CN114867165B - 一种基于长短期记忆神经网络的智慧路灯控制方法 - Google Patents

一种基于长短期记忆神经网络的智慧路灯控制方法 Download PDF

Info

Publication number
CN114867165B
CN114867165B CN202210682896.0A CN202210682896A CN114867165B CN 114867165 B CN114867165 B CN 114867165B CN 202210682896 A CN202210682896 A CN 202210682896A CN 114867165 B CN114867165 B CN 114867165B
Authority
CN
China
Prior art keywords
street lamp
visibility
neural network
long
memory neural
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.)
Active
Application number
CN202210682896.0A
Other languages
English (en)
Other versions
CN114867165A (zh
Inventor
林培杰
程树英
章杰
郑伟彬
陈志聪
吴丽君
许嘉辉
郭昊
毛胤靖
郑凯
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.)
Fuzhou Fd Automation Tech Co ltd
Fuzhou University
Original Assignee
Fuzhou Fd Automation Tech Co ltd
Fuzhou 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 Fuzhou Fd Automation Tech Co ltd, Fuzhou University filed Critical Fuzhou Fd Automation Tech Co ltd
Priority to CN202210682896.0A priority Critical patent/CN114867165B/zh
Publication of CN114867165A publication Critical patent/CN114867165A/zh
Application granted granted Critical
Publication of CN114867165B publication Critical patent/CN114867165B/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
    • 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
    • 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
    • G06N3/048—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • H05B47/17—Operational modes, e.g. switching from manual to automatic mode or prohibiting specific operations
    • 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长短期记忆神经网络的智慧路灯控制方法。从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；对每个样本信号进行归一化处理；调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为模型的输入特征，能见度作为模型的输出，构建能见度检测算法模型；结合能见度检测算法模型所得的能见度情况与当前的照度情况构建路灯控制策略；根据所构建的路灯控制策略，在高能见度时，采用普通亮度与高色温照明模式，节约能源；在低能见度时输出更高的亮度与更低的色温，增强路灯透雾能力。本发明能够实现不同能见度下的路灯自适应调光。

Description

一种基于长短期记忆神经网络的智慧路灯控制方法
技术领域
本发明涉及智慧路灯控制技术，特别是一种基于长短期记忆神经网络的智慧路灯控制方法。
背景技术
智慧路灯是完成智慧城市项目至关重要的一个环节，当前世界上的路灯数量大概有3.17亿盏。但是，其中智慧路灯的数量不足5％。室外公共照明市场正处于变革时期，老旧的路灯会逐渐被节能的信息化智能LED路灯取代。对于智慧路灯的调光控制，需要从人本视角下出发，在优先保证通行车辆和行人照明需求的情况下，尽可能的降低能源消耗。由此可见，研究合理有效的智慧路灯控制方法，对与构建智慧城市、节约能源具有重要意义。
通常关于智慧路灯的研究主要集中在远程控制、或者依据交通流量调光方向。但是，雨、雾等影响能见度的天气对道路照明效果会产生较大影响，也需要在智慧路灯控制中加以考虑。通过对比7种不同色温的LED，发现虽然高色温的LED具有更高的光效，也更加节能，但在道路能见度降低时高色温LED照明效果会比低色温LED下降更为明显。为了低能见度下高色温LED严重的光衰减问题，国内外研究人员致力于开发用于智慧城市的路灯智能控制系统，通过从城市的气象站获得气象参数来及时调控路灯。但是，由于城市气象站数量少，分布广，并不能真实的反应道路的天气状况。为了能够更加精准的掌握道路各部分气象情况，有研究人员设计了基于WEB管理的智慧路灯，能够从每盏路灯上的气象传感器实时采集气象数据，并及时针对特定天气情况进行调光。但其只划分了3200K与5000K两种色温，并且通过对气象数据简单的阈值划分来判断能见度情况，无法进行更精准的调光。
为了能够更好的控制LED路灯，需要获得道路能见度信息。而能见度仪价格昂贵，沿道路大量安装价格成本极高，不切实际。这时就需要使用低成本气象传感器采集的气象数据对能见度进建模。由于各种气象因子的复杂性，传统物理模型很难对能见度进行准确的建模。而神经网络对各种非线性模型有着很好的拟合能力，因此许多研究利用神经网络，来实现对能见度的建模。
基于此，本发明提出一种基于长短期记忆神经网络的智慧路灯控制方法。该方法首先结合多维气象时序数据进行特征提取建立能见度预测模型，再根据路面能见度状况结合当前照度值，使得智慧路灯进行自适应调光，并在能见度发生异常时实现告警。对比传统定时控制LED路灯，该方案能够在满足道路照明需求的情况下，尽可能降低能耗，同时兼顾安全性与节能性。
目前，公开发表的文献及专利中尚未见有将长短期记忆神经网络应用于智慧路灯控制的研究。
发明内容
本发明的目的在于提供一种基于长短期记忆神经网络的智慧路灯控制方法，以多维气象为输入特征建立能见度预测模型，再结合当前照度值来对智慧路灯进行自适应调光。
为实现上述目的，本发明的技术方案是：一种基于长短期记忆神经网络的智慧路灯控制方法，包括如下步骤：
步骤S1、从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；
步骤S2、对样本数据集中的每个样本信号进行归一化处理；
步骤S3、调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为长短期记忆神经网络的模型输入特征，能见度作为长短期记忆神经网络的模型输出，构建能见度检测算法模型；
步骤S4、结合步骤S3构建的能见度检测算法模型所输出的能见度情况与当前的照度情况构建路灯控制策略；
步骤S5、根据所构建的路灯控制策略实现不同能见度下的路灯自适应调光。
在本发明一实施例中，所述步骤S1中，通过分析与能见度相关性最强的气象数据，选择湿度、风速、PM2.5、PM10这4种气象数据作为长短期记忆神经网络的输入。所用气象数据来自于网站RP5.ru，以及UCI某地区PM2.5数据集，照度数据由路灯处安装的照度传感器采集得到。
在本发明一实施例中，所述步骤S2中，对样本信号进行归一化处理的方法为：对每个样本信号特征进行最大最小归一化，归一化的公式如下：
Figure BDA0003696426070000021
其中，Xi’表示归一化后的特征值，Xi表示原特征值，Xmax表示样本数据集中相应样本信号特征的最大值，Xmin表示样本数据集中相应样本信号特征的小值；经过归一化处理之后的特征值反映了不同特征的变化趋势，更利于后续训练。
在本发明一实施例中，所述步骤S3中，长短期记忆神经网络的模型输入为N×T的矩阵，其中N是特征维度，本发明中选择湿度、风速、PM2.5、PM10作为模型的输入特征，因此N为4；T是时间步长，本发明中取8，即使用过去8个小时的4个气象数据特征来建模当前能见度。长短期记忆神经网络模型要求当前时间步输入一个N维特征数据，然后需要连续输入T个时间步长的数据才进行一次反向传播。利用滑动窗口选取，将连续时间序列数据划分成单个步长为8的小段连续数据；
构建的当前能见度检测算法模型具有三个隐藏层：第一个隐藏层为长短期记忆神经网络，输入特征维度为4，隐藏层神经元个数为32，激活函数选择relu；第二个隐藏层为包含5个神经元的线性全连接层；最后一层使用Adam算法优化长短期记忆神经网络，损失函数选择MSE。
在本发明一实施例中，所述步骤S4中，智能路灯的控制方式需要根据当前的照度情况与步骤S3构建的能见度检测算法模型所得出的当前环境能见度情况综合判定，具体控制策略如下：
当采集照度小于15lx时，可判断为夜晚模式，采用夜晚的控制策略控制路灯；反之，当采集照度大于15lx时执行白天控制策略；同时，在智能路灯检测到能见度小于10KM时，判定为低能见度路段，并将该路段所在位置上报云平台，由云平台发布给行驶车辆来提供低能见度预警提示。
相较于现有技术，本发明具有以下有益效果：本发明能够实现不同能见度下的路灯自适应调光。
附图说明
图1为本发明方法整体流程图。
图2为智能路灯具体控制策略流程图。
图3为道路能见度曲线与其在不同控制策略下(定时控制与智能控制)的路灯照明曲线；其中图3(a)为道路能见度曲线，图3(b)为道路能见度曲线在定时控制与智能控制策略下的路灯照明曲线。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
本发明提供了一种基于长短期记忆神经网络的智慧路灯控制方法，包括如下步骤：
步骤S1、从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；
步骤S2、对每个样本信号进行归一化处理；
步骤S3、调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为模型的输入特征，能见度作为模型的输出，构建能见度检测算法模型；
步骤S4、结合步骤S3中模型所输出的能见度情况与当前的照度情况构建路灯控制策略；
步骤S5、根据所构建的路灯控制策略实现不同能见度下的路灯自适应调光。
以下为本发明的具体实施过程。
本实施例提供一种基于长短期记忆神经网络的智慧路灯控制方法，流程框图如图1所示，具体包括以下步骤：
步骤S1、从气象网站获取路灯所在地的湿度、风速、PM2.5、PM10等气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；
步骤S2、对样本数据集中的每个样本信号进行归一化处理；
步骤S3、调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为长短期记忆神经网络的模型输入特征，能见度作为长短期记忆神经网络的模型输出，构建能见度检测算法模型；
步骤S4、结合步骤S3构建的能见度检测算法模型所输出的能见度情况与当前的照度情况构建路灯控制策略；
步骤S5、根据所构建的路灯控制策略实现不同能见度下的路灯自适应调光。
在本实施例中，步骤S1中，选择湿度、风速、PM2.5、PM10这4种气象因子作为神经网络的输入，所用气象数据来自于网站RP5.ru，以及UCI某地区PM2.5数据集，照度数据由路灯处安装的照度传感器采集得到。总数据集时间跨度由2013年3月1日至2014年3月1日，按7:3的比例划分数据集，前70％的数据作为训练集，后30％数据作为测试集。
在本实施例中，所述步骤S2中对样本信号进行归一化的具体方法为：对每个特征进行最大最小归一化，归一化的公式如下：
Figure BDA0003696426070000041
其中，Xi’表示归一化后的特征值，Xi表示原特征值，Xmax表示样本数据集中相应样本信号特征的最大值，Xmin表示样本数据集中相应样本信号特征的小值；经过归一化处理之后的特征值反映了不同特征的变化趋势，更利于后续训练。
在本实施例中，所述步骤S3中，长短期记忆神经网络的模型输入为N×T的矩阵，其中N是特征维度，本发明中选择湿度、风速、PM2.5、PM10作为模型的输入特征，因此N为4；T是时间步长，本发明中取8，即使用过去8个小时的4个气象数据特征来建模当前能见度。长短期记忆神经网络模型要求当前时间步输入一个N维特征数据，然后需要连续输入T个时间步长的数据才进行一次反向传播。利用滑动窗口选取，将连续时间序列数据划分成单个步长为8的小段连续数据；
构建的当前能见度检测算法模型具有三个隐藏层：第一个隐藏层为长短期记忆神经网络，输入特征维度为4，隐藏层神经元个数为32，激活函数选择relu；第二个隐藏层为包含5个神经元的线性全连接层；最后一层使用Adam算法优化长短期记忆神经网络，损失函数选择MSE。
在本实施例中，所述步骤S4中，智能路灯的控制方式需要根据当前的照度情况与能见度检测模型所得出的当前环境能见度情况综合判定，具体控制策略如下：
智能路灯的具体控制策略如图2所示。当照度计采集照度小于15lx时，可判断为夜晚模式，采用夜晚的控制策略控制路灯；反之，当照度大于15lx时执行白天控制策略。同时，在智能路灯检测到能见度小于10KM时，判定为低能见度路段，并将该路段所在位置上报云平台，由云平台发布给行驶车辆，提供低能见度预警提示。
在本实施例中，为了方便比较智能路灯相对于传统路灯的性能提升，白天与夜晚判别依据采用与传统路灯一样的时间判别法。假设所研究的LED路灯单盏功率为200W，在天气正常、视野良好、能见度较高时，根据DIALux路灯照明仿真软件，只需要维持在70％的照度就可以达到所需的15lx的路面照明需求。在相同能见度下，当路灯色温不断降低时，光线透雾率逐渐升高，透雾率和色温高低呈负相关性。最终，所拟定的路灯夜间和白天的控制策略如表1和表2所示，其中当能见度能见度下降时，路灯色温逐渐降低，照度逐渐提升。
表1夜间路灯控制策略表
Figure BDA0003696426070000051
表2白天路灯控制策略
Figure BDA0003696426070000052
道路能见度与其在不同控制策略下(定时控制与智能控制)的路灯照明曲线如图3所示。定时路灯的控制策略为当前实际应用中最常见的路灯控制方式，根据当前时间选择路灯的开关状态，对于定时路灯，由于不能进行智能调光，为了保证低能见度下道路照明安全性，需要路灯照度和色温依据异常天气情况的照明标准设计，在8:00-18:00之间判断为白天，路灯关闭。在18:00至次日8:00之间判断为夜晚，路灯开启。路灯照度选择100％，色温选择4500K。从图3中可以看出，对于传统定时路灯来说，由于不能进行自适应调光，为了满足异常天气、低能见度时的道路照明需求，传统路灯在工作时间内不论天气情况，需要一直维持在100％照度的高亮度工作模式，造成性能过剩。与此同时，在非定时工作时间内如果出现了恶劣天气，能见度下降，路灯也不能及时点亮，影响了道路交通安全。而使用本控制方法的智慧路灯在天气正常、视野良好、能见度较高时，智慧路灯只需以70％的功率运行，就可满足路面达到15lx的照明需求。一旦出现异常天气，能见度降低时智慧路灯能够自动做出响应，调高亮度、降低色温，增强路灯光线的穿透能力，使得路面照度依旧满足需求。一旦识别到低能见度天气，在白天传统路灯无法工作的时段，智慧路灯也能运行。统计图3展示时间段内的定时路灯照明时间与智能路灯照明时间。以路灯亮度百分比作为功率节约系数，可算得一盏智能路灯在2013年12月14日至12月24日内的功耗为21.36KW。在该时间段内一盏定时控制路灯能耗为26.44KW，相比之下一盏智能路灯10天内可节能5.08KW，能耗降低19％。与此同时，由于在低能见度情况下使用了更低色温的照明模式，光线穿透力更强，路面交通安全性也得到了提升。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于长短期记忆神经网络的智慧路灯控制方法，其特征在于，包括如下步骤：
步骤S1、从气象网站获取路灯所在地的气象数据，并利用照度传感器采集照度信息，以此作为智慧路灯控制的样本数据集；
步骤S2、对样本数据集中的每个样本信号进行归一化处理；
步骤S3、调用长短期记忆神经网络算法，以湿度、风速、PM2.5、PM10作为长短期记忆神经网络的模型输入特征，能见度作为长短期记忆神经网络的模型输出，构建能见度检测算法模型；
步骤S4、结合步骤S3构建的能见度检测算法模型所输出的能见度情况与当前的照度情况构建路灯控制策略；
步骤S5、根据所构建的路灯控制策略实现不同能见度下的路灯自适应调光；
所述步骤S2中，对样本信号进行归一化处理的方法为：对每个样本信号特征进行最大最小归一化，归一化的公式如下：
Figure FDA0004144989680000011
其中，Xi’表示归一化后的特征值，Xi表示原特征值，Xmax表示样本数据集中相应样本信号特征的最大值，Xmin表示样本数据集中相应样本信号特征的小值；经过归一化处理之后的特征值反映了不同特征的变化趋势，更利于后续训练；
所述步骤S3中，长短期记忆神经网络的模型输入为N×T的矩阵，其中N是特征维度，T是时间步长；长短期记忆神经网络要求当前时间步输入一个N维特征数据，然后需要连续输入T个时间步长的特征数据才进行一次反向传播；利用滑动窗口选取，将连续时间序列数据划分成单个步长为8的连续数据；
构建的当前能见度检测算法模型具有三个隐藏层：第一个隐藏层为长短期记忆神经网络，输入特征维度为4，隐藏层神经元个数为32，激活函数选择relu；第二个隐藏层为包含5个神经元的线性全连接层；最后一层使用Adam算法优化长短期记忆神经网络，损失函数选择MSE。
2.根据权利要求1所述的一种基于长短期记忆神经网络的智慧路灯控制方法，其特征在于，所述步骤S1中，通过分析与能见度相关性最强的气象数据，选择湿度、风速、PM2.5、PM10这4种气象数据作为长短期记忆神经网络的输入。
3.根据权利要求1所述的一种基于长短期记忆神经网络的智慧路灯控制方法，其特征在于，N取4，即模型输入特征数，T取8，即使用过去8个小时的气象数据特征来建模能见度。
4.根据权利要求1所述的一种基于长短期记忆神经网络的智慧路灯控制方法，其特征在于，所述步骤S4中，智能路灯的控制方式需要根据当前的照度情况与步骤S3构建的能见度检测算法模型所得出的当前环境能见度情况综合判定，具体控制策略如下：
当采集照度小于15lx时，可判断为夜晚模式，采用夜晚的控制策略控制路灯；反之，当采集照度大于15lx时执行白天控制策略；同时，在智能路灯检测到能见度小于10KM时，判定为低能见度路段，并将该路段所在位置上报云平台，由云平台发布给行驶车辆来提供低能见度预警提示。
CN202210682896.0A 2022-06-15 2022-06-15 一种基于长短期记忆神经网络的智慧路灯控制方法 Active CN114867165B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210682896.0A CN114867165B (zh) 2022-06-15 2022-06-15 一种基于长短期记忆神经网络的智慧路灯控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210682896.0A CN114867165B (zh) 2022-06-15 2022-06-15 一种基于长短期记忆神经网络的智慧路灯控制方法

Publications (2)

Publication Number Publication Date
CN114867165A CN114867165A (zh) 2022-08-05
CN114867165B true CN114867165B (zh) 2023-05-12

Family

ID=82624980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210682896.0A Active CN114867165B (zh) 2022-06-15 2022-06-15 一种基于长短期记忆神经网络的智慧路灯控制方法

Country Status (1)

Country Link
CN (1) CN114867165B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116095915B (zh) * 2023-04-10 2023-06-30 南昌大学 一种基于人体热舒适度的调光方法及系统
CN116704355B (zh) * 2023-08-04 2023-11-03 浙江大云物联科技有限公司 一种航拍式道路照明的照度检测方法及装置
CN116867144B (zh) * 2023-09-04 2024-01-26 电子科技大学 一种基于神经网络的助航灯光亮度控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN111832230A (zh) * 2020-07-20 2020-10-27 南京信大气象科学技术研究院有限公司 基于相关性分析和数据均衡的能见度分层预测模型

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109214566A (zh) * 2018-08-30 2019-01-15 华北水利水电大学 基于长短期记忆网络的风电功率短期预测方法
CN111832230A (zh) * 2020-07-20 2020-10-27 南京信大气象科学技术研究院有限公司 基于相关性分析和数据均衡的能见度分层预测模型

Also Published As

Publication number Publication date
CN114867165A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN114867165B (zh) 一种基于长短期记忆神经网络的智慧路灯控制方法
Marino et al. Adaptive street lighting predictive control
US9253847B2 (en) Adaptive controlled outdoor lighting system and method of operation thereof
CN107864541B (zh) 隧道照明智能调光方法
CN202603009U (zh) 一种物联网led路灯节能控制系统
CN111970785B (zh) 一种智慧路灯的应急led路灯控制方法与系统
CN105472816B (zh) 基于环境变化动态调整led路灯智能照明控制方法
CN112533336A (zh) 一种基于物联网的路灯照明智能调节系统
CN202210891U (zh) 一种智能无级调光led路灯
Badgelwar et al. Survey on energy efficient smart street light system
CN112735155A (zh) 一种路口交通信号灯的智能控制系统
CN113015297B (zh) 一种基于交通流预测的道路智能照明系统
CN112954863A (zh) 一种基于大数据分析的路灯智能控制方法及其系统
CN107883325A (zh) 一种节能路灯控制系统
CN113260123A (zh) 一种车路协同的隧道内照明控制方法、系统及设备
CN116489852A (zh) 一种路灯智能控制系统
CN105898919A (zh) 一种分散式自适应控制的智能道路照明系统
CN114390762A (zh) 一种基于边缘计算的自适应调光系统及其工作方法
CN212013112U (zh) 一种基于LoRa无线通信的照明控制系统
CN202998604U (zh) Led路灯智能控制系统
CN113739111A (zh) 一种亮度自动调节式路灯系统及调节方法
CN207869441U (zh) 一种停车场照明节能控制系统
Gapit et al. Adaptable Simulation Environment for LED Streetlight Dimming Control System
CN215187506U (zh) 多色温户外道路照明系统
CN203313492U (zh) 用于智能路灯的远程测控系统

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