CN118139255B - 一种基于光伏发电的景观灯智能控制方法 - Google Patents

Abstract

本发明公开了一种基于光伏发电的景观灯智能控制方法，具体涉及景观灯控制技术领域，通过获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电的稳定供电风险进行预测，及时发现光伏发电供电存在的风险，并根据预测结果结合实时旅客的关注度以及景观灯的运行状态，构建控制策略介入判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入，从而避免不合理的控制行为，减少能源消耗，采用模糊自适应PID控制算法对景观灯进行动态控制，根据实时的景观灯运行状态和需求变化，灵活调节景观灯的亮度和颜色，优化景观灯的控制，确保灯光效果稳定且符合旅客的期待，提升游客在景区内的体验感和满意度。

Description

一种基于光伏发电的景观灯智能控制方法

技术领域

本发明涉及景观灯控制技术领域，更具体地说，本发明涉及一种基于光伏发电的景观灯智能控制方法。

背景技术

光伏发电是利用太阳能光辐射产生电能的过程，而景观灯则是利用电能提供照明效果，基于光伏发电的景观灯智能控制方法是结合光伏发电系统的特点和智能控制技术，实现对景观灯的高效、智能化管理；

目前景区和旅游景点的照明以及灯光表演对于提升游客体验至关重要，但是由于这些地区通常位于偏远地区或者山区，城市电网供电的使用成本巨大且不便利。利用光伏发电供电的景观灯成为一种选择，然而，景区和旅游景点通常位于复杂的环境中，如高山、森林、沙漠等地形，而且气候条件可能多变，温度变化大，现有的光伏发电的景观灯智能控制方法缺乏对光伏发电的供电稳定性进行预测，尤其是在景观灯灯光表演的过程中，当光伏发电稳定供电存在不确定性时，无法根据实时旅客的关注度以及景观灯的运行状态对景观灯的控制进行进一步优化，导致景观灯的控制存在不合理性，例如，当光伏发电的供电稳定性存在风险时，频繁的启停或调整亮度，不仅增加能源消耗，导致供电风险进一步加深，还可能导致灯光效果不佳或不稳定，降低游客的满意度和体验感。

为了解决上述缺陷，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于光伏发电的景观灯智能控制方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于光伏发电的景观灯智能控制方法，包括如下步骤：

步骤S1，构建数据获取平台，获取用于预测光伏发电供电稳定性的多项数据、灯光表演区域旅客数据以及景观灯运行数据；

步骤S2，从数据获取平台中获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电稳定供电是否存在风险进行预测；

步骤S3，从数据获取平台中，获取灯光表演区域旅客数据以及景观灯运行数据并结合预测结果，构建控制策略判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入；

步骤S4，当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制。

在一个优选地实施方式中，用于预测光伏发电供电稳定性的多项数据，包括光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率；

将光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率分别标记为。

在一个优选地实施方式中，光伏板输出功率异常系数的获取逻辑如下：

获取T时间内不同时刻光伏板的实际输出功率，将其标记为，i表示不同时刻光伏板的实际输出功率的次序编号，i=1、2、3、4、……、n，n为正整数；

计算光伏板输出功率异常系数，表达式如下，式中，表示光伏板的理论最大输出功率；

光伏板清洁系数的获取逻辑如下：

获取光伏板表面的灰尘覆盖面积、覆盖厚度以及灰尘密度，计算光伏板清洁系数，表达式如下，式中，j表示光伏发电系统中不同光伏板的次序编号，j=1、2、3、4、……、m，m为正整数，e表示修正因子，用于平衡灰尘覆盖面积、覆盖厚度以及灰尘密度对光伏板清洁系数的影响；

获取光伏板分布区域天空中云层的空间覆盖面积、云层厚度，将空间覆盖面积与空间覆盖面积阈值进行比较，云层厚度与云层厚度阈值进行比较，当空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值时，开始计时，并记录云层浮动异常持续时长，并获取出现空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值的频次，计算区域云量浮动系数，表达式如下；

供电模式切换响应速度异常系数的获取逻辑如下：

对光伏供电系统进行检测，当检测到需要切换供电模式的信号时，记录信号触发的时间点，当光伏供电系统完成供电模式的切换时，记录供电模式切换完成的时间点，计算信号触发的时间点和供电模式切换完成的时间点的间隔时间，表达式如下，计算切换响应速度，表达式如下；获取每次出现供电模型切换的切换响应速度，建立切换响应速度数据集合，将其标记为，x表示出现供电模式切换的次序编号，x=1、2、3、4、……、c，c为正整数；计算切换响应速度的标准差，表达式如下，式中，表示切换响应速度数据集合中c个切换响应速度的平均值，表达式如下；通过切换响应速度的标准差获取供电模式切换响应速度异常系数，表达式如下；

温度上升速率的计算表达式如下，式中，表示预设的光伏组件表面温度采集的时间段，表示的起始时间点的温度，表示的结束时间点的温度。

在一个优选地实施方式中，将获取的光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率进行归一化处理，构建光伏发电供电稳定性风险预测模型，生成供电稳定性风险预测指数，其依据的公式如下，式中，分别表示光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率的预设比例系数，且均大于0，小于0；

将供电稳定性风险预测指数与供电稳定性风险预测指数阈值进行比较，对光伏发电稳定供电是否存在风险进行预测，输出预测结果，将预测标记为YC；

若供电稳定性风险预测指数大于等于供电稳定性风险预测指数阈值，则输出预测结果，YC=1，表示光伏发电的稳定供电存在风险；

若供电稳定性风险预测指数小于供电稳定性风险预测指数阈值，则输出预测结果，YC=0，表示光伏发电的稳定供电不存在风险。

在一个优选地实施方式中，获取灯光表演区域旅客数据以及景观灯运行数据，灯光表演区域旅客数据包括区域人员流动密度、头部朝向角度偏差系数，景观灯运行数据包括景观灯运行异常系数；

将区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数分别标记为。

在一个优选地实施方式中，区域人员流动密度的获取逻辑如下：

对景区内的每一个景观灯进行辐射区域划分，每个辐射区域具有唯一的标识符，并且辐射区域边界与景观灯的辐射范围一致；

在预设的时间段内获取每一个景观灯的辐射区域内的人员数量，计算区域人员流动密度，表达式如下，式中，表示人员数量，表示每个景观灯的辐射区域面积，表示预设的时间段；

头部朝向角度偏差系数的获取逻辑如下：

获取景观灯辐射区域内的拍摄图像，根据拍摄的图像建立像素坐标系，使用人脸检测算法检测图像中的人脸关键点，将左眼中心位置标记为、右眼中心位置标记为、嘴巴中心位置标记为，计算眼睛中心位置和嘴巴中心位置之间的水平偏差角度表示人脸相对于景观灯的水平偏转角度，表达式如下，计算眼睛中心位置和嘴巴中心位置之间的垂直偏差角度表示人脸相对于景观灯的垂直偏转角度，表达式如下，计算头部朝向角度偏差系数，式中，表示期望的朝向角度；

景观灯运行异常系数的获取逻辑如下：

获取景观灯正常运行的亮度偏差值、颜色偏差值以及闪烁频率偏差值，计算景观灯运行异常系数，表达式如下。

在一个优选地实施方式中，将获取的区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数进行归一化处理，并结合预测结果构建控制策略介入判断模型，生成介入指数，其依据的公式如下，式中，分别表示区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数的预设比例系数，且均大于0，小于0；将介入指数与介入指数阈值进行比较，确定是否需要对参与灯光表演的景观灯进行控制介入；

若介入指数大于等于介入指数阈值，则生成介入信号；

若介入指数小于介入指数阈值，则不生成介入信号。

在一个优选地实施方式中，当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制，包括如下步骤：

步骤S4-1,获取区域人员流动密度、头部朝向角度偏差系数、亮度偏差值、颜色偏差值作为输入变量，将输入变量转换为隶属度函数；

步骤S4-2，制定一组模糊规则；

步骤S4-3，对所得数据进行模糊化处理，根据输入变量的模糊集合和规则库，计算输出变量的模糊集合的过程；

步骤S4-4，将聚合后的模糊输出映射回实际值，得到的最终PID输出，将PID输出作为景观灯的控制指令，对景观灯的亮度和颜色进行动态调节。

本发明的技术效果和优点：

1、本发明通过获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电的稳定供电进行预测，及时发现光伏发电供电存在的风险，并根据预测结果结合实时旅客的关注度以及景观灯的运行状态，构建控制策略介入判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入，从而避免不合理的控制行为，减少能源消耗，提高供电效率，采用模糊自适应PID控制算法对景观灯进行动态控制，根据实时的景观灯运行状态和需求变化，灵活调节景观灯的亮度和颜色，优化景观灯的控制，确保灯光效果稳定且符合旅客的期待，提升游客在景区内的体验感和满意度。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；

图1为本发明实施例方法的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

实施例

图1给出了本发明一种基于光伏发电的景观灯智能控制方法，包括如下步骤：

步骤S1，构建数据获取平台，获取用于预测光伏发电供电稳定性的多项数据、灯光表演区域旅客数据以及景观灯运行数据；

步骤S2，从数据获取平台中获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电稳定供电是否存在风险进行预测；

步骤S3，从数据获取平台中，获取灯光表演区域旅客数据以及景观灯运行数据并结合预测结果，构建控制策略判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入；

步骤S4，当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制；

在步骤S1中，首先根据数据的不同类型选择合适的传感器以及采集设备进行数据采集，例如，可以在太阳能电池板上安装功率监测器、温度传感器等；景区内可以安装摄像头、人流检测器等设备；景观灯可以安装亮度传感器、颜色传感器等，并根据实际需要设置相应的采集频率；

建立数据传输通道，将采集到的原始数据传输至数据处理中心，可以选择有线或无线通信方式，如Ethernet、WiFi、LoRaWAN等，确保数据能够及时、稳定地传输。

在数据处理中心对采集的原始数据进行预处理，包括如下步骤：

数据清洗：对采集到的原始数据进行清洗，去除无效或异常数据，例如缺失值、异常值等。这可以通过插值、平滑或删除等方法实现，确保数据的质量和准确性。

数据转换：将数据转换为适合后续分析和建模的形式。例如，对于某些传感器采集到的原始数据可能需要进行单位转换、数据归一化或标准化等处理，以便于后续的应用和分析。

数据聚合：将采集到的原始数据按照一定的时间间隔或空间范围进行聚合，以减少数据量并提高数据处理的效率。例如，将每分钟采集的数据聚合为每小时或每天的数据。

特征提取：从采集的原始数据中提取出用于预测光伏发电供电稳定性的多项数据、灯光表演区域旅客数据以及景观灯运行数据。例如，可以通过统计分析、数学运算、时间序列分析、深度学习等方法进行特征提取；

将经过预处理的数据存储到数据库或数据仓库，可以使用数据库系统（如MySQL、MongoDB等）或分布式存储系统（如Hadoop、Spark等）进行数据管理。

在步骤S2中获取用于预测光伏发电供电稳定性的多项数据，包括光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率；将光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率分别标记为；

光伏板输出功率异常系数是指光伏板实际输出功率与理论最大输出功率的偏差异常程度系数，是用于衡量光伏发电供电的稳定性和可靠性的重要指标，光伏板输出功率异常系数越高，则表明光伏发电供电的稳定性越差，其对景观灯进行供电存在的风险的概率越高，同时也会导致造成潜在的能源浪费。

光伏板的异常输出功率可能对光伏发电供电造成以下影响：

供电稳定性下降：光伏板的异常输出功率可能导致光伏发电的供电稳定性下降。如果光伏板的实际输出功率与预期有较大偏差，可能会导致光伏发电的供电无法满足负载需求，出现供电不稳定的情况，影响景观灯的灯光控制。

能源损失：异常输出功率意味着光伏板的实际发电量与预期发电量之间存在差异，这可能导致能源损失。如果光伏板的实际输出功率偏低，可能导致光伏能源无法被充分利用，造成潜在的能源浪费。

维护成本增加：如果光伏板出现异常输出功率，可能需要进行额外的维护和修复工作，以恢复光伏发电的供电正常运行。这会增加维护成本和维护周期，对光伏发电的长期运行成本产生影响。

光伏板输出功率异常系数的获取逻辑如下：

获取T时间内不同时刻光伏板的实际输出功率，将其标记为，i表示不同时刻光伏板的实际输出功率的次序编号，i=1、2、3、4、……、n，n为正整数；

需要说明的是，光伏发电系统中的逆变器通常会记录光伏板的输出功率，通过监测逆变器的数据，可以获取光伏板的实际输出功率。

计算光伏板输出功率异常系数，表达式如下，式中，表示光伏板的理论最大输出功率；

需要说明的是，光伏板的理论最大输出功率通常是由光伏板制造商提供的，并且是根据标准测试条件（STC）下的性能参数测定而来的，例如，光伏板规格表、认证文件、生产商网站均可提供光伏板的理论最大输出功率相关信息；

光伏板清洁系数是指光伏板表面的清洁程度对其发电效率的影响。随着时间的推移，光伏板表面可能会积累尘土、灰尘、树叶等杂质，这些杂质会阻碍太阳光的进入并影响光伏板的发电效率，进而影响光伏发电供电的稳定性，光伏板清洁系数越低，则表明光伏板表面存在的尘土、灰尘等杂质对光伏板的发电效率的影响程度越高，可能导致光伏发电供电的稳定性变差，其对景观灯进行供电存在的风险的概率越高。

光伏板清洁系数的获取逻辑如下：

获取光伏板表面的灰尘覆盖面积、覆盖厚度以及灰尘密度，计算光伏板清洁系数，表达式如下，式中，j表示光伏发电系统中不同光伏板的次序编号，j=1、2、3、4、……、m，m为正整数，e表示修正因子，用于平衡灰尘覆盖面积、覆盖厚度以及灰尘密度对光伏板清洁系数的影响；

区域云量浮动系数是指光伏板分布区域天空中云层的变化程度，云量的变化会直接影响太阳辐射的强度，从而影响光伏板的发电效率，区域云量浮动系数越大，天空中的云层变化越剧烈，太阳辐射的强度就会越不稳定，进而光伏发电供电的稳定性越差，其对景观灯进行供电存在的风险的概率越高；

区域云量浮动系数的获取逻辑如下：

获取光伏板分布区域天空中云层的空间覆盖面积、云层厚度，将空间覆盖面积与空间覆盖面积阈值进行比较，云层厚度与云层厚度阈值进行比较，当空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值时，开始计时，并记录云层浮动异常持续时长，并获取出现空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值的频次，计算区域云量浮动系数，表达式如下；

供电模式切换响应速度异常系数是指从光伏供电模式切换至储能电源供电模式时的响应速度异常程度的度量，用于衡量光伏供电系统在光伏供电模式出现异常切换至储能供电模式时的灵敏度和稳定性，通常供电模式切换响应速度异常系数越小，表示光伏供电系统在切换供电模式时的响应速度越接近期望值，光伏供电系统的稳定性越好；

而供电模式切换响应速度异常系数越大，则表示光伏供电系统在切换过程中存在较大的时间延迟或不稳定性，对景观灯进行供电存在的风险的概率越高。

供电模式切换响应速度异常系数的获取逻辑如下：

对光伏供电系统进行检测，当检测到需要切换供电模式的信号时，记录信号触发的时间点，当光伏供电系统完成供电模式的切换时，记录供电模式切换完成的时间点，计算信号触发的时间点和供电模式切换完成的时间点的间隔时间，表达式如下，计算切换响应速度，表达式如下；获取每次出现供电模型切换的切换响应速度，建立切换响应速度数据集合，将其标记为，x表示出现供电模式切换的次序编号，x=1、2、3、4、……、c，c为正整数；计算切换响应速度的标准差，表达式如下，式中，表示切换响应速度数据集合中c个切换响应速度的平均值，表达式如下；通过切换响应速度的标准差获取供电模式切换响应速度异常系数，表达式如下；

温度上升速率是指光伏组件表面温度随时间的增加速度。随着光伏组件的工作，其表面温度会逐渐上升，这是因为光伏组件吸收太阳辐射能量而产生的热量。温度上升速率的大小取决于多种因素，包括太阳辐射强度、环境温度、光伏组件的散热性能等。过高的温度上升速率可能会导致光伏组件过热，降低其发电效率，甚至损坏光伏组件，进而影响光伏发电供电的稳定性。

温度上升速率的计算表达式如下，式中，表示预设的光伏组件表面温度采集的时间段，表示的起始时间点的温度，表示的结束时间点的温度；

将获取的光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率进行归一化处理，构建光伏发电供电稳定性风险预测模型，生成供电稳定性风险预测指数，其依据的公式如下，式中，分别表示光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率的预设比例系数，且均大于0，小于0；

由上述计算公式可知，光伏板输出功率异常系数越大、光伏板清洁系数越小、区域云量浮动系数越大、供电模式切换响应速度异常系数越大、温度上升速率越大，则供电稳定性风险预测指数越大，表明光伏发电供电的稳定性越差，可能存在供电波动风险越大，进而对景观灯进行供电存在的风险的概率越高，反之，光伏板输出功率异常系数越小、光伏板清洁系数越大、区域云量浮动系数越小、供电模式切换响应速度异常系数越小、温度上升速率越小，则供电稳定性风险预测指数越小，表明光伏发电供电的稳定性越好，可能存在供电波动风险越小；

将供电稳定性风险预测指数与供电稳定性风险预测指数阈值进行比较，对光伏发电稳定供电是否存在风险进行预测，输出预测结果，将预测标记为；

若供电稳定性风险预测指数大于等于供电稳定性风险预测指数阈值，则表明光伏发电的稳定供电存在风险，进而可能会导致进行灯光表演的景观灯出现供电异常现象，输出预测结果，，表示光伏发电的稳定供电存在风险；

若供电稳定性风险预测指数小于供电稳定性风险预测指数阈值，则表明光伏发电的稳定供电未存在明显风险，输出预测结果，0，表示光伏发电的稳定供电不存在风险；

在步骤S3，获取灯光表演区域旅客数据以及景观灯运行数据，灯光表演区域旅客数据包括区域人员流动密度、头部朝向角度偏差系数，景观灯运行数据包括景观灯运行异常系数；

将区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数分别标记为；

区域人员流动密度是指不同景观灯在所属的辐射区域内旅客的实时流动密度，用于衡量不同景观灯所表现的灯光效果对于旅客的吸引程度，区域人员流动密度越高，则表明该景观灯的重要程度越高，当光伏发电的稳定供电出现风险时，为持续保持其所表现的灯光效果对旅客的吸引程度，对其进行控制介入的概率越高；

区域人员流动密度的获取逻辑如下：

对景区内的每一个景观灯进行辐射区域划分，每个辐射区域具有唯一的标识符，并且辐射区域边界与景观灯的辐射范围一致；

需要说明的是，每个景观灯的辐射区域可通过实地测量、借助地图和卫星图像、光照模拟软件获取，例如，实地测量，使用测量仪器，如激光测距仪或测距轮，直接在景区内实地测量每个景观灯的辐射范围；借助地图和卫星图像，利用现有的地图和卫星图像，结合景区地理信息，估算每个景观灯的辐射范围；光照模拟软件，使用专业的光照模拟软件，如DIALux、Relux等，模拟每个景观灯的辐射范围；

在预设的时间段内获取每一个景观灯的辐射区域内的人员数量，计算区域人员流动密度，表达式如下，式中，表示人员数量，表示每个景观灯的辐射区域面积，表示预设的时间段；

需要说明的是，预设的时间段，可以为一分钟、五分钟等，可根据实际情况设定；

头部朝向角度偏差系数是指处于景观灯辐射区域内的旅客对于该景观灯生成灯光效果的关注程度，头部朝向角度偏差系数越低，则表明该景观灯的重要程度越高，当光伏发电的稳定供电出现风险时，为持续保持其所表现的灯光效果对旅客的吸引程度，对其进行控制介入的概率越高；

头部朝向角度偏差系数的获取逻辑如下：

获取景观灯辐射区域内的拍摄图像，根据拍摄的图像建立像素坐标系，使用人脸检测算法检测图像中的人脸关键点，将左眼中心位置标记为、右眼中心位置标记为、嘴巴中心位置标记为，计算眼睛中心位置和嘴巴中心位置之间的水平偏差角度表示人脸相对于景观灯的水平偏转角度，表达式如下，计算眼睛中心位置和嘴巴中心位置之间的垂直偏差角度表示人脸相对于景观灯的垂直偏转角度，表达式如下，计算头部朝向角度偏差系数，式中，表示期望的朝向角度；

需要说明的是，使用人脸检测算法检测图像中的人脸关键点为现存的成熟技术，在此不做赘述；

景观灯运行异常系数是用于衡量景观灯在实际的运行中出现异常的程度，景观灯运行异常系数越大，则表明景观灯在灯光表演中的实际表现效果越差，若仍保持预设的控制策略，可能导致旅客的体验感降低，导致旅客的流失率增加，相应的应该增加景观灯的控制介入；

景观灯运行异常系数的获取逻辑如下：

获取景观灯正常运行的亮度偏差值、颜色偏差值以及闪烁频率偏差值，计算景观灯运行异常系数，表达式如下；

所述的亮度偏差值是指景观灯的实际亮度与预期亮度的偏差程度，使用光学传感器或光度计等设备实时测量景观灯的亮度，并将测量值与预期的亮度水平进行比较，计算出亮度偏差值，表达式如下，式中，表示实际亮度测量值，表示亮度预期值；

所述的颜色偏差值是指景观灯的实际显示颜色与预期显示颜色的偏差程度，使用色度计或光谱仪等设备实时测量景观灯的颜色，将测量值与预期的颜色进行比较，计算出颜色偏差值，表达式如下，式中，表示实际显示颜色测量值，表示颜色预期值；

所述的闪烁频率是指在一定时间范围内，景观灯光照的亮度出现明显变化的频率，使用光传感器或高速摄像机等设备对景观灯的光照进行实时监测，计算实际闪烁频率，表达式如下，式中，表示闪烁的次数，表示监测时间段的总时长，计算闪烁频率偏差值，表达式如下，式中，表示预期闪烁频率；

将获取的区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数进行归一化处理，并结合预测结果构建控制策略介入判断模型，生成介入指数，其依据的公式如下，式中，分别表示区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数的预设比例系数，且均大于0，小于0；

由上述计算公式可知，区域人员流动密度越大、头部朝向角度偏差系数越小、景观灯运行异常系数越大，则介入指数越大，表明需要对景观灯进行控制介入的概率越高，反之，区域人员流动密度越小、头部朝向角度偏差系数越大、景观灯运行异常系数越小，则介入指数越小，表明需要对景观灯进行控制介入的概率越低；

将介入指数与介入指数阈值进行比较，确定是否需要对参与灯光表演的景观灯进行控制介入；

若介入指数大于等于介入指数阈值，则表明预设的景观灯控制策略无法满足当前的灯光表现效果，需要对其进行介入控制，生成介入信号；

若介入指数小于介入指数阈值，则表明预设的景观灯控制策略能够满足当前的灯光表现效果，无需对其进行介入控制，不生成介入信号；

在步骤S4中，当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制，包括如下步骤：

步骤S4-1,获取区域人员流动密度、头部朝向角度偏差系数、亮度偏差值、颜色偏差值作为输入变量，将输入变量转换为隶属度函数,以此描述它们属于不同模糊集合的程度。这个过程使用隶属度函数来量化输入的模糊性。例如，可以将区域人员流动密度、头部朝向角度偏差系数、亮度偏差值、颜色偏差值以及闪烁频率偏差值分为“低”、“中”、“高”三种模糊集合，并为每个集合定义隶属度函数，例如，选用三角形隶属度函数，三角形隶属度函数的形状类似于一个三角形，具体指的是一个具有三个线性段的函数，随着输入变量在左支点到峰值点的范围内增加，隶属度逐渐增加，然后在峰值点到右支点的范围内逐渐减小，此时，可以得到各变量隶属度赋值表，隶属度赋值表即为输入变量和输出变量的隶属度函数的表格;

步骤S4-2，制定一组模糊规则，这些规则描述了输入变量和输出变量之间的关系。例如，“如果区域人员流动密度高且亮度偏差值高，则灯光亮度高”。

步骤S4-3，对所得数据进行模糊化处理，根据输入变量的模糊集合和规则库，计算输出变量的模糊集合的过程，将具体的区域人员流动密度、头部朝向角度偏差系数、亮度偏差值、颜色偏差值输入值映射到“低”、“中”、“高”三个模糊集合上，得到模糊输出的灯光亮度值、灯光颜色值，对于每个规则，例如“如果区域人员流动密度高且亮度偏差值高，则灯光亮度高”，核对输出的模糊亮度值、颜色值是否满足规则的条件，对于满足条件的规则，将其结论部分的隶属度进行聚合，可以采用最大或加权平均等方法，得到聚合后的模糊输出。

步骤S4-4，将聚合后的模糊输出映射回实际值，得到的最终PID输出，该步骤中采用PID控制算法实现，具体如下：

比例控制：比例控制根据区域人员流动密度与区域人员流动密度阈值之比、头部朝向角度偏差系数与头部朝向角度偏差系数阈值之比、亮度偏差值与亮度偏差值阈值之比、颜色偏差值与颜色偏差值阈值之比来调整控制输出。例如，比例项的输出P可以表示为，式中，是比例参数，、、、分别表示区域人员流动密度阈值、头部朝向角度偏差系数阈值、亮度偏差值阈值、颜色偏差值阈值。

积分控制：积分控制根据区域人员流动密度与区域人员流动密度阈值之比、头部朝向角度偏差系数与头部朝向角度偏差系数阈值之比、亮度偏差值与亮度偏差值阈值之比、颜色偏差值与颜色偏差值阈值之比来调整控制输出,减小稳态误差，例如，积分项的输出可以表示为，式中，是积分参数。

微分控制：微分控制根据区域人员流动密度与区域人员流动密度阈值之比、头部朝向角度偏差系数与头部朝向角度偏差系数阈值之比、亮度偏差值与亮度偏差值阈值之比、颜色偏差值与颜色偏差值阈值之比来调整控制输出，以减小控制算法的超调和提高稳定性。例如，微分项的输出可以表示为，式中，是微分参数。

PID输出=P+I+D，将PID输出作为景观灯的控制指令，对景观灯的亮度和颜色进行动态调节；

本发明通过获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电的稳定供电进行预测，及时发现光伏发电供电存在的风险，并根据预测结果结合实时旅客的关注度以及景观灯的运行状态，构建控制策略介入判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入，从而避免不合理的控制行为，减少能源消耗，提高供电效率，采用模糊自适应PID控制算法对景观灯进行动态控制，根据实时的景观灯运行状态和需求变化，灵活调节景观灯的亮度和颜色，优化景观灯的控制，确保灯光效果稳定且符合旅客的期待，提升游客在景区内的体验感和满意度。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于光伏发电的景观灯智能控制方法，其特征在于：包括如下步骤：

步骤S1，构建数据获取平台，获取用于预测光伏发电供电稳定性的多项数据、灯光表演区域旅客数据以及景观灯运行数据；

步骤S2，从数据获取平台中获取用于预测光伏发电供电稳定性的多项数据，构建光伏发电供电稳定性风险预测模型，对光伏发电稳定供电是否存在风险进行预测，输出预测结果，将预测标记为YC；

步骤S3，从数据获取平台中，获取灯光表演区域旅客数据以及景观灯运行数据并结合预测结果，构建控制策略判断模型，确定是否需要对参与灯光表演的景观灯进行控制介入；

步骤S4，当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制；

获取灯光表演区域旅客数据以及景观灯运行数据，灯光表演区域旅客数据包括区域人员流动密度、头部朝向角度偏差系数，景观灯运行数据包括景观灯运行异常系数；

将区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数分别标记为；

区域人员流动密度的获取逻辑如下：

对景区内的每一个景观灯进行辐射区域划分，每个辐射区域具有唯一的标识符，并且辐射区域边界与景观灯的辐射范围一致；

在预设的时间段内获取每一个景观灯的辐射区域内的人员数量，计算区域人员流动密度，表达式如下，式中，表示人员数量，表示每个景观灯的辐射区域面积，表示预设的时间段；

头部朝向角度偏差系数的获取逻辑如下：

获取景观灯辐射区域内的拍摄图像，根据拍摄的图像建立像素坐标系，使用人脸检测算法检测图像中的人脸关键点，将左眼中心位置标记为、右眼中心位置标记为、嘴巴中心位置标记为，计算眼睛中心位置和嘴巴中心位置之间的水平偏差角度表示人脸相对于景观灯的水平偏转角度，表达式如下，计算眼睛中心位置和嘴巴中心位置之间的垂直偏差角度表示人脸相对于景观灯的垂直偏转角度，表达式如下，计算头部朝向角度偏差系数，式中，表示期望的朝向角度；

景观灯运行异常系数的获取逻辑如下：

获取景观灯正常运行的亮度偏差值、颜色偏差值以及闪烁频率偏差值，计算景观灯运行异常系数，表达式如下；

将获取的区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数进行归一化处理，并结合预测结果构建控制策略介入判断模型，生成介入指数，其依据的公式如下，式中，分别表示区域人员流动密度、头部朝向角度偏差系数、景观灯运行异常系数的预设比例系数，且均大于0，小于0；

将介入指数与介入指数阈值进行比较，确定是否需要对参与灯光表演的景观灯进行控制介入；

若介入指数大于等于介入指数阈值，则生成介入信号；

若介入指数小于介入指数阈值，则不生成介入信号。

2.根据权利要求1所述的一种基于光伏发电的景观灯智能控制方法，其特征在于：用于预测光伏发电供电稳定性的多项数据，包括光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率；

将光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率分别标记为。

3.根据权利要求2所述的一种基于光伏发电的景观灯智能控制方法，其特征在于：光伏板输出功率异常系数的获取逻辑如下：

获取T时间内不同时刻光伏板的实际输出功率，将其标记为，i表示不同时刻光伏板的实际输出功率的次序编号，i=1、2、3、4、……、n，n为正整数；

计算光伏板输出功率异常系数，表达式如下，式中，表示光伏板的理论最大输出功率；

光伏板清洁系数的获取逻辑如下：

获取光伏板表面的灰尘覆盖面积、覆盖厚度以及灰尘密度，计算光伏板清洁系数，表达式如下，式中，j表示光伏发电系统中不同光伏板的次序编号，j=1、2、3、4、……、m，m为正整数，e表示修正因子，用于平衡灰尘覆盖面积、覆盖厚度以及灰尘密度对光伏板清洁系数的影响；

获取光伏板分布区域天空中云层的空间覆盖面积、云层厚度，将空间覆盖面积与空间覆盖面积阈值进行比较，云层厚度与云层厚度阈值进行比较，当空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值时，开始计时，并记录云层浮动异常持续时长，并获取出现空间覆盖面积大于空间覆盖面积阈值且云层厚度大于云层厚度阈值的频次，计算区域云量浮动系数，表达式如下；

供电模式切换响应速度异常系数的获取逻辑如下：

对光伏供电系统进行检测，当检测到需要切换供电模式的信号时，记录信号触发的时间点，当光伏供电系统完成供电模式的切换时，记录供电模式切换完成的时间点，计算信号触发的时间点和供电模式切换完成的时间点的间隔时间，表达式如下，计算切换响应速度，表达式如下；获取每次出现供电模型切换的切换响应速度，建立切换响应速度数据集合，将其标记为，x表示出现供电模式切换的次序编号，x=1、2、3、4、……、c，c为正整数；计算切换响应速度的标准差，表达式如下，式中，表示切换响应速度数据集合中c个切换响应速度的平均值，表达式如下；通过切换响应速度的标准差获取供电模式切换响应速度异常系数，表达式如下；

温度上升速率的计算表达式如下，式中，表示预设的光伏组件表面温度采集的时间段，表示的起始时间点的温度，表示的结束时间点的温度。

4.根据权利要求2所述的一种基于光伏发电的景观灯智能控制方法，其特征在于：将获取的光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率进行归一化处理，构建光伏发电供电稳定性风险预测模型，生成供电稳定性风险预测指数，其依据的公式如下，式中，分别表示光伏板输出功率异常系数、光伏板清洁系数、区域云量浮动系数、供电模式切换响应速度异常系数、温度上升速率的预设比例系数，且均大于0，小于0；

将供电稳定性风险预测指数与供电稳定性风险预测指数阈值进行比较，对光伏发电稳定供电是否存在风险进行预测，输出预测结果，将预测标记为YC；

若供电稳定性风险预测指数大于等于供电稳定性风险预测指数阈值，则输出预测结果，YC=1，表示光伏发电的稳定供电存在风险；

若供电稳定性风险预测指数小于供电稳定性风险预测指数阈值，则输出预测结果，YC=0，表示光伏发电的稳定供电不存在风险。

5.根据权利要求1所述的一种基于光伏发电的景观灯智能控制方法，其特征在于：当生成介入信号时，采用模糊自适应PID控制算法对景观灯进行动态控制，包括如下步骤：

步骤S4-1,获取区域人员流动密度、头部朝向角度偏差系数、亮度偏差值、颜色偏差值作为输入变量，将输入变量转换为隶属度函数；

步骤S4-2，制定一组模糊规则；

步骤S4-3，对所得数据进行模糊化处理，根据输入变量的模糊集合和规则库，计算输出变量的模糊集合的过程；

步骤S4-4，将聚合后的模糊输出映射回实际值，得到的最终PID输出，将PID输出作为景观灯的控制指令，对景观灯的亮度和颜色进行动态调节。