的城市主干道协调控制方法
CN104834215A (zh) 一种变异粒子群优化的bp神经网络pid控制算法
CN108966448A (zh) 一种基于自适应模糊决策树的灯光动态调控方法
CN107864541A (zh) 隧道照明智能调光方法
CN111081035A (zh) 一种基于q学习的交通信号控制方法
CN114867165A (zh) 一种基于长短期记忆神经网络的智慧路灯控制方法
CN112163372A (zh) 一种动力电池的soc估算方法
CN110458342A (zh) 一种基于改进的narx神经网络微气象监测系统及方法
CN109779736A (zh) 一种发动机电控硅油风扇的节能优化控制方法及系统
CN114004339B (zh) 一种基于宽度学习的城市照明系统调节方法、装置和存储介质
He et al. Illumination control of intelligent street lamps based on fuzzy decision
CN115689068A (zh) 一种基于室温修正和CNN-BiLSTM的热负荷预测方法
CN110077389A (zh) 一种插电式混合动力电动汽车能量管理方法
CN106325354A (zh) 基于自适应果蝇搜索的光伏阵列最大功率点跟踪方法
CN109709800A (zh) 基于烟花算法-自适应模糊pid的led路灯智能控制方法及装置
CN113111419A (zh) 办公建筑内空调负荷预测模型建立、预测方法及系统
CN105007659A (zh) 太阳能路灯控制装置
CN115796324B (zh) 一种高寒地区供热负荷预测方法和系统
CN113505346B (zh) 一种基于人工智能的城市路灯数据处理及联合调控系统
CN106447136A (zh) 基于变幅值变增益梯度极值搜索算法的照明节能控制方法
CN113660753B (zh) 一种隧道进出口数字调光控制方法
CN110555225A (zh) 一种基于分层粒子群优化算法的rbpf-slam计算方法
Chen et al. Venetian blind control system based on fuzzy neural network for indoor daylighting

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

Application publication date: 20200818

RJ01 Rejection of invention patent application after publication