CN116073446B - 基于灯塔多能源环境集成供电系统的智能供电方法和装置 - Google Patents

Abstract

本发明公开了一种基于灯塔多能源环境集成供电系统的智能供电方法和装置，本发明涉及智能供电领域，通过卷积神经网络模型对灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，再通过第一深度神经网络模型进行处理得到灯塔的最低灯光照明强度，最后基于第二深度神经网络模型输出的多能源环境集成供电系统中每个供电系统的供电比例对多能源环境集成供电系统进行供电，在保证港口码头正常作业的情况下使用最低灯光照明强度，减少了灯塔的电力消耗，且通过多能源环境集成供电系统使用多种供电系统对灯塔进行供电，且供电时优先采用太阳能和风能供电，减少了火力供电带来的对生态环境的破坏。

Description

基于灯塔多能源环境集成供电系统的智能供电方法和装置

技术领域

本发明涉及智能供电领域，具体涉及基于灯塔多能源环境集成供电系统的智能供电方法和装置。

背景技术

随着进出口贸易日趋繁荣,国内港口码头的作业生产大多采用24 h全天候作业模式。规模庞大的灯塔群是保证港口码头夜间作业的必要设施，而灯塔照明消耗的电力能源是巨大的。目前，各港口码头对灯塔照明系统的管理模式较为简单、粗犷，具体表现为不论有无船舶、机械、人员作业，都采用夜间大功率常亮模式，这无疑会浪费大量的资源。而由于灯塔大多采用的市电，而市电大多是火力发电，所以造成了生态环境的破坏。

因此，如何在保证码头船舶、机械、人员的正常作业情况下，减少灯塔的电力消耗和对生态环境的破坏，是目前亟待解决的问题。

发明内容

本发明主要解决的技术问题是如何减少灯塔的电力消耗和对生态环境的破坏。

根据第一方面，一种实施例中提供一种基于灯塔多能源环境集成供电系统的智能供电方法，包括：

S1、获取灯塔所对应的港口码头的图像；S2、基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；S3、基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；S4、基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；S5、基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

在一实施例中，若所述环境光照强度大于阈值，则仅采用所述太阳能供电系统对所述灯塔进行供电。

在一实施例中，所述卷积神经网络模型经过梯度下降法训练得到。

在一实施例中，若所述多能源环境集成供电系统的总功率驱动灯塔照明时的强度不能达到所述灯塔的最低灯光照明强度，则发出报警提示。

根据第二方面，一种实施例中提供基于灯塔多能源环境集成供电系统的智能供电装置，包括：获取模块，用于获取灯塔所对应的港口码头的图像；图像处理模块，用于基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；照明强度输出模块，用于基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；供电比例输出模块，用于基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；供电模块，用于基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

根据第三方面，一种实施例中提供一种电子设备，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如第一方面所述的方法。

根据第四方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上述第一方面中任一项所述的方法。

依据上述实施例提供的基于灯塔多能源环境集成供电系统的智能供电方法和装置，通过卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，再通过第一深度神经网络模型进行处理得到所述灯塔的最低灯光照明强度，最后基于第二深度神经网络模型输出的多能源环境集成供电系统中每个供电系统的供电比例对所述多能源环境集成供电系统进行供电，在保证港口正常作业的情况下使用最低灯光照明强度，减少了灯塔的电力消耗，且通过多能源环境集成供电系统使用多种供电系统对灯塔进行供电，且供电时优先采用太阳能和风能供电，减少了火力供电带来的对生态环境的破坏。

附图说明

图1为本发明实施例提供的一种基于灯塔多能源环境集成供电系统的智能供电方法的流程示意图；

图2为本发明实施例提供的一种基于灯塔多能源环境集成供电系统的智能供电装置；

图3为本发明实施例提供的一种电子设备的示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本发明能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本发明相关的一些操作并没有在说明书中显示或者描述，这是为了避免本发明的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本发明所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

本发明实施例中，提供了如图1所示的一种基于灯塔多能源环境集成供电系统的智能供电方法，包括步骤S1~S5：

步骤S1，获取灯塔所对应的港口码头的图像。

灯塔可以是保证港口码头夜间作业的必要设施，灯塔所对应的港口码头表示灯塔可以照明的港口码头区域。

在一些实施例中，可以通过港口码头的监控设备拍摄所述灯塔所对应的港口码头的图像。

在一些实施例中，所述灯塔所对应的港口码头的图像可以反映港口码头的繁忙程度。例如，灯塔所对应的港口码头的图像中包括密集的船舶，则说明此时船舶、人员作业较为频繁，此时所需要的灯塔照明强度较大。又例如，例如，灯塔所对应的港口码头的图像中仅包括几只船舶，则说明此时船舶、人员作业较少，此时所需要的灯塔照明强度较小。船舶为各种船只的总称，船舶是能航行或停泊于水域进行运输或作业的交通工具，船舶按不同的使用要求而具有不同的技术性能、装备和结构型式。

密集的船舶也会影响灯塔发出的光线的传播，在船舶较多时，灯塔发出的光线会受到密集的船舶的阻碍，使得光线难以传播的较远，所以此时需要更大的灯塔照明强度来照亮港口码头，而在船舶较少时，灯塔发出的光线不会受到阻碍，光线可以传播的较远，在较小的灯塔照明强度下，灯塔可以照亮更大的范围，所以此时可以采用较小的灯塔照明强度以节省能源。

步骤S2，基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度。

在实际船舶作业中，如果采用人为根据船舶的数量确定港口码头的繁忙程度，再进行灯塔照明强度的控制，则控制结果会受人的主观影响，且控制结果往往不太精确。因此采用卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，可以避免人为控制的主观影响，节约了人力，控制结果也更精确。

港口码头的繁忙程度表示港口码头的船舶、人员作业的繁忙情况。例如，港口码头的繁忙程度可以为0-1之间的数字，例如港口码头的繁忙程度为0.9表示港口码头此时特别繁忙，港口码头的船舶、人员作业的情况较为频繁，则此时就需要较大的灯塔照明强度以保证港口码头的船舶、人员的正常作业。又例如，港口码头的繁忙程度为0.1，则表示没有港口码头较为稀疏，港口码头的船舶、人员作业的情况较少，则此时可以采用较小的灯塔照明强度在满足港口码头照明的情况下以节约能源。

卷积神经网络模型包括卷积神经网络。卷积神经网络(CNN)可以是多层神经网络(例如，包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元：宽度、高度、深度。在一些实施例中，卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。卷积层可以计算连接到输入中局部区域的神经元的输出，计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。

卷积神经网络模型可以基于所述灯塔所对应的港口码头的图像进行处理得到所述港口码头的繁忙程度，卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，输出为所述港口码头的繁忙程度。

卷积神经网络模型可以通过训练样本来训练得到。训练样本中的输入包括多个样本港口码头的图像，训练样本中的输出标签为样本港口码头的繁忙程度。多组训练样本可以通过工作人员手动标注得到，例如工作人员可以对样本港口码头的图像进行手动标注，标注出样本港口码头的繁忙程度，并将标注的样本港口码头的繁忙程度作为训练样本的输出标签以用于训练。在一些实施例中，可以通过梯度下降法对卷积神经网络模型进行训练得到训练后的卷积神经网络模型。具体的，根据训练样本，构建卷积神经网络模型的损失函数，通过卷积神经网络模型的损失函数调整卷积神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

步骤S3，基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度。

环境光照强度表示当前港口码头的光照程度。在一些实施例中，可以通过港口码头的光照传感器检测出港口码头的环境光照强度，光照传感器是一种专用于检测光照强度的仪器，它能够将光照强度值转化为电压值。在一实施例中，光照强度传感器由发送器、接收器和检测电路组成，发送器对准目标发射光束，光束不间断地发射或改变脉冲宽度；接收器由光电二极管、光电三极管、光电池组成；在接收器的前面，装有光学元件如透镜和光圈等，在其后面是检测电路，最终通过检测电路检测出环境光照强度。

灯塔高度表示灯塔的垂直高度，例如，灯塔高度可以为25m、30m、35m等。在相同照明要求下，灯塔高度要高，所需的灯塔照明强度越高。

灯塔的最低灯光照明强度表示能够满足港口码头照明的情况下的最低灯光照明强度，使用所述最低灯光照明强度可以在保障港口码头人员、船舶作业的情况下节约电力资源。

由于灯塔的最低灯光照明强度的确定需要考虑多种因素的影响，所以将所述港口码头的繁忙程度、环境光照强度、灯塔高度作为第一深度神经网络模型的输入，从而使得输出的最低灯光照明强度更加准确。

在一些实施例中，可以通过训练后的第一深度神经网络模型确定所述最低灯光照明强度。第一深度神经网络模型包括深度神经网络。深度神经网络可以包括多个处理层，每个处理层由多个神经元组成，每个神经元对数据做矩阵变换。矩阵所使用的参数可以通过训练获得。第一深度神经网络模型还可以是任意能够实现对多个特征进行处理的现有神经网络模型，例如，RNN、CNN、DNN等。第一深度神经网络模型还可以是根据需求自定义的模型。第一深度神经网络模型的输入是所述港口码头的繁忙程度、环境光照强度、灯塔高度，输出为所述灯塔的最低灯光照明强度。

第一深度神经网络模型可以通过训练样本训练得到。训练样本的输入为所述样本港口码头的繁忙程度、样本环境光照强度、样本灯塔高度，训练样本的输出标签是灯塔的最低灯光照明强度。在一些实施例中，可以通过梯度下降法对第一深度神经网络模型进行训练得到训练后的第一深度神经网络模型。具体的，根据训练样本，构建第一深度神经网络模型的损失函数，通过第一深度神经网络模型的损失函数调整第一深度神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

步骤S4，基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例。

多能源环境集成供电系统为集成太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统、储能及充放电管理、定制化电压输出功能、远程维护、远近程监控以及设备防护于一体的多场景、多输入、多输出环境的供电系统。在一些实施例中，多能源环境供电系统可以输出220VAC、12VDC、24VDC、48VDC等。

太阳能供电系统可以利用太阳能板对灯塔进行供电，在一些实施例中，太阳能供电系统由太阳能板组件、光伏框架组件、支柱组件及光伏防雷汇流箱组成。在一些实施例中，多能源环境供电系统可以采用多块太阳能板串联方式连接，可提升系统电压，减少组网压降，使系统能够跟踪太阳能的最大功率点，提高光伏充电效率。在一些实施例中，多能源环境供电系统具备独立的充放电管理功能，当电池充满电后系统断开光伏输入，当蓄电池被放电至阈值时（可根据需要设定）系统重新开启充电，电池不会出现过充情况，延长电池的使用寿命。

风能供电系统可以利用风能对对灯塔进行供电。在一些实施例中，风能供电系统的风能可以存储在锂电池中对灯塔进行供电。

市电供电系统可以利用常用的工频交流电（AC）进行供电。市电可以为220V、380V。柴油供电系统可以利用柴油进行发电。

在一些实施例中，多能源环境集成供电系统可以内置综合管理系统，所述综合管理系统能够自定义主要能源、次要能源及辅助能源，在主要能源无法满足条件时，系统自动切换至备用能源工作。

多能源环境集成供电系统中每个供电系统的供电比例表示每个供电系统占总供电的比例，每个供电系统的供电比例加起来等于1。例如，太阳能供电系统为0.5、风能供电系统为0.2、市电供电系统为0.2、柴油供电系统为0.1。且每个供电系统加起来的总供电刚好能驱动灯塔产生最低灯光照明强度。

多能源环境集成供电系统可以优先采用清洁能源进行供电，例如，优先采用太阳能、风能进行供电，在太阳能、风能不足时再采用市电或者柴油进行供电。

多能源环境集成供电系统的参数可以包括每个供电系统的供电功率、供电电压、剩余电量、输出电压类型、温度、湿度、灯塔的灯泡功率、灯光的颜色。所述输出电压类型为交流电或直流电。

在一些实施例中，可以通过训练后的第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例。第二深度神经网络模型可以为与第一神经网络模型相同或不同的模型。在一些实施例中，第二深度神经网络模型可以为逻辑回归模型。

第二深度神经网络模型可以通过训练样本训练得到。训练样本的输入为所述样本最低灯光照明强度、样本多能源环境集成供电系统的参数，训练样本的输出标签是样本多能源环境集成供电系统中每个供电系统的供电比例。多组训练样本可以通过工作人员手动标注得到，在手动标注过程中，工作人员会对样本最低灯光照明强度、样本多能源环境集成供电系统的参数进行标注，标注考虑供电比例时会优先将太阳能供电系统、风能供电系统作为首要供电选择，在太阳能供电系统、风能供电系统供电不足以满足所述最低灯光照明强度时，再采用市电供电系统、柴油供电系统。由于在标注的时候会倾向性的使用清洁能源如太阳能、风能，所以训练完成后的第二深度神经网络模型在输出时也会将太阳能、风能作为优先供电选项，从而加大了太阳能、风能在整个供电中的比例，从而减少了火力发电带来的环境污染。

在一些实施例中，可以通过梯度下降法对第二深度神经网络模型进行训练得到训练后的第二深度神经网络模型。具体的，根据训练样本，构建第二深度神经网络模型的损失函数，通过第二深度神经网络模型的损失函数调整第二深度神经网络模型的参数，直到损失函数值收敛或者小于预设阈值，则训练完成。损失函数可以包括但不限于对数(log)损失函数、平方损失函数、指数损失函数、Hinge损失函数以及绝对值损失函数等。

步骤S5，基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

多能源环境集成供电系统可以基于确定好的每个供电系统的供电比例对所述灯塔进行供电，使得灯塔可以发出最低灯光照明强度对港口码头进行照明。

在一些实施例中，若所述环境光照强度大于阈值，则仅采用所述太阳能供电系统对所述灯塔进行供电。环境光照强度大于阈值则说明港口码头的光照强，而太阳能供电系统也有充足的太阳能进行供电，所以此时可以仅采用所述太阳能供电系统对所述灯塔进行供电。阈值可以人为进行设定。

在一些实施例中，若所述多能源环境集成供电系统的总功率驱动灯塔照明时的强度不能达到所述灯塔的最低灯光照明强度，则发出报警提示。

基于同一发明构思，图2为本发明的实施例提供的一种基于灯塔多能源环境集成供电系统的智能供电装置，包括：

获取模块21，用于获取灯塔所对应的港口码头的图像；

图像处理模块22，用于基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；

照明强度输出模块23，用于基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；

供电比例输出模块24，用于基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；

供电模块25，用于基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

基于同一发明构思，本发明的实施例提供了一种电子设备，如图3所示，包括：

处理器31；用于存储处理器31中可执行程序指令的存储器32；其中，处理器31被配置为执行以实现如前述提供的一种基于灯塔多能源环境集成供电系统的智能供电方法的方法，所述方法包括：

S1、获取灯塔所对应的港口码头的图像；S2、基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；S3、基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；S4、基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；S5、基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器31执行时，使得电子设备能够执行实现如前述提供的基于灯塔多能源环境集成供电系统的智能供电方法，所述方法包括: S1、获取灯塔所对应的港口码头的图像；S2、基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；S3、基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；S4、基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；S5、基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种基于灯塔多能源环境集成供电系统的智能供电方法，其特征在于，包括：

S1、获取灯塔所对应的港口码头的图像；

S2、基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；

S3、基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；

S4、基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；

S5、基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

2.如权利要求1所述的基于灯塔多能源环境集成供电系统的智能供电方法，其特征在于，还包括：若所述环境光照强度大于阈值，则仅采用所述太阳能供电系统对所述灯塔进行供电。

3.如权利要求1所述的基于灯塔多能源环境集成供电系统的智能供电方法，其特征在于，还包括：所述卷积神经网络模型经过梯度下降法训练得到。

4.如权利要求1所述的基于灯塔多能源环境集成供电系统的智能供电方法，其特征在于，还包括：若所述多能源环境集成供电系统的总功率驱动灯塔照明时的强度不能达到所述灯塔的最低灯光照明强度，则发出报警提示。

5.一种基于灯塔多能源环境集成供电系统的智能供电装置，其特征在于，包括：

获取模块，用于获取灯塔所对应的港口码头的图像；

图像处理模块，用于基于卷积神经网络模型对所述灯塔所对应的港口码头的图像进行处理得到港口码头的繁忙程度，其中所述卷积神经网络模型的输入包括所述灯塔所对应的港口码头的图像，所述卷积神经网络模型的输出为所述港口码头的繁忙程度；

照明强度输出模块，用于基于所述港口码头的繁忙程度、环境光照强度、灯塔高度使用第一深度神经网络模型确定所述灯塔的最低灯光照明强度，其中所述第一深度神经网络模型的输入包括所述港口码头的繁忙程度、环境光照强度、灯塔高度，所述第一深度神经网络模型的输出为所述灯塔的最低灯光照明强度；

供电比例输出模块，用于基于所述最低灯光照明强度、多能源环境集成供电系统的参数使用第二深度神经网络模型确定所述多能源环境集成供电系统中每个供电系统的供电比例，其中所述多能源环境集成供电系统用于对所述灯塔进行供电，所述多能源环境集成供电系统包括太阳能供电系统、风能供电系统、市电供电系统、柴油供电系统，所述第二深度神经网络模型的输入包括所述最低灯光照明强度、多能源环境集成供电系统的参数，所述第二深度神经网络模型的输出为所述多能源环境集成供电系统中每个供电系统的供电比例；

供电模块，用于基于所述多能源环境集成供电系统中每个供电系统的供电比例驱动所述多能源环境集成供电系统对所述灯塔进行供电。

6.如权利要求5所述的基于灯塔多能源环境集成供电系统的智能供电装置，其特征在于，所述供电比例输出模块还用于：若所述环境光照强度大于阈值，则仅采用所述太阳能供电系统对所述灯塔进行供电。

7.如权利要求5所述的基于灯塔多能源环境集成供电系统的智能供电装置，其特征在于，所述供电比例输出模块还用于：若所述多能源环境集成供电系统的总功率驱动灯塔照明时的强度不能达到所述灯塔的最低灯光照明强度，则发出报警提示。

8.一种电子设备，其特征在于，包括：存储器；处理器；以及计算机程序；其中，所述计算机程序存储在所述存储器中，并配置为由所述处理器执行以实现如权利要求1至4任一项所述的基于灯塔多能源环境集成供电系统的智能供电方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的基于灯塔多能源环境集成供电系统的智能供电方法对应的步骤。

Images