Цель настоящего исследования заключается в решении актуальной проблемы снижения энергопотребления при поддержании необходимого уровня визуального комфорта всех пользователей уличным освещением за счёт внедрения системы управления. Для этого предлагается модель автоматического управления уличными светильниками, разработанная на основе глубокого обучения. В модели используются датчики для сбора данных о температуре, влажности, давлении воздуха и туманности, данные от которых используются для настройки необходимого уровня фоновой освещённости, создаваемого ОУ уличного освещения. Для прогнозирования текущего уровня фоновой освещённости, создаваемого уличными ОП, используется сеть кратковременной памяти с глубоким обучением, а для оптимизации параметров сети применяется китовый алгоритм. Используя window фильтр и одномерную фильтрацию Калмана для фильтрации прогнозируемых данных необходимого значения освещённости, прогнозируемые значения освещённости после фильтрации сравниваются с ожидаемыми значениями. Диммирование ОП осуществляется с помощью дискретизированного ПИД-регулятора. Результаты эксперимента показали, что предлагаемая модель эффективная для управления уличным освещением, а также обладает высоким потенциалом энергосбережения.
1. Cheng, C.A., Wu, H.C. A cost-effective electronic lighting driver with high- powerfactor and soft-switching for supplying a led street-light lamp // International Transactions on Electrical Energy Systems, 2021, Vol. 31, # 3, pp. e12801.1‑e12801.16.
2. Liu, Y., Dong, Y., Zhu, T., Ma, D., Proppe, A., Chen, B., Zheng, C., Hou, Y., Lee, S., Sun, B., Jung, E.H. Bright and stable light-emitting diodes based on perovskite quantum dots in perovskite matrix // Journal of the American Chemical Society, 2021, Vol. 143, # 38, pp. 15606–15615.
3. Li, X., Chen, J., Liu, Z., Deng, Z., Huang, Q., Huang, J., Guo, W. (Ce, Gd): YAG-Al2O3 composite ceramics for high-brightness yellow light-emitting diode applications // Journal of the European Ceramic Society, 2020, Vol. 2, # 3, pp. 1121–1131.
4. Hung, L.W., Anderson, S.J., Pipkin, A., Fristrup, K. Changes in night sky brightness after a countywide led retrofit // Journal of Environmental Management, 2021, Vol. 292, # 12, 112776 p.
5. Kotulski, L., Basiura, A., Wojnicki, I., Siuchta, S. Lighting system modernization as a source of green energy // Energies, 2021, Vol. 14, # 10, 2771 p.
6. Portnov, B.A., Saad, R., Trop, T. Interactive scenario-based assessment approach of urban street lighting and its application to estimating energy saving benefits // Energies, 2021, Vol. 14, # 2, pp. 378.
7. Ernst, S., Kotulski, L., Lerch, T., Rad, M., Wojnicki, I. Application of reactive power compensation algorithm for large-scale street lighting // Journal of Computational Science, 2021, Vol. 51, pp. 101338.1–101338.8.
8. Tukymbekov, D., Saymbetov, A., Nurgaliyev, M., Kuttybay, N., Dosymbetova, G., Svanbayev, Y. Intelligent autonomous street lighting system based on weather forecast using lstm // Energy, 2021, Vol. 231, pp. 120902.1–120902.13.
9. Yoomak, S., Ngaopitakkul, A. Development of sustainable nanogrid road lighting systems // IEEE Transactions on Intelligent Transportation Systems, 2020, Vol. 22, # 11, pp. 6682–6699.
10. Li, H., Wang, X., Zhang, K., Wu, S., Li, L. A neural network-based approach for the detection of heavy precipitation using GNSS observations and surface meteorological data // Journal of Atmospheric and Solar-Terrestrial Physics, 2021, Vol. 225, # 1, 105763 p.
11. Abbas, H.A. A new adaptive deep neural network controller based on sparse auto-encoder for the antilock bracking system systems subject to high constraints // Asian Journal of Control, 2021, Vol. 23, # 5, pp. 2145–2156.
12. Kim, J.M., Ha, I.D. Deep learning-based residual control chart for count data // Quality Engineering, 2022, Vol. 34, # 3, pp. 370–381.
13. Yu, Y., Zhang, M. Control chart recognition based on the parallel model of CNN and LSTM with GA optimization // Expert Systems with Applications, 2021, Vol. 185, pp. 115689.1–115689.14.
14. Gupta, S., Nguyen, D., Rana, S., Venkatesh, S., Kuttichira, D.P. Verification of integrity of deployed deep learning models using Bayesian optimization // Knowledge-Based Systems, 2022, Vol. 241, pp. 108238.1–108238.12.
15. Liu, Y., Li, D., Wan, S., Wang, F. Qi, L. A long short‐term memory‐based model for greenhouse climate prediction // International Journal of Intelligent Systems, 2021, Vol. 37, # 1, pp. 135–151.
16. Hassanein, W.S., Ahmed, M.M., Mosaad, M.I., Abu-Siada, A. Estimation of transmission line parameters using voltage-current measurements and whale optimization algorithm // Energies, 2021, Vol. 14, # 11, 3239 p.
17. Muller, M., Hagg, A., Strickstrock, R., Hülsmann, M., Asteroth, A., Kirschner, K. N., Reith, D. Determining lennard-jones parameters using multiscale target data through presampling-enhanced, surrogate-assisted global optimization // Journal of Chemical Information and Modeling, 2023, Vol. 63, # 7, pp. 1872–1881.
18. Ai, M., Wang, P. Ma, W. Research and application of smart streetlamp based on fuzzy control method // Procedia Computer Science, 2021, Vol. 183, # 4, pp. 341–348.
19. Yan, J. J., Wang, Z. Error Correction Method for Vector Sensor in Street Lamp Energy Saving Control System // Computer Simulation, 2021, Vol. 38, # 1, pp. 256–260.
20. Niu, Z.J., Zhang, P., Cui, Y., Zhang, Jun., Z. PID control of an omnidirectional mobile platform based on an RBF neural network controller // Industrial Robot, 2022, Vol. 49, # 1, pp. 65–75.

• Предыдущая статья
• Следующая статья

• глубокое обучение
• автоматическое управление уличным освещением
• долговременная и кратковременная память
• диммирование
• ПИД-регулятор