分布式部署的可调节式LED路灯智能照明控制系统及方法与流程

本发明涉及智能照明控制领域，更具体地说，本发明涉及分布式部署的可调节式led路灯智能照明控制系统及方法。

背景技术：

1、随着led照明技术的快速发展，led路灯因其节能、环保、寿命长等优点，在城市照明中得到了广泛应用。然而，目前led路灯的控制方式较为粗放，大多采用简单的定时开关控制，未充分考虑路灯之间的网络关系以及动态的环境因素，导致能源浪费，照明效果不佳。传统的路灯控制系统通常采用预设的时间表来控制路灯的开关，缺乏灵活性和适应性。它未能充分考虑不同天气条件下的照明需求差异，导致了能源浪费。

2、此外，传统的控制方式忽略了路灯之间的网络关系和互相影响。在实际的城市道路中，路灯并非孤立存在，而是形成了一个相互关联的网络。一个路灯的状态变化可能会影响到附近其他路灯的照明效果。然而，目前的控制系统缺乏对这种网络特性的考虑和建模，无法实现路灯之间的协同优化。另一个问题是，当前的路灯控制系统大多采用集中式的架构，由控制中心统一管理和调度所有的路灯节点。这种架构在路灯数量较少的情况下是可行的，但是随着城市规模的扩大和led路灯的大量部署，集中式架构的局限性日益凸显，可扩展性变差。

3、现有的路灯控制方法虽然也在不断改进，但仍存在优化空间。一些方法引入了环境传感器，根据光照强度、车流量等因素动态调节路灯亮度，但它们主要依赖于预设的规则和阈值，缺乏智能学习和适应能力，如cn117729673a。一些方法采用了无线通信技术，实现了路灯的远程管理，如cn107396522a，但它们对路灯网络拓扑的利用不足，未能发掘网络结构中蕴含的特征信息。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供分布式部署的可调节式led路灯智能照明控制系统及方法。

2、为实现上述目的，本发明提供如下技术方案：

3、分布式部署的可调节式led路灯智能照明控制方法，包括：

4、步骤s100：获取路灯的地理位置和属性信息，构建路灯网络拓扑图；

5、所述路灯网络拓扑图包括节点、路灯连接边以及边权重；

6、所述节点为led路灯；

7、所述路灯连接边表示两个路灯节点之间的连接关系；

8、所述边权重用于衡量路灯连接边的重要性；

9、步骤s200：获取时间维度信息，计算时间维度边权重；

10、步骤s300：应用图神经网络对路灯网络拓扑图和时间维度边权重进行特征提取，获得节点级特征；

11、步骤s400：获取环境因素数据，根据节点级特征、环境因素数据和预构建的路灯状态与环境预测模型，预测未来路灯状态和未来环境状态；

12、步骤s500：根据预测的未来路灯状态和未来环境状态对led路灯进行分级调控。

13、进一步地，所述步骤s100包括：

14、步骤s110，获取路灯的地理位置和属性信息；

15、步骤s120，计算路灯节点之间的地理距离；

16、步骤s130，计算路灯节点之间的功能相似性；

17、步骤s140，计算路灯节点之间的初始边权重，形成加权邻接矩阵；

18、步骤s150，划分路灯区域，采用分区策略构建网络拓扑图；

19、所述步骤s110还包括：

20、步骤s111，获取每个led路灯的经纬度坐标信息，形成路灯地理位置数据库；

21、步骤s112，获取每个路灯的唯一id编号，与地理位置数据库关联；

22、步骤s113，获取每个路灯的属性信息。

23、进一步地，所述计算路灯节点之间的地理距离的方法包括：根据路灯的经纬度坐标，使用欧氏距离公式计算任意两个路灯节点之间的地理距离；

24、所述计算路灯节点之间的功能相似性的方法包括：提取每个路灯节点的属性信息，形成节点属性向量；使用余弦相似度计算任意两个节点之间的功能相似性；

25、所述初始边权重由路灯节点之间的地理距离和功能相似性建立，并引入衰减因子，控制地理距离对边权重的影响程度；还引入功能相似性因子，控制功能相似性对边权重的影响程度。

26、进一步地，所述步骤s150包括：

27、步骤s151，根据路灯的地理位置，将路灯所在区划分为商业区、居民区和工业区；

28、步骤s152，对于不同区域的路灯，采用不同的策略来构建网络拓扑图；

29、如果路灯位于商业区，则采用商业区策略构建网络拓扑图，否则，继续判断路灯是否位于居民区；

30、如果路灯位于居民区，则采用居民区策略构建网络拓扑图，否则，继续判断路灯是否位于工业区；

31、如果路灯位于工业区，则采用工业区策略构建网络拓扑图，否则返回步骤s151，重新划分路灯区域。

32、进一步地，所述采用商业区策略构建网络拓扑图的方法包括：

33、对于任意两个路灯节点，如果它们之间的地理距离小于等于第一距离阈值，且它们的功能相似性大于等于第一相似性阈值，则在它们之间建立一条边；

34、所述采用居民区策略构建网络拓扑图的方法包括：

35、对于任意两个路灯节点，如果它们之间的地理距离小于等于第二距离阈值，且它们的功能相似性大于等于第二相似性阈值，则在它们之间建立一条边；

36、其中，第二距离阈值大于第一距离阈值；第一相似性阈值大于第二相似性阈值，且第一相似性阈值和第二相似性阈值均在0和1之间；

37、所述采用工业区策略构建网络拓扑图的方法包括：

38、根据工业设施的分布来构建网络拓扑图，对于位于同一个工业设施内的路灯节点，在它们之间建立边连接；根据设施的类型和功能，设置边权重。

39、进一步地，所述步骤s200包括：

40、步骤s210，获取路灯节点的历史数据，并进行时间序列对齐，所述历史数据包括时间段和天气；

41、步骤s220，根据不同的时间段和天气，采用不同的策略来计算时间维度边权重；

42、所述时间段包括白天和夜晚；所述天气包括晴天、雨天和雾天；

43、所述采用不同的策略来计算时间维度边权重，其中的策略包括：白天策略、夜晚策略、晴天策略、雨天/雾天策略；

44、所述时间维度边权重在计算过程中引入时间段影响因子和天气影响因子，分别控制时间段和天气状况对边权重的影响程度；

45、所述白天策略为：降低时间段影响因子，减少边权重的动态调整幅度，时间段影响因子赋值为第一时间段影响值；

46、所述夜晚策略为：提高时间段影响因子，加大边权重的动态调整幅度，时间段影响因子赋值为第二时间段影响值，其中，第二时间段影响值大于第一时间段影响值；

47、所述晴天策略为：降低天气影响因子，减少边权重的动态调整幅度，天气影响因子赋值为第一天气影响值；

48、所述雨天/雾天策略为：提高天气影响因子，加大边权重的动态调整幅度，天气影响因子赋值为第二天气影响值，其中，第二天气影响值大于第一天气影响值。

49、进一步地，所述s300包括：

50、步骤s310，选择图神经网络模型；

51、步骤s320，将路灯网络拓扑图和时间维度边权重输入到图神经网络模型中；

52、步骤s330，通过图神经网络的层次传播和聚合操作，学习节点的特征表示；

53、步骤s340，经过多层图神经网络的前向传播，得到每个节点的节点级特征。

54、进一步地，所述路灯状态与环境预测模型为时间序列预测模型；

55、所述环境因素数据包括天气预报数据、时间日期数据、交通流量数据和特殊事件数据；

56、所述路灯状态与环境预测模型的输入数据包括节点级特征和环境因素数据；

57、所述路灯状态与环境预测模型的输出数据包括未来路灯状态和未来环境状态；所述未来路灯状态为未来一段时间内的路灯状态，所述未来路灯状态包括亮度和能耗；所述未来环境状态是指未来一段时间内的环境状态，所述未来环境状态包括天气、时间段和交通流量以及特殊事件；

58、所述路灯状态与环境预测模型的构建方法包括：

59、使用滑动窗口的方式，将节点级特征和环境因素数据划分为多个输入－输出对；

60、将准备好的输入－输出对划分为训练集、验证集和测试集；使用训练集来估计模型参数，使用验证集来调优超参数、避免过拟合，使用测试集来评估模型的泛化性能。

61、进一步地，所述步骤s500包括：

62、步骤s510，设定路灯状态和环境状态的阈值条件；

63、步骤s520，根据预测的未来路灯状态和未来环境状态，以及设定的阈值条件，判断每个路灯节点的调控等级；

64、步骤s530，汇总所有路灯节点的调控等级，生成调控照明方案；

65、步骤s540，评估调控照明方案，如果不能达到预期效果，则返回步骤s510，调整阈值条件；否则将调控照明方案转化为照明控制指令，通过通信网络下发到各个路灯控制单元；

66、步骤s550，路灯控制单元执行照明控制指令；

67、步骤s560，连续监测路灯状态和环境状态的变化，定期重新预测，根据偏离情况启动闭环控制，使实际效果向预期效果持续收敛，实现自适应优化。

68、进一步地，所述路灯状态的阈值条件包括亮度阈值条件和能耗阈值条件；

69、所述环境状态的阈值条件包括天气、时间段、交通流量和特殊事件的阈值条件；

70、亮度阈值条件设定方法包括：亮度阈值分为最低亮度阈值和最高亮度阈值；当亮度低于最低亮度阈值时，亮度调控等级为2级；当亮度高于最高亮度阈值时，亮度调控等级为-2级；当亮度处于最低亮度阈值到最高亮度阈值之间时，亮度调控等级为0级，保持当前亮度不变；

71、能耗阈值条件设定方法包括：能耗阈值分为最低能耗阈值和最高能耗阈值；当能耗低于最低能耗阈值时，能耗调控等级为1级；当能耗高于最高能耗阈值时，能耗调控等级为-1级；当能耗处于最低能耗阈值到最高能耗阈值之间时，能耗调控等级为0级，保持当前功率；

72、环境状态阈值条件设定方法包括：

73、天气阈值条件设定：晴天0级，阴天1级，雨天2级，雾天3级；

74、时间段阈值条件设定：白天-1级，夜晚1级；

75、交通流量阈值条件设定：低流量-1级，中流量0级，高流量1级；

76、特殊事件阈值条件设定：无事件0级，一般事件1级，重大事件2级；

77、所述照明控制指令包括执行的路灯id编号、起止时间和调节幅度。

78、分布式部署的可调节式led路灯智能照明控制系统，其用于实现上述的分布式部署的可调节式led路灯智能照明控制方法，包括：

79、路灯网络拓扑构建模块：用于获取路灯的地理位置和属性信息，计算路灯节点之间的地理距离和功能相似性，计算边权重，划分路灯区域，最终构建出路灯网络拓扑图；

80、时间维度边权重计算模块：用于获取时间维度信息，根据不同的时间段和天气采用不同策略计算时间维度边权重；

81、图神经网络特征提取模块：将路灯网络拓扑图和时间维度边权重输入图神经网络，通过网络的层次传播和聚合操作学习每个路灯节点的特征表示；

82、路灯状态与环境预测模块：用于构建时间序列预测模型，预测未来路灯状态和未来环境状态；

83、路灯照明调控模块：用于根据预测的未来路灯状态和未来环境状态对led路灯进行分级调控；

84、所述路灯照明调控模块包括路灯控制单元，所述路灯控制单元用于接收并执行照明控制指令，以及检测led路灯的工作状态。

85、一种电子设备，包括存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序，所述中央处理器执行所述计算机程序时实现上述的分布式部署的可调节式led路灯智能照明控制方法。

86、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现上述的分布式部署的可调节式led路灯智能照明控制方法。

87、相比于现有技术，本发明的有益效果为：

88、本发明构建了路灯网络拓扑图，充分利用路灯的地理位置和属性信息，刻画网络结构特征；引入时间维度边权重，体现了网络的动态性。

89、本发明应用图神经网络对路灯网络进行深度特征提取，获得信息丰富的节点嵌入表示，为智能决策提供了高质量的输入。

90、本发明构建路灯状态与环境预测模型，考虑多种时空影响因素，实现了led路灯未来状态和环境的精准预测。

91、本发明基于未来状态、环境预测和网络特征进行智能决策，生成动态可调的照明控制策略，实现精细化管理。

92、本发明采用分布式架构设计，结合图神经网络处理时空数据的优势，使系统具有良好的可扩展性、鲁棒性和实时性。