CN202735528U - 一种可预测气象数据的智能气象站系统 - Google Patents

Abstract

本实用新型公开了一种可预测气象数据的智能气象站系统，包括传感器模块，其特征在于：传感器模块与智能气象站内的控制计算机相连，在控制计算机内设置有SD卡，控制计算机通过SD卡与GPRS通信模块相连。本实用新型可为工业控制领域和能源行业提供精度较高的实时气象数据和预测气象数据。

Description

一种可预测气象数据的智能气象站系统

技术领域

本实用新型涉及气象数据监测、预报领域，本实用新型特别涉及一种可预测气象数据的智能气象站系统。

背景技术

目前，许多工业控制领域和能源行业需要气象数据的支持，气象数据不仅仅是实时采集的气象数据，有时还需要预报未来一段时间内的气象数据。需要采集和预报的气象信息数据一般包括：风速风向、温度、气压、相对湿度、光强、降雨量等信息。尽管国内外的气象台都可以提供气象预报的服务，但是专门针对特定区域的高精度和准实时性的气象预测产品较少，或者往往需要缴纳较高的费用。

传统的气象数据预报是通过求解大气流体力学和热力学方程组来计算天气数据的，但是这种方法计算量极大，一般需要使用多台大型计算机来完成，不适合一般工业控制领域的用户使用。本实用新型采用了自适应逻辑网络ALN算法，ALN属于人工智能算法的一种，易于数学计算，可以在嵌入式系统快速完成数据训练和预测结果。另外，气象台提供的气象产品往往是一个大范围（如10公里×10公里）的最大值、最小值、平均值，而不是一个小范围甚至一个点的具体气象数据。本实用新型可以为用户提供小范围区域的气象预报。

本实用新型具有实时气象数据采集功能，并将采集来的历史数据存储在SD卡中，最多可保留两年的历史数据。在智能气象站系统中嵌入人工智能算法，为采集点的历史气象数据建立统计预测算法模型，并定期优化预测算法模型。可通过已生成的预测算法模型快速完成气象数据的预测。

实用新型内容

本实用新型所要解决的技术问题在于为工业控制领域和能源行业提供精度较高的实时气象数据和预测气象数据。

为解决上述技术问题，本实用新型提供一种可预测气象数据的智能气象站系统，包括传感器模块，其特征在于：传感器模块与智能气象站内的控制计算机相连，在控制计算机内设置有SD卡，控制计算机通过SD卡与GPRS通信模块相连。

前述的可预测气象数据的智能气象站系统，其特征在于：还包括电源模块，所述电源模块分别与传感器模块、控制计算机、GPRS通信模块相连。

前述的可预测气象数据的智能气象站系统，其特征在于：传感器模块包括风速风向传感器、温度传感器、湿度传感器、气压传感器、光强传感器和雨量传感器。

前述的可预测气象数据的智能气象站系统，其特征在于：所述控制计算机包括数据处理模块，用于接收并处理传感器采集的实时气象数据，并将处理后的数据传送至SD卡。

前述的可预测气象数据的智能气象站系统，其特征在于：所述控制计算机包括气象数据预测模块，根据历史气象数据，利用自适应逻辑网络ALN方法训练预测算法模型，并根据实测气象数据和已训练完成的模型得到预测气象数据。

前述的可预测气象数据的智能气象站系统，其特征在于：所述控制计算机包括主控模块，用于控制传感器模块、气象数据预测模块、GPRS通信模块的运行，包括控制数据流向、监控各个进程运行情况。

本实用新型所达到的有益效果：

本实用新型使用一种可预测气象数据的智能气象站系统，为工业控制领域和能源行业提供精度较高的实时气象数据和预测气象数据，这些气象数据包括：风速风向、温度、相对湿度、气压、光强、降雨量等。本实用新型预测气象数据是通过人工智能算法中的自适应逻辑网络（ALN）的方法来实现的。这种方法预测准确度高，建模过程相对简单，模型计算速度快，易于在嵌入式系统中实现。通过对至少三个月的历史数据的统计分析，建立预测算法模型。预测气象数据的时候只需要把实测气象数据作为预测算法模型的输入条件，即可快速获得气象数据预测结果。

附图说明

图1是本实用新型的内部结构示意图；

图2是本实用新型的气象数据预测功能示意图。

图3为自适应线性逻辑网络结构图；

图4为自适应线性逻辑网络训练原理图。

具体实施方式

下面结合附图和实施对本实用新型进一步说明。

本实用新型通过传感器实时获取当前的气象信息，经数据处理模块存储在智能气象站内的SD卡中，智能气象站通过人工智能预测算法根据配置文件中的地理信息和历史气象数据建立气象数据预测算法模型，一般来说生成预测算法模型后，今后无需再修改该预测算法模型。在预测气象数据时，将当前采集的气象数据作为预测算法模型的输入条件，可快速获得预测气象数据结果。

本实用新型的一种可预测气象数据的智能气象站系统包括：传感器模块、数据处理模块、SD卡、气象数据预测模块、GPRS通信模块和电源模块。

传感器模块包括：风速风向传感器、温度传感器、湿度传感器、气压传感器、光强传感器、雨量传感器。每一种传感器的采样周期都是5秒。

数据处理模块用来处理传感器采样后的实时气象数据。数据处理模块主要统计每5分钟、10分钟、15分钟、1小时、1天各类气象数据的最大值、最小值、平均值。

SD卡存储的内容包括四部分：历史气象数据、预测的气象数据、气象数据预测算法模型文件、智能气象站配置信息。历史气象数据是经过传感器实时采集、数据处理模块统计输出的结果，包括每5分钟、10分钟、15分钟、1小时、1天的最大值、最小值、平均值，这些数据保留两年以上。预测的气象数据包括未来4小时、24小时、48小时、72小时的气象数据。智能气象站配置信息包括了该气象站所在地区的地理信息，如经度、纬度、海拔、位势高度；智能气象站采集、预报的配置信息，如采集气象数据间隔、预报气象数据时间间隔；智能气象站出厂信息等。

气象数据预测模块具有两个功能，首先是根据历史气象数据训练预测算法模型，另一个功能是根据实测气象数据和已训练完成的模型得到预测气象数据。训练预测算法模型需要至少三个月的历史气象数据。当预测算法模型训练完成后，生成dtr文件，存在SD卡中。预测气象数据时，首先读取已训练完成模型（dtr文件）和刚采集到的实测数据，通过人工智能算法得出预测结果并存储到SD卡中。

GPRS通信模块支持4个频段：850/900/1800/1900MHZ，支持GSM标准AT命令，支持GSM/GPRS Phase2/2+协议，内嵌TCP/IP协议。GPRS模块接口包括：串行接口（最大串口速率可达115200bit/s）用于获取采集处理后的气象数据；标准SIM卡接口（1.8V或3V）用于插入运营商提供的SIM卡。如果使用GPRS专线方式进行数据传输，需要使用运营商特殊定制的SIM卡。

主控模块用于控制其它功能模块的运行，如控制数据流向、监控各个进程运行情况。

电源模块是给整个微型气象站提供电源支持。整个系统采用太阳能供电。电源模块包括太阳能电板、蓄电池、DC/DC直流互变器。

如图1所示，智能气象站是通过传感器获取外部气象数据。传感器包括：风速风向传感器、温度传感器、湿度传感器、气压传感器、光强传感器、雨量传感器。传感器采集到的数据由数据处理模块进行统计运算，分别统计出每5分钟、10分钟、15分钟、1小时、1天的最大值、最小值、平均值。统计输出的结果存储在SD卡中。预测模块从SD卡中获得历史数据经过训练生成预测算法模型，预测模块还可以根据已经训练完成的预测算法模型和实时数据生成预测数据，并将预测数据存储在SD卡中。主控模块负责控制气象数据的采集、处理、存储、预测过程。电源模块为整个智能气象站提供电能量，保证智能气象站稳定工作。

如图2所示，气象数据预测功能主要完成训练模型和预测数据两个功能。在预测数据之前需要有一个已经训练好的预测算法模型，具体来说就是存储在SD卡上的一个dtr文件。一般来说一个模型可以长时间的为预测数据服务，预测过程中不需要再生成预测算法模型。当发现预测数据与实际数据的均方根误差较大的时候，可以设置在线重训练，提高预测算法模型的预测精度。

训练模型是通过读取历史气象数据和配置文件来生成模型的，历史气象数据必须是至少三个月的历史气象数据，配置文件包含了当地的地理信息数据。模型训练完成生成dtr文件存储在SD卡中。预测数据时，需要读取dtr文件和实时数据，即可快速预测出预测气象数据。

对于自适应逻辑网络ALN方法进行以下说明：

1.ALN基本结构

自适应逻辑网络中可包含有任意多个独立的输入变量以及变量间任意多个线性逻辑关系式。线性方程形式如下：

$L_j=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{X}_i-Y---\left(1\right)$

ALN通过改变其线性方程组中的权重w_ij来产生期望的结果。通常，为了模型表示的一般性，规定X₀≡1，即表示方程的常数项。

在神经网络模型中，X是输入，Y是网络的输出，对X₀的约束信息可以被理解为神经元的偏置量。

令L_j＝0。式（1）定义了一条直线（n=1）、一个平面（n=2）或一个超平面（n>2），因此得到以下方程组表达式：

$Y=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{X}_i---\left(2\right)$

ALN将带有阈值评判的线性关系式（LTU，Linear Threshold Unit）作为网络的节点。若令阈值为0，则每个类似的节点都要对L_j≥0是否成立进行评判。其结果非“真”（1，未达到阈值）即“假”（0，达到阈值）。因此（2）转化为线性不等式组：

$Y\≤\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{X}_i---\left(3\right)$

而这些线性关系式节点的父节点是ALN中的逻辑运算符“AND”和“OR”。

图3描述了一个三层的ALN结构（只统计含有LTU和逻辑算符的层）。可以对该ALN结构进行简写OR（AND（2），AND（2））。

ALN结构的大小是有界的，由于用于参数估计的有限数据样本决定了ALN中的LTU数目是有限的，若有n个自变量，则LTU中需要估计的权值向量为n+1维。另外，ALN结构的形状也是有限的。许多ALN结构表面看上去不同，但实际是等效的。例如AND（LTU，AND（2））和AND（3）是等效的。这样就大大减少了需要考虑ALN的结构种类。

2.基于ALN的建模方法

ALN既保持了传统基于统计学原理建模的简单性，还具有其不可比拟的优越性。由于一个连续函数可以由一组直线段以任意精度逼近，因此ALN可以根据精度要求构造线性函数以及线性单元间逻辑关系，来拟合任意的连续函数。图4描述了图3中ALN的二维输出空间。图中阴影部分对应所有样本点（X，Y）落在该区域时，网络输出为“真”（1）。

当且仅当所有样本点落在两条直线L1和L2以下时，图4中上方的AND输出为“真”。L1和L2搭出了“尖顶帐篷”的形状，其连接模式AND也等效于取两直线的最小值（MIN）。同理,第二个AND给出了半个“平顶帐篷”形状。

当且仅当样本点落在阴影区域内时，OR的输出为“真”，等效于对两个“帐篷”取最大值（MAX）。

可以总结出对LTU使用逻辑运算符运算的原理：AND等效于取最小（MIN），OR等效于取最大（MAX）。

ALN拟合的最终模型即“0”空间和“1”空间的交接的折线段，结果是连续函数，但非单调，也不是单纯的凸函数或凹函数。在更高维空间，ALN输出是一组超平面的拼接。其形状可以通过修改树的结构或LTU权值和阈值来改变。例如，凸凹性可通过逻辑运算符改变。AND（4）得到一个凸面，而用OR（4）得到一个凹面。单调性可以通过修正LTU的权系数正负来得到。ALN允许对这些特性作为约束条件来进行强制。

在某个直线段范围内，其输出值的变化与输入值成正比，LTU的权系数代表了变化率。而在标准的神经网络结构中，输出和输入的关系无法得知，除非所有其他的输入变量被赋予固定值，否则其他输入变量细小的变化都会引起输出量的较大改变。

3.ALN的预测算法

ALN算法预测这一过程被称为参数估计,这种方法是以通过有规划的试验、定期观测或通过模式提取,ALN算法使用最小二乘法来进行LTU权系数的估计。

在学习初始化阶段，ALN中所有的LTU被分配随机的权系数,如果存在先验知识或约束条件，可存在其他的分配方法。

按照样本的顺序，训练样本(X_t,Y_t)作为ALN的输入,逻辑运算值沿着树状网络传递，输出最终值。

以上已以较佳实施例公开了本实用新型，然其并非用以限制本实用新型，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本实用新型的保护范围之内。

Claims (3)

1.一种可预测气象数据的智能气象站系统，包括传感器模块，其特征在于：传感器模块与智能气象站内的控制计算机相连，在控制计算机内设置有SD卡，控制计算机通过SD卡与GPRS通信模块相连。

2.根据权利要求1所述的可预测气象数据的智能气象站系统，其特征在于：还包括电源模块，所述电源模块分别与传感器模块、控制计算机、GPRS通信模块相连。

3.根据权利要求1所述的可预测气象数据的智能气象站系统，其特征在于：传感器模块包括风速风向传感器、温度传感器、湿度传感器、气压传感器、光强传感器和雨量传感器。

Images