CN111867194A - 基于多传感器信息融合的太阳能路灯控制器 - Google Patents

基于多传感器信息融合的太阳能路灯控制器 Download PDF

Info

Publication number
CN111867194A
CN111867194A CN202010634159.4A CN202010634159A CN111867194A CN 111867194 A CN111867194 A CN 111867194A CN 202010634159 A CN202010634159 A CN 202010634159A CN 111867194 A CN111867194 A CN 111867194A
Authority
CN
China
Prior art keywords
data
output
solar street
street lamp
function
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.)
Granted
Application number
CN202010634159.4A
Other languages
English (en)
Other versions
CN111867194B (zh
Inventor
金梅
李义辉
马子荐
杨曼
李福昆
李媛媛
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.)
Yanshan University
Original Assignee
Yanshan 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 Yanshan University filed Critical Yanshan University
Priority to CN202010634159.4A priority Critical patent/CN111867194B/zh
Publication of CN111867194A publication Critical patent/CN111867194A/zh
Application granted granted Critical
Publication of CN111867194B publication Critical patent/CN111867194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/30—Driver circuits
    • H05B45/32—Pulse-control circuits
    • H05B45/325—Pulse-width modulation [PWM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • 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
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/10—Controlling the intensity of the light
    • H05B45/12—Controlling the intensity of the light using optical feedback
    • 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
    • H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
    • H05B45/10—Controlling the intensity of the light
    • H05B45/14—Controlling the intensity of the light using electrical feedback from LEDs or from LED modules
    • 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

Abstract

本发明提供一种基于多传感器信息融合的太阳能路灯控制器，首先，用选定的声音、光照和人体传感器检测太阳能路灯周围的状态；然后，将传感器采集的测量信号进行预处理，对预处理后的测量信号进行特征选择，并进行归一化处理，为神经网络的输入提供标准形式；最后，通过RNN中LSTM网络进行信息的融合，将通过归一化处理的测量信号与已知的太阳能路灯周围状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止；在此过程中，主要是进行信息的获取，更新以及遗忘功能，并能够与之前的网络结构进行信息的交互和传递。本发明通过LSTM神经网络把安装地的数据、光照时长和多种传感器的数据进行输入，达到智能化的开关灯以及控制灯的亮度的效果。

Description

基于多传感器信息融合的太阳能路灯控制器
技术领域
本发明涉及电源控制及信息融合领域，特别涉及一种基于多传感器信息融合的太阳能路灯控制器。
背景技术
随着世界能源危机的加剧，各国都在寻求解决能源危机的办法，太阳能作为一种“取之不尽，用之不竭”的安全、环保的新能源越来越受到重视，近年来，太阳能路灯在国内许多城市的应用方兴未艾，其良好的技术经济性得到了一致的认可。对太阳能路灯控制系统的研究，能把太阳能资源的利用率增加，并且可以在节约能源方面起到作用。
近年来，随着城市建设规模的不断扩大和建设水平的不断提高，城市的路灯总数以每年约20％的平均速度递增，数千万盏路灯的节电问题已引起政府部门的关注。在能源日趋紧张、电力供应持续紧张的今天，低效、高耗的传统城市照明已成为节能降耗的重要领域。
目前太阳能路灯控制器的选择往往也是被大家忽视的一个问题，控制器的质量层差不齐，天气因素、温度改变、声音干扰等问题仍然需要解决，本发明通过改进控制器的控制方法，利用多传感器信息融合的形式达到更加智能化的控制效果。
发明内容
针对现有技术存在的问题，本发明提供一种基于多传感器信息融合的太阳能路灯控制器，主要为了提高太阳能资源的利用率，节约能源以及减少人力的管理，通过LSTM神经网络的长短期记忆网络把安装地的数据、光照时长和多种传感器的数据进行输入，达到智能化的开关灯以及控制灯的亮度的效果，使路灯更加智能化。
本发明提供了一种基于多传感器信息融合的太阳能路灯控制器，首先，用选定的声音、光照和人体传感器检测太阳能路灯周围的状态；然后，将传感器采集的测量信号进行预处理，对预处理后的测量信号进行特征选择，并进行归一化处理，为神经网络的输入提供标准形式；最后，通过RNN即递归神经网络中LSTM网络即长短期记忆网络进行信息的融合，将通过归一化处理的测量信号与已知的太阳能路灯周围状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止，太阳能路灯控制器的具体实施步骤如下：
S1、测量信号的采集和预处理；
S11、用选定的声音、光照和人体传感器检测太阳能路灯周围的状态，获得相关的测量信号；所述步骤S11具体包括以下步骤：
S111、先检测光强是否大于某一特定光强M，若大于M，则LED灯不亮；若小于M，则继续检测光强是否在m与M之间，在这个区间时，将PWM的占空比调节为25％；
S112、继续检测是否有人通过或者是否有声音出现，若出现了人通过或者有声音出现时，则将步骤S111中PWM占空比调节为50％，若没有则维持不变；
S113、若光强不在m与M之间时，说明已经进入夜晚，继续检测是否在夜晚十点和凌晨五点之间，若在此时间段之间，将PWM的占空比调节为25％；
S114、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S113中PWM占空比调节为50％，若没有则维持不变；
S115、若光强不在夜晚十点和凌晨五点之间，将PWM的占空比调节为50％；
S116、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S115中PWM占空比调节为75％，没有则维持不变；
S12、将获得的测量信号转换为电信号，在经过A/D变换转换为数字量信号；
S13、将数字量信号通过数字滤波器进行预处理；
S14、对预处理的数字信号作特征选择，得到最终的数据信息；
S2、将步骤S1处理好的数据信息与已知的数据信息作为训练样本，送给LSTM网络进行训练，直到满足所需要求为止；
S21、t-1层的控制参数Ct-1通过门单元的数据信息选择进行保留和遗忘操作，得到t层的控制参数Ct；
S22、t-1层的输出ht-1和t层的输入xt，通过sigmoid函数和t-1层的控制参数Ct-1丢弃要丢弃的数据信息；
S23、t-1层的输出ht-1和t层的输入xt在经过步骤S22的丢弃数据信息后，第一部分通过sigmoid函数得到要保留下来的新信息it，第二部分通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000031
S24、将步骤S22得到的数据信息值乘以ft进行忘记，将得到的ft*Ct-1加上
Figure BDA0002567305030000032
得到新的细胞状态，从而达到更新细胞状态的效果；
S25、t-1层的输出ht-1和t层的输入xt通过sigmoid函数，得到要输出细胞状态的数据结果ot，将步骤S23获得的控制参数
Figure BDA0002567305030000033
通过tanh函数，并将其乘以步骤S25中sigmoid函数的输出，输出决定输出的那些输出结果ht；
S26、反复进行训练，直到满足所需要求为止。
可优选的是，步骤S2中，LSTM网络的结构选用局部互联型的网络结构，在第j个神经元，接受多个其它第i个神经元在t时刻的输入xi(t)，引起神经元j的信息输出为yj(t):
Figure BDA0002567305030000034
式中：wij为神经元i到j的突触连接系数，即加权值；
θj为神经元j的阈值；
τij为输入、输出间的突触时延；
xi()为第i个神经元在t时刻的输入；
f()为神经元转移函数；
n为神经元的个数；
将上式中的突触时τij延取为单位时间，则
Figure BDA0002567305030000041
式中，netj为j单元的激活值；
Figure BDA0002567305030000042
其它神经元对第j个神经元的输入，通过加权，把输入信号的综合作用整合起来，把其它神经元对第j个神经元的输入的总效果称为净输入。
可优选的是，步骤S21中，所述门单元的sigmoid函数具体形式为：
Figure BDA0002567305030000043
式中，z代表输入到此门单元的函数值。
e-z可以使得g(z)的输出介于0到1之间；
g(z)代表输出的函数值。
进一步，所述Sigmoid函数层输出0到1之间的数值，描述每个部分有多少量可以通过，其中0代表不需任何量通过，1就指允许任意量通过。
可优选的是，步骤S22中，所述激活函数σ中sigmoid函数具体形式为：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，xt为当前的输入数据；
ht-1为上一层的中间结果；
ft为经过激活函数后输出的结果；
bf，Wf为调节参数,用来调节数据，使得结果更加符合理想化；
步骤S22中，经过激活函数后输出的ft与控制参数Ct-1计算决定丢弃的信息。
可优选的是，步骤S23中，新信息it、通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000051
的具体表达式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0002567305030000052
tanh为激活函数，表达式为：
Figure BDA0002567305030000053
式中：Wi，bi，WC，bC为调节参数,用来调节数据，使得结果更加符合理想化；
ex，e-x为指数函数。
可优选的是，步骤S24中，更新细胞状态的具体表达式为：
Figure BDA0002567305030000054
式中，ft为经过激活函数后输出的结果；
Figure BDA0002567305030000055
是新数据形成的控制参数；
ft*Ct-1为遗忘的部分，
Figure BDA0002567305030000056
为保留的部分。
可优选的是，步骤S25中，数据结果ot和输出结果ht的具体表达式为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，Ct为之前数据与现在数据组合完成之后得到的控制参数；
ot为经过门单元之后的输出数据结果；
ht为输出的结果；
Wo和bo为调节参数,用来调节数据，使得结果更加符合理想化。
可优选的是，所述电源控制电路，其包括时间显示模块、电源控制模块，按键模块和过充过放模块。
本发明与现有技术相比，具有如下优点：
1.本发明太阳能路灯控制器中的LSTM神经网络可以实现对太阳能路灯的自适应控制，减少了人为干预，充分利用往年的光照数据包含时长，光照强度等等，能够实现随着季度，地区等的变化自动调节光照时间、光照强度，提高了整体的自动化水平。
2.本发明太阳能路灯控制器通过光强度模块可以对外界的光照强度进行检测，从而控制太阳能路灯在光照变强或者变弱时调整PWM的占空比从而改变路灯的光照强度，成功避免了在外界光照较强时太阳能路灯仍然保持亮度而导致的能源浪费。
附图说明
图1为本发明基于多传感器信息融合的太阳能路灯控制器的信息融合的过程图；
图2为本发明基于多传感器信息融合的太阳能路灯控制器的主流程图；
图3为本发明基于多传感器信息融合的太阳能路灯控制器的结构框图；
图4为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络的结构示意图；
图5为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络的控制支路图；
图6为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络决定丢弃的信息支路图；
图7为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络确定更新的信息支路图；
图8为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络更新细胞状态支路图；以及
图9为本发明基于多传感器信息融合的太阳能路灯控制器中LSTM网络输出信息支路图。
具体实施方式
为详尽本发明之技术内容、所达成目的及功效，以下将结合说明书附图进行详细说明。
基于多传感器信息融合的太阳能路灯控制器，如图1至图4所示，首先，用选定的声音、光照和人体传感器检测太阳能路灯周围的状态；然后，将传感器采集的测量信号进行预处理，对预处理后的测量信号进行特征选择，并进行归一化处理，为神经网络的输入提供标准形式；最后，通过RNN中LSTM网络进行信息的融合，将通过归一化处理的测量信号与已知的太阳能路灯周围状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止。太阳能路灯控制器的具体实施步骤如下：
S1、测量信号的采集和预处理，如图1和图2所示。
S11、用选定的声音、光照和人体传感器检测太阳能路灯周围的状态，声音传感器通过判断是否有超过阈值的声音，获得相关的测量信号；光强传感器通过判断光强是否在某一特定光强较小值m与某一特定光强较大值M之间，获得相关的测量信号；人体传感器通过判断是否感应到有人通过，获得相关的测量信号。
S12、将获得的测量信号转换为电信号，在经过A/D变换转换为数字量信号。
S13、将数字量信号通过数字滤波器进行预处理，以滤除数据采集过程中的干扰和噪声；处理过程中，将声音信号找到一个合适的阈值并做延长处理；将光强信号作稳定处理，使得输出时是一个稳定的信号；将人体信号做延时处理，使得光照持续时间增加。
S14、对预处理的数字信号作特征选择，再进行数据融合或者直接对信号进行数据融合，得到最终的数据信息；声音的特征选择条件为：超过阈值则证明有人或者汽车等通过；光强的特征选择条件为：是否大于某一特定光强M[较大光强]或处于在m[较小光强]与M[较大光强]之间又或者小于m[较小光强]；人体感应的特征选择条件为：人进入其感应范围则输出高电平，人离开感应范围则自动延时关闭高电平，输出低电平，所以就是1和0的区别，同时，还可设置光敏控制，白天或光线强时不感应。
S2、将步骤S1处理好的数据信息与已知的数据信息作为训练样本，送给LSTM网络进行训练，直到满足所需要求为止，如图4所示。
S21、t-1层的控制参数Ct-1通过门单元的数据信息选择进行保留和遗忘操作，得到t层的控制参数Ct；
如图5所示，步骤S21中，门单元的sigmoid函数具体形式为：
Figure BDA0002567305030000081
式中，z代表输入到此门单元的函数值。
e-z可以使得g(z)的输出介于0到1之间；
g(z)代表输出的函数值。
Sigmoid函数层输出0到1之间的数值，描述每个部分有多少量可以通过。0代表不需任何量通过，1就指允许任意量通过。
S22、t-1层的输出ht-1和t层的输入xt，通过sigmoid函数和t-1层的控制参数Ct-1丢弃要丢弃的数据信息，本步骤的目的是先去决定上一个网络中输入进来后要丢弃的信息；
如图6所示，步骤S22中，激活函数σ中sigmoid函数具体形式为：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，xt为当前的输入数据；
ht-1为上一层的中间结果；
ft为经过激活函数后输出的结果；
bf，Wf为调节参数,用来调节数据，使得结果更加符合理想化；
步骤S22中，经过激活函数后输出的ft与控制参数Ct-1计算决定丢弃的信息。
S23、t-1层的输出ht-1和t层的输入xt在经过步骤S22的丢弃数据信息后，第一部分通过sigmoid函数得到要保留下来的新信息it，第二部分通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000091
如图7所示；
步骤S23中，新信息it、通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000092
的具体表达式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0002567305030000093
tanh为激活函数，表达式为：
Figure BDA0002567305030000094
式中：Wi，bi，WC，bC为调节参数,用来调节数据，使得结果更加符合理想化；
ex，e-x为指数函数。
S24、将步骤S22得到的数据信息值乘以ft进行忘记，将得到的ft*Ct-1加上
Figure BDA0002567305030000095
得到新的细胞状态，从而达到更新细胞状态的效果，如图8所示；
步骤S24中，更新细胞状态的具体表达式为：
Figure BDA0002567305030000101
式中，ft为经过激活函数后输出的结果；
Figure BDA0002567305030000102
新数据形成的控制参数；
ft*Ct-1为遗忘的部分，
Figure BDA0002567305030000103
为保留的部分。
S25、t-1层的输出ht-1和t层的输入xt通过sigmoid函数，得到要输出细胞状态的数据结果ot，将步骤S23获得的控制参数
Figure BDA0002567305030000104
通过tanh函数，并将其乘以步骤S25中sigmoid函数的输出，输出决定输出的那些输出结果ht，如图9所示；
步骤S25中，数据结果ot和输出结果ht的具体表达式为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，Ct为之前数据与现在数据组合完成之后得到的控制参数；
ot为经过门单元之后的输出数据结果；
ht为输出的结果；
Wo和bo为调节参数,用来调节数据，使得结果更加符合理想化。
S26、反复进行训练，直到满足所需要求为止。
将归一化的特征信息与已知的系统状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送入该网络，则网络输出就是被测系统的状态，并能随着时间的推移对时间参数以及光照强度的参数做出调整，最终达到智能化的状态。
步骤S2中，LSTM网络的结构选用局部互联型的网络结构，在第j个神经元，接受多个其它第i个神经元在t时刻的输入xi(t)，引起神经元j的信息输出为yj(t):
Figure BDA0002567305030000111
式中：wij为神经元i到j的突触连接系数，即加权值；
θj为神经元j的阈值；
τij为输入、输出间的突触时延；
xi()为第i个神经元在t时刻的输入；
f()为神经元转移函数；
将上式中的突触时τij延取为单位时间，则
Figure BDA0002567305030000112
式中netj—j单元激活值；
Figure BDA0002567305030000113
其它神经元对第j个神经元的输入，通过加权，把输入信号的综合作用整合起来，把其它神经元对第j个神经元的输入的总效果称为净输入。以上为神经网络各神经元之间作用的方式。
电源控制电路，如图3所示，其包括时间显示模块、电源控制模块，按键模块和过充过放模块。时间显示模块，用来显示实时的时间，同时可以让系统在适当的时间开关灯；电源控制模块，既能跟蓄电池进行电源交换，又能让太阳能充电板给其充电；按键模块，主要在于元器件的复位和时间的调整；过充过放模块，主要用于保护电路；控制器为主要核心，驱动LED从而达到改变光照亮度。
以下结合实施例对本发明一种基于多传感器信息融合的太阳能路灯控制器做进一步描述：
首先进行硬件的选型：声音检测传感器使用驻极体电容式咪头，咪头是将声音信号转换为电信号的能量转换器件，是和喇叭正好相反的一个器件，例如电→声；人体检测传感器选用HC-SR501人体感应模块作为检测人体红外信号；光强传感器选用的是比较通用的GY-30模块。
太阳能路灯控制器的具体实施步骤如下：
S1、测量信号的采集和预处理，如图1所示。使用光照传感器检测是白天还是黑夜，使用咪头检测声音，使用人体红外感应模块检测是否有人通过；收集所有传感器的信息，利用不同类型的传感器观测同一个目标，每个传感器在本地完成预处理、特征抽取、识别或判断，以建立对所观察目标的初步结论，然后通过相关处理、决策级融合判决，最终获得联合推断结果，从而直接为决策提供依据。
S11、用选定的声音、光照和人体传感器检测太阳能路灯周围的状态，声音传感器通过判断是否有超过阈值的声音，获得相关的测量信号，如图2所示；光强传感器通过判断光强是否在某一特定光强较小值m与某一特定光强较大值M之间，获得相关的测量信号；人体传感器通过判断是否感应到有人通过，获得相关的测量信号。
S111、先检测光强是否大于某一特定光强M，即检测是否为白天，若大于M，则LED灯不亮；若小于M，则继续检测光强是否在m与M之间，即检测是否天已经暗淡，在这个区间时，将PWM的占空比调节为25％；
S112、继续检测是否有人通过或者是否有声音出现，若出现了人通过或者有声音出现时，则将步骤S111中PWM占空比调节为50％，若没有则维持不变；
S113、不在m与M之间时，说明已经进入夜晚，继续检测是否在夜晚十点和凌晨五点之间，若在此时间段之间，将PWM的占空比调节为25％，此时在深夜，仅满足普通照明需要；
S114、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S113中PWM占空比调节为50％，若没有则维持不变；
S115、若不在夜晚十点和凌晨五点之间，将PWM的占空比调节为50％只满足照明需要即可；
S116、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S115中PWM占空比调节为75％，没有则维持不变。
S12、将获得的测量信号转换为电信号，在经过A/D变换转换为数字量信号。
S13、将数字量信号通过数字滤波器进行预处理，以滤除数据采集过程中的干扰和噪声；处理过程中，将声音信号找到一个合适的阈值并做延长处理；将光强信号作稳定处理，使得输出时是一个稳定的信号；将人体信号做延时处理，使得光照持续时间增加。
S14、对预处理的数字信号作特征选择，再进行数据融合或者直接对信号进行数据融合，得到最终的数据信息；声音的特征选择条件为：超过阈值则证明有人或者汽车等通过；光强的特征选择条件为：是否大于某一特定光强M[较大光强]或处于在m[较小光强]与M[较大光强]之间又或者小于m[较小光强]；人体感应的特征选择条件为：人进入其感应范围则输出高电平，人离开感应范围则自动延时关闭高电平，输出低电平，所以就是1和0的区别，同时，还可设置光敏控制，白天或光线强时不感应。
S2、将步骤S1处理好的数据信息与已知的数据信息作为训练样本，送给LSTM网络进行训练，直到满足所需要求为止，如图4所示。在此RNN中，声音、光照、人体和时间作为RNN的输入参数，即树突，LED灯的亮度作为输出参数，即轴突，使得最终达到该控制器的结果。
S21、t-1层的控制参数Ct-1通过门单元的数据信息选择进行保留和遗忘操作，得到t层的控制参数Ct；控制参数Ct＝[0,0.5,1]表示第一个位置上的数据完全遗忘，第二个位置数据部分保留，第三个位置数据全部保留。
如图5所示，步骤S21中，门单元的sigmoid函数具体形式为：
Figure BDA0002567305030000131
式中，z代表输入到此门单元的函数值。
e-z可以使得g(z)的输出介于0到1之间；
g(z)代表输出的函数值。
Sigmoid函数层输出0到1之间的数值，描述每个部分有多少量可以通过。0代表不需任何量通过，1就指允许任意量通过。
S22、t-1层的输出ht-1和t层的输入xt，通过sigmoid函数和t-1层的控制参数Ct-1丢弃要丢弃的数据信息，如图6所示；
步骤S22中，激活函数σ中sigmoid函数具体形式为：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，xt为当前的输入数据；
ht-1为上一层的中间结果；
ft为经过激活函数后输出的结果；
bf，Wf为调节参数,用来调节数据，使得结果更加符合理想化；
步骤S22中，经过激活函数后输出的ft与控制参数Ct-1计算决定丢弃的信息。
S23、t-1层的输出ht-1和t层的输入xt在经过步骤S22的丢弃数据信息后，第一部分通过sigmoid函数得到要保留下来的新信息it，第二部分通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000141
如图7所示；
步骤S23中，新信息it、通过tanh函数得到新数据形成的控制参数
Figure BDA0002567305030000142
的具体表达式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0002567305030000143
tanh为激活函数，表达式为：
Figure BDA0002567305030000144
式中：Wi，bi，WC，bC为调节参数,用来调节数据，使得结果更加符合理想化；
ex，e-x为指数函数。
S24、将步骤S22得到的数据信息值乘以ft进行忘记，将得到的ft*Ct-1加上
Figure BDA0002567305030000151
得到新的细胞状态，从而达到更新细胞状态的效果，如图8所示；
步骤S24中，更新细胞状态的的具体表达式为：
Figure BDA0002567305030000152
式中，ft为经过激活函数后输出的结果；
Figure BDA0002567305030000153
是新数据形成的控制参数；
ft*Ct-1为遗忘的部分，
Figure BDA0002567305030000154
为保留的部分。
S25、t-1层的输出ht-1和t层的输入xt通过sigmoid函数，得到要输出细胞状态的数据结果ot，将步骤S23获得的控制参数
Figure BDA0002567305030000155
通过tanh函数，并将其乘以步骤S25中sigmoid函数的输出，输出决定输出的那些输出结果ht如图9所示；
步骤S25中，数据结果ot和输出结果ht的具体表达式为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，Ct为之前数据与现在数据组合完成之后得到的控制参数；
ot为经过门单元之后的输出数据结果；
ht为输出的结果；
Wo和bo为调节参数,用来调节数据，使得结果更加符合理想化。
S26、反复进行训练，直到满足所需要求为止。
将归一化的特征信息与已知的系统状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止。该训练好的网络作为已知网络，只要将归一化的多传感器特征信息作为输入送入该网络，则网络输出就是被测系统的状态，并能随着时间的推移对时间参数以及光照强度的参数做出调整，最终达到智能化的状态。
实时监测加上分析往年数据集，判断全年的光照时间以及天气状况甚至于路口的车流量信息等进行分析，使本发明的控制器中的神经网络可以进行时间及光照参数的自我调节。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.一种基于多传感器信息融合的太阳能路灯控制器，其特征在于，首先，用选定的声音、光照和人体传感器检测太阳能路灯周围的状态；然后，将传感器采集的测量信号进行预处理，对预处理后的测量信号进行特征选择，并进行归一化处理，为神经网络的输入提供标准形式；最后，通过RNN中LSTM网络进行信息的融合，将通过归一化处理的测量信号与已知的太阳能路灯周围状态信息作为训练样本，送给神经网络进行训练，直到满足要求为止，太阳能路灯控制器的具体实施步骤如下：
S1、测量信号的采集和预处理；
S11、用选定的声音、光照和人体传感器检测太阳能路灯周围的状态，获得相关的测量信号；所述步骤S11具体包括以下步骤：
S111、先检测光强是否大于某一特定光强M，若大于M，则LED灯不亮；若小于M，则继续检测光强是否在m与M之间，在这个区间时，将PWM的占空比调节为25％；
S112、继续检测是否有人通过或者是否有声音出现，若出现了人通过或者有声音出现时，则将步骤S111中PWM占空比调节为50％，若没有则维持不变；
S113、若光强不在m与M之间时，说明已经进入夜晚，继续检测是否在夜晚十点和凌晨五点之间，若在此时间段之间，将PWM的占空比调节为25％；
S114、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S113中PWM占空比调节为50％，若没有则维持不变；
S115、若光强不在夜晚十点和凌晨五点之间，将PWM的占空比调节为50％；
S116、继续检测是否有人通过或者是否有声音出现，若有人通过或者出现声音时，则将步骤S115中PWM占空比调节为75％，没有则维持不变；
S12、将获得的测量信号转换为电信号，在经过A/D变换转换为数字量信号；
S13、将数字量信号通过数字滤波器进行预处理；
S14、对预处理的数字信号作特征选择，得到最终的数据信息；
S2、将步骤S1处理好的数据信息与已知的数据信息作为训练样本，送给LSTM网络进行训练，直到满足所需要求为止；
S21、t-1层的控制参数Ct-1通过门单元的数据信息选择进行保留和遗忘操作，得到t层的控制参数Ct；
S22、t-1层的输出ht-1和t层的输入xt，通过sigmoid函数和t-1层的控制参数Ct-1丢弃要丢弃的数据信息；
S23、t-1层的输出ht-1和t层的输入xt在经过步骤S22的丢弃数据信息后，第一部分通过sigmoid函数得到要保留下来的新信息it，第二部分通过tanh函数得到新数据形成的控制参数
Figure FDA0002567305020000021
S24、将步骤S22得到的数据信息值乘以ft进行忘记，将得到的ft*Ct-1加上
Figure FDA0002567305020000022
得到新的细胞状态，从而达到更新细胞状态的效果；
S25、t-1层的输出ht-1和t层的输入xt通过sigmoid函数，得到要输出细胞状态的数据结果ot，将步骤S23获得的控制参数
Figure FDA0002567305020000023
通过tanh函数，并将其乘以步骤S25中sigmoid函数的输出，输出决定输出的那些输出结果ht；
S26、反复进行训练，直到满足所需要求为止。
2.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S2中，LSTM网络的结构选用局部互联型的网络结构，在第j个神经元，接受多个其它第i个神经元在t时刻的输入xi(t)，引起神经元j的信息输出为yj(t):
Figure FDA0002567305020000031
式中：wij为神经元i到j的突触连接系数，即加权值；
θj为神经元j的阈值；
τij为输入、输出间的突触时延；
xi()为第i个神经元在t时刻的输入；
f()为神经元转移函数；
n为神经元的个数；
将上式中的突触时τij延取为单位时间，则
Figure FDA0002567305020000032
式中，netj为j单元的激活值；
Figure FDA0002567305020000033
其它神经元对第j个神经元的输入，通过加权，把输入信号的综合作用整合起来，把其它神经元对第j个神经元的输入的总效果称为净输入。
3.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S21中，所述门单元的sigmoid函数具体形式为：
Figure FDA0002567305020000034
式中，z代表输入到此门单元的函数值；
e-z可以使得g(z)的输出介于0到1之间；
g(z)代表输出的函数值。
4.根据权利要求3所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，所述Sigmoid函数层输出0到1之间的数值，描述每个部分有多少量可以通过，其中0代表不需任何量通过，1就指允许任意量通过。
5.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S22中，激活函数σ中sigmoid函数具体形式为：
ft＝σ(Wf·[ht-1,xt]+bf)
式中，xt为当前的输入数据；
ht-1为上一层的中间结果；
ft为经过激活函数后输出的结果；
bf，Wf为调节参数,用来调节数据，使得结果更加符合理想化；
步骤S22中，经过激活函数后输出的ft与控制参数Ct-1计算决定丢弃的信息。
6.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S23中，新信息it、通过tanh函数得到新数据形成的控制参数
Figure FDA0002567305020000046
的具体表达式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0002567305020000041
tanh为激活函数，表达式为：
Figure FDA0002567305020000042
式中，Wi，bi，WC，bC为调节参数,用来调节数据，使得结果更加符合理想化；
ex，e-x为指数函数。
7.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S24中，更新细胞状态的具体表达式为：
Figure FDA0002567305020000043
式中，ft为经过激活函数后输出的结果；
Figure FDA0002567305020000044
是新数据形成的控制参数；
ft*Ct-1为遗忘的部分，
Figure FDA0002567305020000045
为保留的部分。
8.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，步骤S25中，数据结果ot和输出结果ht的具体表达式为：
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，Ct为之前数据与现在数据组合完成之后得到的控制参数；
ot为经过门单元之后的输出数据结果；
ht为输出的结果；
Wo和bo为调节参数,用来调节数据，使得结果更加符合理想化。
9.根据权利要求1所述的基于多传感器信息融合的太阳能路灯控制器，其特征在于，所述电源控制电路，其包括时间显示模块、电源控制模块，按键模块和过充过放模块。
CN202010634159.4A 2020-07-02 2020-07-02 基于多传感器信息融合的太阳能路灯控制器 Active CN111867194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010634159.4A CN111867194B (zh) 2020-07-02 2020-07-02 基于多传感器信息融合的太阳能路灯控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010634159.4A CN111867194B (zh) 2020-07-02 2020-07-02 基于多传感器信息融合的太阳能路灯控制器

Publications (2)

Publication Number Publication Date
CN111867194A true CN111867194A (zh) 2020-10-30
CN111867194B CN111867194B (zh) 2021-05-18

Family

ID=73153651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010634159.4A Active CN111867194B (zh) 2020-07-02 2020-07-02 基于多传感器信息融合的太阳能路灯控制器

Country Status (1)

Country Link
CN (1) CN111867194B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102413605A (zh) * 2011-08-12 2012-04-11 苏州大学 基于人工神经网络的智能路灯节能控制系统
CN103826358A (zh) * 2013-11-02 2014-05-28 宁波市镇海匡正电子科技有限公司 一种人体感应智能太阳能led路灯电源
CN106998609A (zh) * 2017-04-14 2017-08-01 合肥酷庆信息科技有限公司 一种基于物联网和太阳能的智能照明控制系统
CN107257591A (zh) * 2016-09-08 2017-10-17 江苏科技大学 一种基于Zigbee和Qt的LED智能照明无线控制系统
US10165650B1 (en) * 2017-08-21 2018-12-25 Cree, Inc. Occupant tracking
CN209448938U (zh) * 2018-12-03 2019-09-27 中山市牛宝电子科技有限公司 一种具有光控和声控的双控型led驱动电源

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102413605A (zh) * 2011-08-12 2012-04-11 苏州大学 基于人工神经网络的智能路灯节能控制系统
CN103826358A (zh) * 2013-11-02 2014-05-28 宁波市镇海匡正电子科技有限公司 一种人体感应智能太阳能led路灯电源
CN107257591A (zh) * 2016-09-08 2017-10-17 江苏科技大学 一种基于Zigbee和Qt的LED智能照明无线控制系统
CN106998609A (zh) * 2017-04-14 2017-08-01 合肥酷庆信息科技有限公司 一种基于物联网和太阳能的智能照明控制系统
US10165650B1 (en) * 2017-08-21 2018-12-25 Cree, Inc. Occupant tracking
CN209448938U (zh) * 2018-12-03 2019-09-27 中山市牛宝电子科技有限公司 一种具有光控和声控的双控型led驱动电源

Also Published As

Publication number Publication date
CN111867194B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN107655159B (zh) 一种基于人群密度感知模型的空调节能控制方法及系统
CN102711335B (zh) 一种led节能灯智能控制装置及方法
CN106846837A (zh) 一种交通灯智能控制系统、交通灯智能控制方法及装置
CN108419339B (zh) 基于LoRa技术的多功能LED智能路灯系统
CN102413605A (zh) 基于人工神经网络的智能路灯节能控制系统
CN108430141B (zh) 一种基于前馈预测的环境照度的自动控制方法
JP3302800B2 (ja) 建物省エネルギー制御装置
CN111867194B (zh) 基于多传感器信息融合的太阳能路灯控制器
CN107781773A (zh) 一种智能路灯及智能路灯的城市物联网控制系统
CN115299428A (zh) 一种基于深度学习的物联网智能驱鸟系统
CN204350349U (zh) 一种节能型太阳能庭院音乐路灯装置
CN209105476U (zh) 一种节能型户外照明灯箱
CN115862315B (zh) 一种面向智慧城市多源异构数据流的交通灯控制方法及装置
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
CN214708121U (zh) 一种路灯单灯控制器及路灯
CN113382508A (zh) 一种基于数字化网络的灯光亮化智能控制系统
CN114513885A (zh) 一种基于车路协同的隧道灯光自适应调控装置及方法
CN107135594A (zh) 一种节能型路灯照明系统
CN210157446U (zh) 一种基于mppt的太阳能路灯开关控制装置
CN117279162B (zh) 一种基于物联网的多功能照明终端设备
CN112616227A (zh) 基于驾驶员瞳孔变化特征的隧道灯光调节系统及方法
CN117059007B (zh) 一种智能显示屏的控制方法及该显示屏
CN115835454A (zh) 一种基于物联电能表的楼道用灯节能装置及方法
CN112333901A (zh) 一种基于物联网特性可自动跟随提供定点照明的灯具
CN206674279U (zh) 一种光控路灯控制器

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
GR01 Patent grant
GR01 Patent grant