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。为了进行这种管理，该架构融合了各种人工智能（AI）技术和人工神经网络（ANN），多智能体系统（MAS），EM算法，基于方差分析的方法和服务Ori-实施方法（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。
1介绍
智能城市的概念在基于技术的项目中越来越普遍。平衡环境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。在智慧城市概念下开发的系统的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。
镇和市议会成员必须考虑的最大费用之一是照明法案。根据IDAE[16]，2010年西班牙约有4,80 0,0 0 0个光点，平均功率为180W，年使用量为4200h。代表3630GWh/年的电力消耗，这种用法被认为是过度的。外部照明装置的技术进步及其智能使用将使我们能够减少整体消费。
这项研究是萨拉曼卡大学BISITE（生物信息学，智能系统和技术教育）研究小组的一个更大项目的一部分，该研究小组将建立一个系统，可以按照顺序集中控制和智能管理街道照明降低照明成本并保持照明区域的最大视觉舒适度。这将有助于避免对区域的过度照明，因为通常不需要保持最大光强度以提供最佳服务。
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，其中包括一个带有特定硬件的五个灯具的便携式安装。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，优化几乎实时控制和监视每个设施和灯具的能力。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安装，而与每个安装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安装的照明时间表，消耗和预测。为了我们的研究目的，轻计划被定义为每小时提供的每个安装的光输出水平。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点的适当亮度级别，就必须能够制定这个亮点计划。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。
文章的结构如下：第2节介绍智能城市和光控领域的项目和研究的最新进展情况，展示该领域最常用的技术，并将这些技术与所提出的系统进行比较。第3节介绍了所提出的系统，操作和所用技术的细节。第4节描述了为系统验证而开发的案例研究，最后，第5节提供了一些结果和这项工作的结论。
2背景
智慧城市，智能环境或智能家居[14]的概念在我们的社会中仍然正在出现。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，互联和高效-其中包括行政管理，教育，医疗保健，公共安全，房地产，交通和公用事业。”[23]。显然，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]。
在与能源效率有关的领域内，全球越来越多的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。他将蓄能电池用于建筑物，街道照明和电气运输，推广使用电动汽车等。另一个例子是智慧城市巴利亚多利德-帕伦西亚，两个城市之间的合资企业，其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，本研究包括安装和控制分布式照明系统，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。
[24]中的作者采用形式化方法来设计图形模型，并配以各种控制手段，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]或仿真算法[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，而不管所使用的特定系统如何，并且允许智能管理，优化消耗及其相关成本。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。
图1.主要系统组件
该体系结构已成功通过测试和验证，并且今天仍在开发中。以下部分描述架构中使用的操作和技术以及当前获得的结果。
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相关的信息，天气数据以及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应用程序提供访问所有功能的功能，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。还有一些特定的情况，系统应该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。灯光配置是指根据与一天中的每个时间关联的亮度级别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
图2.照明工作流程程序
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程序设定灯光设计。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，我们着手观察不同的环境因素，这些因素可能会影响确定特定区域的适当照明，如流量或行人交通，或影响环境光线水平的天气状况，特别是在日出和日落时分附近。
图3.来自方差分析的数据表
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。观察两种不同的工作流程是可能的，这两种工作流程对应于在给定时间段内产生光图案的过程。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模式完成期间花费在照明账单上的最大数额。
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]进行分类，以确定一周中的哪一天模式根据一天中不同的小时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，该过程主要遵循基于EM技术之后每个组日的生成簇的比例调整照明水平的简单过程。 上分支应用建立最大流量时要遵循的逻辑。 最后一个分支所遵循的步骤主要集中在照明的最佳分布以及系统必须在具有类似环境特性的情景中提供相同光照水平的特定时间。 分配数量根据小时费率（无论有没有时间限制），可能影响照明需求的夜间小时数以及基于交通和人流的群组比例等特征进行。
这两个分支根据使用ANOVA技术生成的天数组获得不同的光模式。流程图中的倒数第二步包括预测完成的照明设计的成本，其在具有最大支出的分支的情况下将与 取决于所使用的支出估算技术的小误差。支出估算由一个神经网络MLP（多层感知器）[15,7]执行，该神经网络预测功率水平与流明的函数关系，并且用每种设备中使用的灯具类型的历史数据进行训练。
3.2时间的分类和聚类
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之间的相似性。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。方差分析管理的信息如图3所示。值yijk是在周y中的间隔i和j中检测到的人数以及重复k。在同一天的不同周内重复测量。
回归模型由以下定义：
（1）
观察到的F可以根据（2）计算以确定方差分析中关系的相关性。
（2）
（3）
(4)
一旦Falpha;beta;Fbeta;被计算出来，就有可能确定一个特定的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，执行假设H0的对比：（alpha;beta;）ij=0forall;ij。当H0被拒绝时定义对比的统计量，这导致天和时隙之间的差异。
（5）
为了确定特定的日子是否影响模型，有必要执行对比度H0:beta;j= 0forall;j。对比的统计量定义为拒绝H0，因此（5）两天之间存在差异。
（6）
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，当它被拒绝时，会创建一个新的组，如（7）所示。
(7）
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。
对于每个被识别的组gi，基于考虑的时隙和观察到的人流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的人数和分配给组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，我们使用了一个MLP神经网络，它将训练过程中的偏差结合起来。隐藏层中的神经元数量为7，激活函数为S形。隐藏层和输出层神经元的权重与[18]或以前的工作[10]中使用的相对应。
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时间中最大E T的分布，首先需要计算最小消费量Emin到最小亮度Lmin。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
全文共11048字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[10832]，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。
