一种人工智能控制室内环境无线光伏自供能传感器系统的制作方法

本发明涉及智能控制技术领域，具体是指一种人工智能控制室内环境无线光伏自供能传感器系统。

背景技术

随着科技日新月异的长足发展，人类已经主逐渐享受物联网、大数据、人工智能的所带来的种种优势。物联网中的传感器随时随地收集各种数据，汇入大数据库存，人工智能利用大量的已标记数据，对数据进行分析、处理、训练、学习，并在新问题中给出最佳决策。然而影响这一切过程成败的根本，在于数据的收集。环境数据如光照、温度、气体浓度等的收集主要依赖于各种环境传感器。传统传感器的供电主要分为两种，电网供电与电池供电。其中电网供电设备成本大：每个传感器都需要输电线，而物联网所需的传感器往往分布广，数量大，大量的输电电线极大的限制了传感器的分布，相同的规模的传感器网络成本巨大。电池供电的维护成本大：每个传感器配有电池，而电池寿命有限，电量耗尽时，大规模人工更换电池成本巨大，如有传感器遗漏维护，电池还会造成巨大的环境危害。

使用光伏自供能同样拥有技术难题：传统光伏相同体积的收集能量设备效率极低，他们往往使用染料敏化太阳能电池(dssc)非晶硅(asi)材质，其最高效率仅为10％，没有配备最大功率追踪装置，或有最大功率追踪装置，但其中的电流监测原件的耗能巨大，得不偿失。如将光伏板面积扩大，又会使传感器整体体积过大，影响空间实用性，现有问题亟待改进。

技术实现要素：

本发明要解决的技术问题是，提供一种人工智能控制室内环境无线光伏自供能传感器系统，最大限度增加光伏能源产生，降低传感器耗能。

为解决上述技术问题，本发明提供的技术方案为：一种人工智能控制室内环境无线光伏自供能传感器系统，包括光伏自供能传感器系统、人工智能云端数据处理平台和决策实施系统，所述光伏自供能传感器系统分为测试传感器和功能传感器，所述测试传感器内设有测试传感器最大光伏功率追踪控制器，所述功能传感器内设有功能传感器最大光伏功率追踪控制器，所述测试传感器和功能传感器内均包含光伏能量收集板、能量储存器、安全输出器和传感器信号接收传输器，所述人工智能云端数据处理平台包括平台信号收集发射器和数据处理与机器学习处理器，所述决策实施系统包括决策信号接收器、温度控制、光强控制、二氧化碳控制、空气清新控制和可视化界面。

作为改进，所述测试传感器和功能传感器随机分布在室内空间，且数量比例为1：40。

作为改进，所述光伏能量收集板中的光伏能量收集材料采用砷化镓gaas，砷化镓gaas材料对于室内光能收集效率极高甚至到达28.8％。

作为改进，所述测试传感器最大光伏功率追踪控制器中的最大功率追踪算法使用退火算法，主动微调整降压变压器的占空比，寻取最大功率点的光伏输出电压。

作为改进，所述功能传感器最大光伏功率追踪控制器中的最大功率追踪电压采用人工智能云端数据处理平台提供的针对此传感器环境预测的最大功率点的光伏输出电压值。

作为改进，所述能量储存器中的能量储存装置采用串联的超级电容。

作为改进，所述安全输出器中设置有低压监测和防止负载电流倒流的装置电路。

作为改进，所述数据处理与机器学习处理器中的最大功率电压与光强值、温度值的数学模型建立方式采用深度神经网络dnn方式。

作为改进，所述所有模块之间设有传感器信号接收传输器，所述人工智能云端数据处理平台内包括平台信号收集发射器，所述决策实施系统内包括决策信号接收器，通信技术均采用lora窄带通信。

作为改进，所述决策实施系统内通过温度控制、光强控制、二氧化碳控制、空气清新控制和可视化界面完成对室内环境的控制。

本发明具有如下优点：本发明可以最大限度提高传感器网络的能效，解决传统传感器需要通电布线或频繁更换电池的问题；随时获取室内各种环境数据参量，利用深度神经网络建立出最大功率输出电压与光强，温度条件的多元函数模型，可以实现免除高耗能的电流检测器，整个系统能耗极低，安装，操作与维护十分简易，使用成本极低，该低能耗智能系统可进一步实现智能室内农业、智能室内照明与空气系统等应用。

附图说明

图1是本发明专利的整体结构示意图；

图2是本发明专利中的测试传感器光伏能量收集板上最大光伏功率追踪控制器电路结构图；

图3是本发明专利中的功能传感器光伏能量收集板上最大光伏功率追踪控制器电路结构图；

图4是本发明专利中的能量储存器电路结构图；

图5是本发明专利中的安全输出器电路结构图；

图6是本发明专利中的传感器信号传输流程图。

如图所示：1、光伏自供能传感器系统，2、测试传感器，3、功能传感器，4、光伏能量收集板，5-1、测试传感器最大光伏功率追踪控制器，5-2、功能传感器最大光伏功率追踪控制器，6、能量储存器，7、安全输出器，8、传感器信号接收传输器，9、人工智能云端数据处理平台，10、平台信号收集发射器，11、数据处理与机器学习处理器，12、决策实施系统，13、决策信号接收器，14、温度控制，15、光强控制，16、二氧化碳控制，17、空气清新控制，18、可视化界面。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明：

实施例1

一种人工智能控制室内环境无线光伏自供能传感器系统，其特征在于：包括光伏自供能传感器系统1、人工智能云端数据处理平台9和决策实施系统12，所述光伏自供能传感器系统1分为测试传感器2和功能传感器3，所述测试传感器2内设有测试传感器最大光伏功率追踪控制器5-1，所述功能传感器3内设有功能传感器最大光伏功率追踪控制器5-2，所述测试传感器2和功能传感器3内均包含光伏能量收集板4、能量储存器6、安全输出器7和传感器信号接收传输器8，所述人工智能云端数据处理平台9包括平台信号收集发射器10和数据处理与机器学习处理器11，所述决策实施系统12包括决策信号接收器13、温度控制14、光强控制15、二氧化碳控制16、空气清新控制17和可视化界面18。

测试传感器2和功能传感器3随机分布在室内空间，共123个，其中24个测试传感器，960个功能传感器。

光伏能量收集板4中，光伏能量收集材料使用2片并联11.5cm*11.5cm砷化镓gaas材质板，额定输出电压为9v。

测试传感器最大光伏功率追踪控制器5-1中，最大功率追踪算法使用退火算法，主动微调整降压变压器的占空比，电压调整幅度为正负0.05v每30s，初始电压7.2v，电压下界4v，迭代次数为每周期100次，寻取最大功率点的光伏输出电压。

测试传感器最大光伏功率追踪控制器5-1中，电流霍尔监测元件使用csm025，电压霍尔监测元件使用vsm025a。

测试传感器最大光伏功率追踪控制器5-1中，驱动器使用安森美ncp5359a，功率mos管使用安森美mmbf2201nt1。

功能传感器最大光伏功率追踪控制器5-2中，最大功率追踪直接带入人工智能云端数据处理平台提供的针对此传感器环境预测的最大功率点的光伏输出电压值。

能量储存器6中，能量储存装置使用串联的kamcap5.5v15f的超级电容，稳压器使用安森美lm2595。

安全输出器7中，功率mos管使用mmbf2201nt1，运算放大器使用ncs20071sn2t1g。

数据处理与机器学习处理器11中，最大功率电压与光强值、温度值的数学模型建立方式为深度神经网络dnn，当云端平台获得大于180个最佳功率电压值和光强、温度的关系时，平台开始进行数据训练。输入传递函数使用sigmoid函数，冲量0.85，学习率0.2，迭代数1000。每次训练采用时间近1800个数据进行训练，每7天更新最新最优值函数模型。

所述所有模块之间设有传感器信号接收传输器8，所述人工智能云端数据处理平台9内包括平台信号收集发射器10，所述决策实施系统12内包括决策信号接收器13，通信技术均采用品牌为dragino的lora窄带通信shield。

测试传感器最大光伏功率追踪控制器5-1和功能传感器最大光伏功率追踪控制器5-2均在微控制器atmega328p中实现。

决策实施系统12包括空调温度控制，灯光强度与百叶窗帘角度控制，氧气浓度控制，空气清新剂控制。

实施例2

一种人工智能控制室内环境无线光伏自供能传感器系统，其特征在于：包括光伏自供能传感器系统1、人工智能云端数据处理平台9和决策实施系统12，所述光伏自供能传感器系统1分为测试传感器2和功能传感器3，所述测试传感器2内设有测试传感器最大光伏功率追踪控制器5-1，所述功能传感器3内设有功能传感器最大光伏功率追踪控制器5-2，所述测试传感器2和功能传感器3内均包含光伏能量收集板4、能量储存器6、安全输出器7和传感器信号接收传输器8，所述人工智能云端数据处理平台9包括平台信号收集发射器10和数据处理与机器学习处理器11，所述决策实施系统12包括决策信号接收器13、温度控制14、光强控制15、二氧化碳控制16、空气清新控制17和可视化界面18。

测试传感器2和功能传感器3随机分布在室内空间，共123个，其中3个测试传感器，120个功能传感器。

光伏能量收集板4中，光伏能量收集材料使用2片并联11.5cm*11.5cm砷化镓gaas材质板，额定输出电压为9v。

测试传感器最大光伏功率追踪控制器5-1中，最大功率追踪算法使用退火算法，主动微调整降压变压器的占空比，电压调整幅度为正负0.05v每30s，初始电压7.2v，电压下界4v，迭代次数为每周期100次，寻取最大功率点的光伏输出电压。

测试传感器最大光伏功率追踪控制器5-1中，电流霍尔监测元件使用csm025，电压霍尔监测元件使用vsm025a。

测试传感器最大光伏功率追踪控制器5-1中，驱动器使用安森美ncp5359a，功率mos管使用安森美mmbf2201nt1。

功能传感器最大光伏功率追踪控制器5-2中，最大功率追踪直接带入人工智能云端数据处理平台提供的针对此传感器环境预测的最大功率点的光伏输出电压值。

能量储存器6中，能量储存装置使用串联的kamcap5.5v15f的超级电容，稳压器使用安森美lm2595。

安全输出器7中，功率mos管使用mmbf2201nt1，运算放大器使用ncs20071sn2t1g。

数据处理与机器学习处理器11中，数据处理与机器学习处理器中，最大功率电压与光强值、温度值的数学模型建立方式为深度神经网络dnn，当云端平台获得大于180个最佳功率电压值和光强、温度的关系时，平台开始进行数据训练。输入传递函数使用sigmoid函数，冲量0.85，学习率0.2，迭代数1000。每次训练采用时间近1800个数据进行训练，每7天更新最新最优值函数模型。

所述所有模块之间设有传感器信号接收传输器8，所述人工智能云端数据处理平台9内包括平台信号收集发射器10，所述决策实施系统12内包括决策信号接收器13，通信技术均采用品牌为dragino的lora窄带通信shield。

测试传感器最大光伏功率追踪控制器5-1和功能传感器最大光伏功率追踪控制器5-2均在微控制器atmega328p中实现。

决策实施系统12中，决策实施系统包括温室温度控制，二氧化碳浓度控制，植物光照强度控制，除虫剂浓度控制以及农户终端数据监视与手动调节可视化界面。

以上描述仅为根据本发明思想给出的两个实用事例用以充分阐明。未能脱离本发明本质的部分或全部内容的简单改动，或因本发明获得启示的内容都属于本发明的保护范围内。