LED路灯光照强度自适应控制方法.docx

《LED路灯光照强度自适应控制方法.docx》由会员分享，可在线阅读，更多相关《LED路灯光照强度自适应控制方法.docx（23页珍藏版）》请在第一文库网上搜索。

1、1ED路灯光照强度自适应控制方法摘要：根据黄昏时分自然光照缓慢变弱的特征，提出了一种基于神经网络的1ED路灯光照强度自适应控制方法，实现了1ED路灯光照强度随自然光照强度变化自动调节。该方法以1ED路灯光照测量输出电压与光照强度之间函数关系的单调递增性（即导数大于0）为先验知识，构造神经网络模型训练的约束条件，并利用1agrange乘子法构建增广拉格朗日函数作为训练目标函数，给出了详细的训练算法，完成神经网络优化设计，提高了1ED路灯光照强度自适应控制模型的泛化能力。仿真实验表明，这种基于约束条件的神经网络方法（CCNN）,比传统的数据驱动训练方法（DINN,即仅利用数据样本训练神经网络）具有

2、更好的泛化能力，模型误差更小；现场测试表明，黄昏时分采用这种CCNN方法的1ED路灯节能最大超过20%o关键词：1ED路灯；光照强度；自适应控制；神经网络；约束条件1引言目前,1ED路灯在道路照明、城市亮化工程等领域中获得了广泛应用，然而其控制方式多为人工控制或定时控制。这两种控制方式简单，但存在明显缺陷：不能根据天气情况或外界自然光情况自动调节1ED路灯的光照强度，从而造成电能浪费。为解决这个问题，许多学者和工程师进行了大量的研究工作，试图降低1ED路灯的能耗。陈晓艳等人1利用GPRS和ZigBee设计了一种1ED路灯智能监控系统，李莲等人2利用模糊控制方法设计了1ED路灯三级节能控制方法（

3、全功率、半功率、全关闭），刘春玲等人3利用1ED驱动芯片HV9910设计了1ED路灯自适应调光电路等。这些方法能在一定程度上降低1ED能耗，但是控制方式过于简单，节能效果有待进一步提高。黄昏时分的自然光照强度缓慢变弱，若能根据自然光的这种特征，自适应地调节1ED路灯光照逐渐变强，从而保持整体光照程度（1ED路灯光照与自然光照之和）不变，即充分利用自然光照补偿1ED路灯，可以减少1ED的能耗。在这种自适应控制方法中，首先需要完成光照强度检测、构建光照强度与1ED驱动电压的模型，从而实现1ED路灯控制。然而实验发现，光照强度检测传感器输入-输出特性、光照强度与1ED驱动电压均成非线性关系4,建模不

4、易。神经网络具有很强的逼近非线性函数能力，已广泛应用于系统建模、校正与补偿5-8o它可通过构建基于神经网络的光照强度测量逆模型（即1ED光照测量输出电压与光照强度之间的函数关系）、训练神经网络获得模型参数，为1ED光照强度自适应控制做准备。这种光照控制模型的性能主要取决于神经网络的泛化能力。因此，如何提高其泛化能力对这种光照控制模型尤为重要。系统先验知识可以通过结构约束和权值约束实现对神经网络的优化，显著提高神经网络的泛化能力9T2。实验发现，1ED路灯光照测量输出电压随光照强度增强而增加，即输出电压是光照强度的单调递增函数（即一阶导数大于0）o利用1ED路灯光照测量系统的这种先验知识，构成基

5、于神经网络1ED路灯光照强度控制模型的约束条件，能够获得比传统训练方法更好的训练效果，传统方法仅利用数据样本训练神经网络,不利用导数信息等先验知识。由于引入了约束条件，此时神经网络的训练将是一个有条件约束问题的求解过程，与普通神经网络训练(即无条件约束问题)相比，其算法要复杂的多，因此需要采用新的神经网络训练方法。现有的解决约束优化问题的乘子法等为有条件约束的神经网络训练提供了参考13T5。因此，利用乘子法，结合导数约束，提出一种基于约束条件的神经网络(CCNN)1ED光照强度控制方法，以完成黄昏时分1ED路灯光照自适应调节，实现1ED路灯的进一步节能。21ED路灯光照强度自适应控制方法2.1

6、 黄昏时分的自然光光照特点图1为黄昏时分自然光照强度的实测曲线。由图可以看出，黄昏时分的自然光照强度缓慢地、非线性减弱。此时，如果1ED路灯光照强度随自然光照变弱而自动调节变强，以保证整体光照强度维持不变，达到最大限度节能的目的，这就是本文提出的1ED路灯光照强度自适应控制原理。2.22.3 1ED光照强度自适应调节模型利用黄昏时分自然光补偿1ED路灯光照,使得整体光照（1ED光照与自然光照之和）维持在某一恒定水平，以实现1ED最大限度的节能，即1ED光照随自然光强度自适应调节。1ED光照强度调节模型如图2所示。补偿后的整体光照强度自然光光照测MO量系统图21ED路灯光照强度调节模型Fig.2

7、Adaptiveadjustingmode1forthei11uminationintensityof1EDstreet1amp图2中，设整体光照强度(即补偿后的输出)为CO,当前自然光光照强度为y(t),1ED路灯需要提供的光照强度(即目标光照强度)为X(t),则：x(t)=C0-y(t)(1)式中：t为时间变量。图2中，(t)为1ED路灯的光照强度，其受驱动电压U的控制，即比(t)是U的函数；理想情况下，I(t)=x(t)o因此，只要获得t时刻的目标光照强度x(t),然后通过光照测量逆模型，求得相应的控制电压U,配合硬件驱动电路，即可得到光照强度1(t)o所以，光照测量逆模型是光照强度控制

8、的关键。2.4 1ED光照强度控制的神经网络模型实验发现，1是U的非线性函数，因此u也是1或X的非线性函数(u=f(),其模型不易确定。利用神经网络强大的逼近非线性函数的功能，可以实现函数u=f(x)的逼近，从而完成光照测量逆模型的构建。由于u=f()为单输入单输出的非线性函数，因此用于逆模型构建的神经网络是图31ED基于神经网络的1ED光照测量逆模型Fig.3Inversemode1ofmeasuring1ED,si11uminationintensitybasedonneura1network图3中，X为光照测量逆模型的输入；门为隐含层传输函数，采用IogSig函数；=(1,2,M)T为输

9、入层-隐含层的权值；b=(伉,儿，,匐)T为隐含层的偏置值；v=(v1,v2,，vM)T为隐含层-输出层权值；b(2)为输出层偏置值；U为光照测量逆模型的输出，即：MM=/Cr)=+1=ZuJajj=11-CJ=I式中：隐含层神经元的个数M可由实验确定，aj为隐含层第j个神经元的输出，即：_12. Qj-1*_(叼z+6)-J1Vz3. 4CCNN算法实验发现,1ED路灯光照测量输出电压u随光照强度X(t)增强而增加，即U是x(t)的单调递增函数。因此，函数u=f(x)也满足单调递增性，即其导数0。这种特性可以作为神经网络训练的约束条件。设神经网络训练的目标函数为E,采用批量训练法(N个训练样

10、本)，则：NNminE=豆ui/(Zi)=yez=1/z=1乙s.t.-2oi0(2)式中：一(S产+)+e.(S产+/)2a(,)3iMvjj-(1-aj)aj-j=1由于OajOHjc(6)=gi.j(N)=OJjtUj0因此，式(4)可修改为:，QN1NminE=歹右一/(Ki)了=ye?z=1乙/=1/(1)，、0Ivi(k)7Eei,-i(gj(v)_产(一)=产?(儡+薪)=式中：8(1,gj(v)j0O,gj(9v)jO根据乘子法，式中乘子入j的迭代公式为：j(k+1)=O9Ogj(Sk，Vk)一入/()O(10) j(k)-Ogj(Sh川)，Ggj(叽，%)-7(j)0(11)

11、 适应控制模型改进事实上，白天自然光照强度大，1ED路灯关闭，此时久(t)二0(或x(t)=0);晚上自然光强度小(即y(t)=O),1ED路灯应全功率工作。因此可以设置合适的控制策略，实现1ED光照自适应调节。设Z(X)为1ED路灯(12)式中:CmaX为1ED的最大控制量，1N为自然光照强度，1a为启动1ED自适应调节的阈值，1b为关闭1ED自适应调节的阈值。1a、1b的值可根据1ED路灯应用环境与要求进行设置。例如，1a、1b的值可设置为1a=O.91NAVE,1b=O.I1NAVE,其中，1NAVE为傍晚时分(如16:0017:00)的平均光照强度。31ED路灯光照强度自适应控制实现3

12、 .11ED路灯光照强度自适应控制电路图4为1ED路灯光照强度自适应控制电路框图，图5为1ED路灯光照强度控制器实物。如图3所示，光敏传感器(光敏电阻)采集的自然光照信号经调理电路处理、送微处理器STM32F103,经其内部A/D转换，获得自然光照强度信息；调用保存在微处理器中的自适应控制模型(神经网络参数3、b(1)、v、b(2)和控制参数1a、1b等保存在微处理器中)，获得控制量z(x)(如式(12)所示)；同时利用微处理器的PwM功能,获得1ED路灯光照强度调节量(即PWM控制量)，控制1ED路灯驱动芯片，完成1ED路灯亮度调节。另外，温度传感器完成1ED路灯发热监控。将Z(X)转换为P

13、WM的占空比，即式(12)应修改为:FFFFH91b1nV1a0,于(一)cFFFFH,(13)式中：当ZPwM(X)=O时,PWM的占空比为0,此时1ED驱动电流为0,1ED不工作(不点亮)；当ZPWM(X)=FFFFH时,PWM的占空比为1此时1ED驱动电流最大，1ED全功率工作(最大亮度)。图41ED路灯光照强度自适应控制电路框图Fig.4B1ockdiagramofadaptivecontro1circuitforthei11uminationintensityof1EDstreet1amp图51ED路灯光照强度控制器实物Fig.5Thephotoofi11uminationintensitycontro11erof1EDstreet1amp4 .2神经网络模型训练黄昏时分(如17:0019:00期间、自然光从最大变化为最小)，由照度计共采集120个自然光照强度数据yk,同时系统采集对应光照强度下的电压信号uk；通过式获得目标光照强度xk,数据(xk,Uk)归一化处理后，构成神经网络样本(式的CO设为17:00时刻的自然光照强度)。其中，100组作为训练样本，其余20组作为测试样本。利用式(9)(11)所示的训练算法对控制模型进行离线训练，其中神经网络目标均方误差ErrJfSE为0.00000000001,学习率n为0.5,隐含层神经元数目