英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
智能城市照明控制智能系统
摘要
本文介绍了一种自适应架构，集中控制公共照明和智能管理，以节约照明并保持照明区域的最大视觉舒适度。为了实施这种管理，该架构融合了人工智能（AI）和统计技术，如人工神经网络（ANN），多智能体系统（MAS），EM算法，基于方差分析的方法和面向服务的方法(SOA）。 它通过使用模块化架构实现了能源消耗和成本优化，并且完全适应当前的照明系统。 该体系结构已成功通过测试和验证，并且仍在开发中。
- 介绍
智能城市的概念在基于技术的项目中越来越普遍。 环境的平衡和自然资源是这些模式的一个实际和负责任的关键，旨在通过应用可持续发展实践来增加公民和机构日常生活的舒适度。 在智能城市概念下开发的系统，其目标之一是应用新技术来获得可持续的经济发展并提供更好的生活质量。 我们使用本研究中提出的系统来生成分布式照明系统，以便在城市中实施新的基础设施; 换句话说，我们已经开发出一种模块化架构，可以完全适应城市现有的照明系统，从而优化能耗和成本。 能源效率的主题不仅是降低能源成本，而且也是促进环境和经济可持续性的重要因素。
为了在实验研究层面验证该系统，可以使用一个小型测试案例，其中包括一个便携式安装带有特定的五个灯具硬件。目标功能分为两个模块，一个模块将负责直接管理各种安装和控制面板，并将作为每个站点的通信层，优化实时控制和监视每个设施和照明设备的能力。为此，系统必须提供一个服务接口，可以使用标准化接口访问每个装置，而与每个装置的底层技术和硬件无关。
第二个模块的主要目标是管理每个装置的照明时间表、消耗和预测。为了我们的研究目的，光照等级被定义为每个设备每小时提供的光输出水平。通过编程用户偏好或通过观察不同的决定性环境因素来确定每个站点在每个时间的适当亮度级别，就必须能够制定这个光照等级。因此，不同的因素必须发挥作用：天文钟，天气和交通以及人流。此外，根据经济比率，应该可以通过分配给每个区域的光线模式来预测消费。
为了管理这些不同的元素，为这项研究构建的系统结合了不同的统计和人工智能（AI）技术，如人工神经网络（ANN），EM算法，基于ANOVA的方法和面向服务的方法（SOA）[8 ]。这些技术的结合使得该系统在获得消费和成本的智能预测方面具有创新性。所提出的系统的创新部分是这些方法在工作流程中的组合，该工作流程可以基于输入数据（例如行人或交通流量，天气或与灯具相关的消耗成本）自动获得智能照明时间表。
2. 背景
智慧城市，智能环境或智能家居的概念[14]仍然在我们的社会中出现。智能城市的许多定义之一是：“使用智能计算技术使城市服务更加智能化，相互关联高效率 – 应用于行政管理，教育，医疗保健，公共安全，房地产，交通和公用事业。 “[23]。看起来很清楚，这些城市的目的是以新技术（ICT）为基础的可持续经济发展，通过全体公民的参与来提供更好的生活质量和审慎管理自然资源。在当前的研究中，将“智能”城市作为减缓城市人口快速增长问题的策略之一，是最常见的目标之一。诸如资源匮乏，污染，交通拥堵和基础设施恶化等问题是大城市人口日益面临的诸多问题之一[6]。
在与能效相关的领域，越来越多的世界城市现在致力于开发包括西班牙在内的试点项目[3,17]，其马拉加智能城市项目旨在通过微电源管理实现节能。这包括用于建筑物，街道照明和电力运输的电池中的能量储存，促进电动汽车的使用等。另一个例子是智利城市Valladolid-Palencia，这是两个城市之间的合资企业，
目标是管理智能城市，同时克服将它们分开的距离障碍。该计划旨在实施智能电表网络，整合电动汽车，提高建筑能效，组织交通等。
为了通过照明管理优化能源效率，本研究包括分布式照明系统的安装和控制，以促进城市新基础设施的实施或优化现有基础设施与其他控制系统的进一步整合，以及加热，冷却或控制空气质量的优化[9,12,21,22]。其他研究已经解决了能源效率问题，提供了具体的应用。例如，文献[1]中的作者提出了一种系统的方法来建模，优化，控制和调整LED颜色可调LED照明控制系统。通过光传感器反馈，控制系统能够实现显着的节能效果，而不会大幅牺牲照明质量。这里使用的关键技术是基于颜色度量以及LED照明系统的光质量和能耗之间的权衡的成本函数的适当选择。
文献[24]中的作者采用形式化方法来设计图形模型，并辅以各种控制手段，包括AI方法（基于规则的系统，模式匹配）来设计和控制户外照明系统。在这种情况下，工作仅集中在设计阶段和控制阶段设计功能，如动态，基于传感器的控制，多个灯具状态和复杂的几何形状。其他关于照明控制系统的研究基于其在图像处理[5]，模糊系统[25]，协作方法和无线传感器网络（WSN）[26]或模拟算法[4]以及能量优化的预测控制[2]中的操作。
还有一些已经开发出来的工具，例如Lites，它具有温度传感器，环境光，功率，运动检测; CityLight允许远程管理照明，故障检测和手动规划照明模式，或Tvilight，它根据存在感应器调节照明并在非工作时间保持最小亮度。
鉴于目前的研究情况，可以观察到，目前没有系统或体系结构可以远程管理照明系统，而不管所用的特定系统如何，并且允许智能管理，优化耗电量及其相关成本。 本文提出了一种自适应架构，可以对众多公共照明装置进行集中控制[13]。 具体而言，它允许基于照明的预测和分析技术的分布式和实时智能控制，这是上述系统的主要缺点之一。 从完全适应当前照明系统的模块化架构，能源和经济优化是可能的。 该体系结构已成功通过测试和验证，并且今天仍在开发中。 以下部分描述了操作和技术以及目前获得的结果。
3.建议的架构
本文提出的系统旨在构建所有公共照明的智能管理，包括监控和实时控制灯光，并建立适合公共高速公路安装使用的照明模式。
图1显示了系统的背景，主要由控制软件（智能街道照明软件）和一套公共照明装置组成，可通过互联网访问。设施包括专用硬件，用于全球和个人控制每个灯具，而设备之间的通信由PLC完成。控制软件由三个模块组成：
bull;硬件抽象层允许与设施进行通信，而不考虑底层硬件。
bull;管理服务器包含用于高效能源管理的设备管理和智能算法。
“数据源”模块可捕获与行人和交通流量相关的信息，天气数据和有关设施监控的数据。 “数据分析”模块负责研究为检测步行交通模式收集的信息，管理神经网络以预测光照强度消耗以及在线消费量估算。最后，“亮度模式发生器”模块允许根据每个案例的行人流量和天气条件的标准，创建适合特定设施照明的适当照明规划。
bull;Web应用程序提供所有功能的访问权限，用于配置照明时间表，监视和控制设施。
街道照明建筑设计的理想目标是在没有人为干预的情况下，为我们的日常生活提供安全稳定的街道照明控制。 但是，由于人类用户应该知道系统是否正常工作，系统与人类用户之间的交互是必要的。 还有一些特定情况，系统应由人类用户手动控制。 该系统包括根据所使用的照明和特定案例研究的需要自动（“巧妙地”）或手动交互的能力。
3.1 工作流程
为每个环境建立适当的照明配置是本项目的目标之一。光线配置是指根据与一天中的每个时间关联的亮度等级照亮该区域的一组时间。这将节省照明消耗，在照明区域保持最大视觉舒适度的状态，因为在很多情况下，不需要维持最大光强度以向该区域提供最佳服务，这通常导致过度消耗。
在所提出的系统中，可以手动或通过智能过程设定灯光设计。在前一种情况下，鼓励用户规划时隙（以小时为单位）和每个时隙的光通量。在后一种情况下，我们继续观察可能影响确定特定区域的适当照明的不同环境因素，例如流量或行人交通，或影响周围光线水平的天气状况，特别是在日出和日落时附近。
图2的流程图示出了根据环境因素和不同的用户偏好来完成光图案的过程。可以观察两种不同的工作流程，这些工作流程与给定时间段内生成光照模式的过程相对应。其中一个流程可以生成模式，而不需要建立最大的预计支出，而另一个可以设置。最大支出是指在照明账单上花费的最大金额在光线模式结束的时期。
这两个过程都共享最初的逻辑。第一步收集了几周的行人和交通流量的历史数据。随后，通过方差分析（ANOVA）[20]来确定分类的哪一天进行分类每周模式根据当天的不同时段分享行人和交通流量。
在获得天数组之后，将聚类算法（期望最大化EM）[11,19]应用于每个组，以便确定夜间时间，当行人或交通趋向于相似数量时。
经过这两个步骤后，流程图显示分岔。如果没有设置最大支出，则左分支对应于所遵循的过程，其主要遵循基于亲分阶段调整照明水平的简单过程，EM技术后的每一组天的生成簇的一部分。上级分支应用要遵循的逻辑当最大流量建立时。最后一个分支所遵循的步骤主要集中在最优分配照明以及系统必须在具有类似环境的场景中提供相同光照水平的具体时间，心理特征。分配数量根据小时费率等特征执行，无论有无时间限制，可能影响照明需求的夜间时间以及基于交通和行人的群集比例流动。
这两个分支根据ANOVA技术生成的天数组获得不同的光照模式。流程图中的倒数第二步包括预测完成的照明设计的成本，在这种情况下具有最大支出的分支将根据支出估计重合一个小误差使用的技术。支出估计由神经网络MLP（多层感知器）[15,7]执行，其中，
预测作为流明的函数的功率水平，并且用每个中使用的照明器类型的历史数据来训练
安装。
3.2。 天分类和聚类
为了在一周内的不同日期进行配光，有必要应用搜索模式来区分日子。 要确定具有相似特征的一组天数，必须考虑几个变量，例如星期几，间隔和检测到的人数。 如果变量不是定量的，则有必要应用诸如方差分析的聚类技术来提取组间的相似性。 在这种情况下，应用具有重复的双向ANOVA。 因素是星期几和间隔，这被认为是一个组因子。
ANOVA管理的信息如图3所示。 值y ijk是在周y中的间隔i和j中检测到的人数以及重复k。 这些重复是在同一天的不同周内测量的。
这个复原模型是这样定义的：
在F观察到可以根据（2），以确定在ANOVA的关系的相关性来计算。
又
一旦Falpha;beta;Fbeta;被计算出来，就有可能确定一个特定因素或因素之间的相互作用是否影响模型。 如果交互不影响模型，那么人员/交通量不会影响模型。 为了确定相互作用的影响程度，我们进行了假设H0的对比：（alpha;beta;）ij = 0forall;ij。当H0被拒绝时定义对比度的统计量，这导致天和时隙之间的差异。
为了确定特定的日子是否影响模型，有必要进行对比H0：beta;j= 0？j。对比度的统计量定义为拒绝H0，因此（5）日期之间存在差异。
分组过程基于找出H0不以迭代方式拒绝的那一周的那些日子。 然而，如果它被拒绝，则创建一个新的组，如（7）所示。
当这个过程结束时，我们有n个组。 组i被定义为gi，并且每个组都包含一周中被视为等同于分配亮度的计划过程的日子。
对于每个识别的组gi，基于考虑的时隙和观察到的人员流动来执行新的分组过程。 为了获得聚类，我们应用EM聚类技术[18]。 群集过程会考虑每个时间段中的人数以及分配给组gi的日期
3.3。 功耗近似值
为了估计照明系统的消耗预测和相应的成本，使用神经网络。
消费水平与光度水平具有非线性关系，因此有必要创建一种机制来确定所需光度水平的消费水平，反之亦然。 在我们的建议中，我们使用了MLP
神经网络包含训练过程的偏差。 隐藏层中的神经元数量为7，激活函数为S形。 隐藏层和输出层中神经元的权重与中使用的相对应
[18]或以前的工作[10]。
为了进行所有值的训练和估计，考虑到网络中使用的激活函数，将它们在[0.2-0.8]的间隔内归一化。
3.4。 支出分配
为了计算用户输入的Z时间内最大E T的分布，首先需要计算最小消耗量E min到最小亮度L min。 这段时间的夜间时间为Nh。 一个MLP网络用于根据所需的亮度级别预测所使用照明设备的消耗功率。 额外支出E将分配用于生成光照模式。
所采取的第一步是在方差分析过程中生成的天gi组之间分配E量。 这种分配基于每个组i的夜晚小时数N hi以及该组中存在的行人和交通流P i。
每个gi的交通和人流Pi的计算是通过计算每晚通过该区域的平均人数Pd1和属于gi的天数Di，取以前使用的历史数据的平均值（Fig 1）。 人数是有限的，并且如果超过界限将等于上限。
在分配数量E时，Nh和P变量都可以具有不同的影响程度rho;。每个组gi的额外费用由公式Eq给出。（10）
又
一旦完成了每个组的支出分配Ei，重复分配过程，在这种情况下，在说明与所照明区域相关联的电力成本的不同时间Fs之间。要做到这一点，我们考虑每个组mir（它表示分类在每个组gi ANOVA的EMr集群中的值）在小时（nir）中的比例（wir）和使用时间，以及每个时隙中的能量L s。
图4显示了一个可能的部署场景，其中簇mir表示EM算法的结果，其中每个簇由矩形表示。 x轴代表以小时为单位的时间，而y轴代表集群比例（wir），它由每组m ir确定的平均行人和交通流量确定。支出Ei的分配是通过计算指示这些时隙中的加权价格的每个时隙F S的总面积来完成的。因此，我们可以确保费用的公平分配，并且可以使用与具有类似环境因素的光流空间相同的时间表来照明（10）。
又
此时，每小时每个照明设备的电源供应（简单地将pth除以照明设备的数量）是已知的。 对于所提供的电源的光输出，使用预测来自输入功率的光输出的MLP网络。 光通量和功率之间的等价关系往往是线性的，所以这个近似值相当准确：在大多数情况下，耗费的功率加倍会导致两倍的光度。
4.结果
为了验证系统的有效性，使用实验原
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[468239]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
