目前,LED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LED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LED路灯的能耗。
重庆路灯厂黄昏时分的自然光照强度缓慢变弱
目前,LED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LED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LED路灯的能耗。
重庆路灯厂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LED路灯光照逐渐变强,从而保持整体光照程度(LED路灯光照与自然光照之和)不变,即充分利用自然光照补偿LED路灯,可以减少LED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LED驱动电压的模型,从而实现LED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LED驱动电压均成非线性关系,建模不易。
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。它可通过构建基于神经网络的光照强度测量逆模型(即LED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LED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。实验发现,LED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)。利用LED路灯光照测量系统的这种先验知识,构成基于神经网络LED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。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)LED光照强度控制方法,以完成黄昏时分LED路灯光照自适应调节,实现LED路灯的进一步节能。
http://www.cqhrzm.cn/