一种基于路灯照明的低功耗控制方法和系统

1.本发明涉及智能照明控制领域，尤其涉及一种基于路灯照明的低功耗控制方法和系统。


背景技术：

2.路灯，作为居民提供照明的重要公共设施，具有分布广、数量多等特点，保障其良 好的运行状态也是保障居民夜晚的安全出行的关键部分，而路灯设备运行状态信息的获 取，多依赖于人工巡视等传统信息采集渠道，极大的占用了人力资源的也无法保证第一时间的故障处理，同时路灯功能单一，照明设置不灵活，无法满足智慧城市建设中的智能化需求，在节能减排方面的压力也日益增大。


技术实现要素：

3.本发明所要解决的技术问题是针对现有技术的不足，提供一种基于路灯照明的低功耗控制方法和系统。
4.本发明解决上述技术问题的技术方案如下：一种基于路灯照明的低功耗控制方法，包括：获取预设位置的每个路灯的路灯参数；所述路灯参数包括：路灯位置参数和路灯对应位置的地面光强度；根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度；根据所述灯光强度调节对应路灯的供电参数。
5.本发明的有益效果是：本方案通过根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度，来对应调节路灯的供电参数，能够实时根据路面的光照强度调节路灯的亮度，解决了现有的路灯根据时间调节强度，造成电力资源浪费、不够节能环保的问题。
6.进一步地，还包括：通过深度卷积神经网络作为组件分类器；向所述组件分类器中输入训练集进行训练获得预设模型参数；根据所述预设模型参数结合所述组件分类器构建路灯光照强度模型。
7.采用上述进一步方案的有益效果是：本方案通过根据所述预设模型参数结合所述组件分类器构建的路灯光照强度模型，能够提高路灯的灯光强度与地面光强度的匹配度，在满足照明需求的同时不浪费多余的电能。
8.进一步地，还包括：采集不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，并对采集的多个光照强度进行预处理；通过预处理后的多个光照强度构建训练集。
9.采用上述进一步方案的有益效果是：本方案通过构建训练集训练路灯光照强度模
型，并为代理模型优化迭代提供模拟训练数据。
10.进一步地，还包括：根据不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，结合所述预设模型参数构建代理模型。
11.采用上述进一步方案的有益效果是：本方案通过代理模型能够优化迭代大量数据，减少路灯光照强度模型的运算量；代理模型实时更行模型参数，实现路灯光照强度模型的参数优化，提高模型的运算精度。
12.进一步地，还包括：通过所述训练集对所述代理模型进行优化迭代；将迭代结果进行仿真计算；当仿真计算结果误差小于预设阈值，则所述迭代结果中的预设模型参数为目标模型参数；根据所述目标模型参数对所述路灯光照强度模型进行优化，获得优化后的路灯光照强度模型。
13.采用上述进一步方案的有益效果是：本方案通过对优化路灯光照强度模型计算路灯光强的过程进行改进，采用代理模型代替原模型参与优化迭代过程，从而加快了路灯光强计算的求解效率，节省了路灯光照强度模型的计算量，同时通过代理模型的动态更新出的最优参数减小了路灯光照强度模型的误差，从而能够得到高精度的参数优化结果。
14.本发明解决上述技术问题的另一种技术方案如下：一种基于路灯照明的低功耗控制系统，包括：路灯参数获取模块，路灯强度计算模块和供电调节模块；所述路灯参数获取模块用于获取预设位置的每个路灯的路灯参数；所述路灯参数包括：路灯位置参数和路灯对应位置的地面光强度；所述路灯强度计算模块用于根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度；所述供电调节模块用于根据所述灯光强度调节对应路灯的供电参数。
15.本发明的有益效果是：本方案通过根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度，来对应调节路灯的供电参数，能够实时根据路面的光照强度调节路灯的亮度，解决了现有的路灯根据时间调节强度，造成电力资源浪费、不够节能环保的问题。
16.进一步地，还包括：路灯光照强度模型构建模块，用于通过深度卷积神经网络作为组件分类器；向所述组件分类器中输入训练集进行训练获得预设模型参数；根据所述预设模型参数结合所述组件分类器构建路灯光照强度模型。
17.采用上述进一步方案的有益效果是：本方案通过根据所述预设模型参数结合所述组件分类器构建的路灯光照强度模型，能够提高路灯的灯光强度与地面光强度的匹配度，在满足照明需求的同时不浪费多余的电能。
18.进一步地，还包括：训练集构建模块，用于采集不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，并对采集的多个光照强度进行预处理；
通过预处理后的多个光照强度构建训练集。
19.采用上述进一步方案的有益效果是：本方案通过构建训练集训练路灯光照强度模型，并为代理模型优化迭代提供模拟训练数据。
20.进一步地，还包括：代理模型构建，用于根据不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，结合所述预设模型参数构建代理模型。
21.采用上述进一步方案的有益效果是：本方案通过代理模型能够优化迭代大量数据，减少路灯光照强度模型的运算量；代理模型实时更行模型参数，实现路灯光照强度模型的参数优化，提高模型的运算精度。
22.进一步地，还包括：模型优化模块，用于通过所述训练集对所述代理模型进行优化迭代；将迭代结果进行仿真计算；当仿真计算结果误差小于预设阈值，则所述迭代结果中的预设模型参数为目标模型参数；根据所述目标模型参数对所述路灯光照强度模型进行优化，获得优化后的路灯光照强度模型。
23.采用上述进一步方案的有益效果是：本方案通过对优化路灯光照强度模型计算路灯光强的过程进行改进，采用代理模型代替原模型参与优化迭代过程，从而加快了路灯光强计算的求解效率，节省了路灯光照强度模型的计算量，同时通过代理模型的动态更新出的最优参数减小了路灯光照强度模型的误差，从而能够得到高精度的参数优化结果。
24.本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
25.图1为本发明的实施例提供的一种基于路灯照明的低功耗控制方法的流程示意图；图2为本发明的实施例提供的一种基于路灯照明的低功耗控制系统的结构框图。
具体实施方式
26.以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
27.如图1所示，为本发明实施例提供的一种基于路灯照明的低功耗控制方法，包括：s1，获取预设位置的每个路灯的路灯参数；路灯参数包括：路灯位置参数和路灯对应位置的地面光强度；其中，预设位置可以是，需要调节路灯光强的路段。
28.s2，根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度；需要说明的是，在某一实施例中，路灯光照强度模型可以包括：通过深度卷积神经网络作为组件分类器，向组件分类器中输入训练集进行训练获得预设模型参数，根据预设模型参数结合组件分类器构建端对端模型，即路灯光照强度模型。
29.s3，根据灯光强度调节对应路灯的供电参数。
30.需要说明的是，在某一实施例中，路灯基站接收云端服务器下发的光强调节指令，包括路灯id及供电参数。对光强调节指令进行解析，获得路灯id及其供电参数，根据路灯id将供电参数发到对应的路灯中，路灯中的控制器控制led灯管进行光强调节。
31.本方案通过根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度，来对应调节路灯的供电参数，能够实时根据路面的光照强度调节路灯的亮度，解决了现有的路灯根据时间调节强度，造成电力资源浪费、不够节能环保的问题。
32.优选地，在上述任意实施例中，还包括：通过深度卷积神经网络作为组件分类器；向组件分类器中输入训练集进行训练获得预设模型参数；根据预设模型参数结合组件分类器构建路灯光照强度模型。需要说明的是，预设模型参数是指在路灯光照强度模型中用关键词"parameter”限定的参数，在计算开始前需要进行赋值，是模型仿真计算依赖的数据。
33.本方案通过根据预设模型参数结合组件分类器构建的路灯光照强度模型，能够提高路灯的灯光强度与地面光强度的匹配度，在满足照明需求的同时不浪费多余的电能。
34.优选地，在上述任意实施例中，还包括：采集不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，并对采集的多个光照强度进行预处理；需要说明的是，预处理可以包括对采集的数据进行去重、明显错误数据剔除及明显缺失数据进行补充的处理。
35.通过预处理后的多个光照强度构建训练集。
36.本方案通过构建训练集训练路灯光照强度模型，并为代理模型优化迭代提供模拟训练数据。
37.优选地，在上述任意实施例中，还包括：根据不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，结合预设模型参数构建代理模型。
38.需要说明的是在某一实施例中，构建代理模型可以包括根据采集不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，结合仿真结果信息作为学习样本，构建径向基神经网络代理模型，即代理模型。
39.本方案通过代理模型能够优化迭代大量数据，减少路灯光照强度模型的运算量；代理模型实时更行模型参数，实现路灯光照强度模型的参数优化，提高模型的运算精度。
40.优选地，在上述任意实施例中，还包括：通过训练集对代理模型进行优化迭代；将迭代结果进行仿真计算；当仿真计算结果误差小于预设阈值，则迭代结果中的预设模型参数为目标模型参数；其中，预设阈值可以是根据误差计算的方差函数计算得出。
41.根据目标模型参数对路灯光照强度模型进行优化，获得优化后的路灯光照强度模型。
42.在另一实施例中，径向基神经网络的输入为参数点p、i、d,输出为参数对应的仿真结果最大超调量和调节时间。f1～fn为径向基神经网络隐含层,隐含层的传递函数为高斯函数：
，其中为输入向量x和第j个中心点的距离范数，为第j个中心点的扩展常数。为第j个中心点到底k个输出的权值。
43.每个学习样本的误差计算的方差函数：，其中，t表示学习次数，即迭代次数；o为输出向量的维数, 为输出期望值，为实际输出。学习过程利用梯度下降法确定中心点cj (cj1 ,c j2，.. .,cjp)，扩展常数 ，和权重系数。当所有样本的误差函数e(t)小于设置的误差限时，代表径向基神经网络学习完成。
44.在另一实施例中，优化迭代，其做法是基于遗传算法和代理模型进行优化迭代。包括初始化种群、计算适应度、终止判断、选择、交叉、变异。其中,每一个个体包含一组p、i、d参数组合、参数对应的最大超调量和调节时间,以及计算得到的适应度。多个个体构成了种群。其中，“计算适应度”的实现方法是将每个个体代表的参数值输入到代理模型中,由代理模型计算得到参数对应的仿真结果，代理模型的输出结果为最大超调量、调节时间。将种群中所有个体的最大超调量、调节时间分别按优劣分别量化,然后将每个个体的最大超调量、调节时间量化结果加权聚合,得到个体的适应度。其中最大超调量、调节时间越小的个体适应度值越大。
45.本方案通过对优化路灯光照强度模型计算路灯光强的过程进行改进，采用代理模型代替原模型参与优化迭代过程，从而加快了路灯光强计算的求解效率，节省了路灯光照强度模型的计算量，同时通过代理模型的动态更新出的最优参数减小了路灯光照强度模型的误差，从而能够得到高精度的参数优化结果。
46.在某一实施例中，如图2所示，一种基于路灯照明的低功耗控制系统，包括：路灯参数获取模块1101，路灯强度计算模块1102和供电调节模块1103；路灯参数获取模块1101用于获取预设位置的每个路灯的路灯参数；所述路灯参数包括：路灯位置参数和路灯对应位置的地面光强度；路灯强度计算模块1102用于根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度；供电调节模块1103用于根据灯光强度调节对应路灯的供电参数。
47.本方案通过根据每个路灯参数结合优化后的路灯光照强度模型计算出每个路灯的灯光强度，来对应调节路灯的供电参数，能够实时根据路面的光照强度调节路灯的亮度，解决了现有的路灯根据时间调节强度，造成电力资源浪费、不够节能环保的问题。
48.优选地，在上述任意实施例中，还包括：路灯光照强度模型构建模块，用于通过深度卷积神经网络作为组件分类器；向组件分类器中输入训练集进行训练获得预设模型参数；根据预设模型参数结合组件分类器构建路灯光照强度模型。
49.本方案通过根据预设模型参数结合组件分类器构建的路灯光照强度模型，能够提高路灯的灯光强度与地面光强度的匹配度，在满足照明需求的同时不浪费多余的电能。
50.优选地，在上述任意实施例中，还包括：训练集构建模块，用于采集不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，并对采集的多个光照强度进行预处理；通过预处理后的多个光照强度构建训练集。
51.本方案通过构建训练集训练路灯光照强度模型，并为代理模型优化迭代提供模拟训练数据。
52.优选地，在上述任意实施例中，还包括：代理模型构建，用于根据不同高度、不同功率、不同间距和不同光线下的路灯地面的光照强度，结合预设模型参数构建代理模型。
53.本方案通过代理模型能够优化迭代大量数据，减少路灯光照强度模型的运算量；代理模型实时更行模型参数，实现路灯光照强度模型的参数优化，提高模型的运算精度。
54.优选地，在上述任意实施例中，还包括：模型优化模块，用于通过训练集对代理模型进行优化迭代；将迭代结果进行仿真计算；当仿真计算结果误差小于预设阈值，则迭代结果中的预设模型参数为目标模型参数；根据目标模型参数对路灯光照强度模型进行优化，获得优化后的路灯光照强度模型。
55.本方案通过对优化路灯光照强度模型计算路灯光强的过程进行改进，采用代理模型代替原模型参与优化迭代过程，从而加快了路灯光强计算的求解效率，节省了路灯光照强度模型的计算量，同时通过代理模型的动态更新出的最优参数减小了路灯光照强度模型的误差，从而能够得到高精度的参数优化结果。
56.可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。
57.需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。
58.读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点
可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
59.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
60.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
61.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
62.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，randomaccessmemory）、磁碟或者光盘等各种可以存储程序代码的介质。
63.以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。