一種基于長短期記憶神經網絡的智慧路燈控制方法

鄭 凱，林培杰，賴云鋒，程樹英，陳志聰，吳麗君

(福州大學物理與信息工程學院，福建 福州 350116)

引言

智慧路燈是完成智慧城市項目至關重要的一個因素，當前世界上的路燈數量大約有3.17億盞。但是，其中智慧路燈的數量不足5%[1, 2]。室外公共照明市場正處于變革時期，老舊的路燈會逐漸被信息化的智慧路燈取代[3]。對于智慧路燈的調光控制，需要從人本視角出發，在優先保證通行車輛和行人照明需求的情況下，盡可能地降低能源消耗[4]。通常關于智慧路燈的研究主要集中在遠程控制[5,6]，或者依據交通流量調光方向[7]。但是，雨、霧等影響能見度的天氣對道路照明效果會產生較大影響，需要在智慧路燈控制中加以考慮[8]。

通過對比7種不同色溫的LED，發現雖然高色溫的LED具有更高的光效，也更加節能，但在道路能見度降低時高色溫LED照明效果會比低色溫LED下降更為明顯[9,10]。為了解決低能見度下高色溫LED照度嚴重衰減的問題，文獻[11]開發了用于智慧城市的路燈智慧控制系統，能夠從城市的氣象站獲得氣象參數來及時調控路燈。但是，由于城市氣象站數量少、分布廣，并不能真實地反映道路的天氣狀況。為了能夠更加精準地掌握道路各部分氣象情況，文獻[12]研究了一種基于WEB管理的智慧路燈，能夠從每盞路燈上的氣象傳感器實時采集氣象數據，并及時針對特定天氣情況進行調光。但其只劃分了3 200 K與5 000 K兩種色溫，并且通過對氣象數據簡單的閾值劃分來判斷能見度情況，無法進行更精準的調光。

為了能夠更好地控制LED路燈，需要獲得道路能見度信息。而能見度儀價格昂貴，沿道路大量安裝價格成本極高，不切實際。這時就需要使用低成本氣象傳感器采集的氣象數據對能見度進行建模。由于各種氣象因子的復雜性，傳統物理模型很難對能見度進行準確的建模[13]。而神經網絡對各種非線性模型有著很好的擬合能力，因此許多研究利用神經網絡，來實現對能見度的建模[14,15]。其次，氣象環境變化是一個緩慢漸變的過程，當前時刻與過去時刻的氣象因子具有一定相關性。因此，在對能見度進行建模時，若能同時結合短期之內氣象因子的相關特征將獲得更好的效果。

長短期記憶神經網絡(Long Short-term Memory, LSTM) 作為一種經典神經網絡[16]，近些年在針對時間序列預測的問題上得到了廣泛的應用，并且取得了良好的效果[17]。因此，本研究基于LSTM網絡，首先結合多維氣象時序數據進行特征提取并結合當前時刻氣象數據建立能見度預測模型，再根據路面能見度狀況結合當前照度值，實現智慧路燈控制，使得智慧路燈進行自適應調光，同時若能見度發生異常可實現告警。

1 本文路燈控制算法介紹

1.1 氣象數據集來源以及數據預處理

實驗所需的氣象數據來自“拉斯皮撒涅波戈德”有限責任公司創辦的網站RP5.ru，以及UCI北京城區PM2.5數據集[18]。不同的氣象情況有著不同的氣象因子特征，溫度、濕度、氣壓、累積風速、露點溫度、PM2.5濃度、PM10濃度都會對判斷當前能見度情況有一定有影響[13]。

通過皮爾遜系數以及能見度與各種氣象因子的散點圖(圖1)進行相關性分析[19]，具體如式(1)。

圖1 能見度與各氣象因子散點圖：(a) PM2.5與能見度，(b)PM10與能見度，(c)濕度與能見度，(d)露點溫度與能見度，(e)累積風速與能見度，(f)氣壓與能見度，(g)溫度與能見度Fig.1 Scatter diagram of visibility and various meteorological factors: (a)PM2.5 and visibility, (b) PM10 and visibility, (c) humidity and visibility, (d) dew point temperature and visibility, (e) cumulative wind speed and visibility, (f) air pressure and visibility, (g) temperature and visibility

(1)

相關系數的大小在0.8～1.0為極強相關、0.6～0.8為強相關、0.4～0.6為中等相關、0.2～0.4為弱相關、0～0.2為極弱相關或無關，相關系數的正負表示正相關與負相關。皮爾遜相關系數反映的是變量間的線性相關性。根據表1，選擇PM2.5、PM10、濕度三個與能見度為中等相關性及以上的氣象因子。同時雖然累積風速與能見度為弱相關，但是通過分析散點圖可以發現，在累積風速較大時，能見度都在10 km以上，說明低能見度情況的發生需要穩定的大氣環境，強風會吹散降低能見度的顆粒物，累積風速與能見度存在非線性相關性，導致皮爾遜系數較低，因此建模時也考慮了累積風速[20]。最終選擇PM2.5、PM10、濕度、累積風速來作為神經網絡的輸入。

表1 氣象因子與能見度相關系數Table 1 Correlation coefficients between meteorological factors and visibility

對每個特征進行最大最小歸一化，方便后續訓練，如式(2)：

(2)

1.2 LSTM簡介

LSTM是一種特殊結構的循環神經網絡，適合對多維特征時間序列數據進行建模。氣象因子屬于時間序列數據，具有極強的時間相關性，當前的能見度情況通常與當前和過去若干時刻的氣象因子存在相關性。因此，本文結合氣象因子數據，選用LSTM對能見度進行建模。LSTM結構如圖2所示，包含三個“門”狀態，遺忘門、更新門、輸出門，分別對應圖中從左到右三個σ。三個門分別對歷史數據、當前輸入數據和當前輸出數據進行控制。

圖2 LSTM結構圖Fig.2 LSTM structure diagram

xt代表當前時刻輸入的特征數據。式(3)、(4)、(5)中的it、ft、ot分別代表更新門、遺忘門、輸出門。式(6)中gt是備選記憶細胞，經過激活函數tanh，將數據調整到[-1, 1]區間內。式(7)中Ct是記憶細胞，是由it、ft、gt和上一時刻的Ct-1共同運算得到，Ct只在LSTM神經網絡內部傳遞，并不向外輸出。ht即為單個單元的輸出，在輸出的同時也傳遞給下一個單元的輸入門進行運算[16]。

it=σ(Wiixt+bii+Whiht-1+bhi)

(3)

ft=σ(Wifxt+bif+Whfht-1+bhf)

(4)

ot=σ(Wioxt+bio+Whoht-1+bho)

(5)

gt=tanh(Wigxt+big+Whght-1+bho)

(6)

Ct=ft×Ct-1+it×gt；ht=ot×tanh(Ct)

(7)

1.3 能見度檢測算法建模

根據1.1節特征分析中的結論，選擇PM2.5、PM10、濕度、累積風速作為模型的輸入特征，能見度作為模型的輸出。在訓練過程中LSTM能夠自動提取四種氣象因子歷史數據中相互之間的關聯性，不需要進行復雜的先驗物理模型推導。LSTM的模型輸入為N×T的矩陣，N是特征維度，本研究中為4。T是時間步長，本研究中取8，即使用過去8個小時的4個氣象數據特征來建模當前能見度。LSTM模型要求當前時間步輸入一個N維特征數據，然后需要連續輸入T個時間步長的數據才進行一次反向傳播。利用滑動窗口選取，將連續時間序列數據劃分成單個步長為8的小段連續數據。

構建的神經網絡模型具有三個隱藏層：第一個隱藏層與第二個隱藏層為LSTM，輸入樣本特征維度為4，隱藏層神經元個數為32，激活函數選擇relu；第三個隱藏層為包含5個神經元的線性全連接層。損失函數選擇MSE，使用Adam算法優化LSTM網絡。

1.4 智慧路燈控制算法

智慧路燈的控制方式，需要根據當前的照度情況與能見度情況綜合判定。在白天發生能見度突然下降的情況，也需要及時開啟路燈來引導車輛。PM2.5、PM10、濕度、累積風速與照度傳感器連續采集環境信息，并通過能見度建模算法，判斷當前環境能見度，并與照度參數結合控制路燈。當照度計采集照度小于15 lx時[21]，可判斷為夜晚模式，采用夜晚的控制策略控制路燈。反之，執行白天控制策略。智慧路燈的控制流程如圖3所示。同時在智慧路燈檢測到低能見度時，把該路段所在位置上報云平臺，由云平臺發布，可以對將要行駛至該路段的車輛提供預警提示。

圖3 智慧路燈控制流程圖Fig.3 Intelligent street lamp control flow chart

2 模型評估及節能效果分析

2.1 能見度建模效果評估

使用正則化均方根誤差(NRMSE)、平均絕對誤差(MAE)以及決定系數(R2)三個性能指標作為評判模型的依據，如式(8)～式(10)所示：

(8)

(9)

(10)

總數據集的時間跨度從2013年3月1日至2014年3月1日，按7∶3的比例劃分數據集，前70%的數據作為訓練集，后30%數據作為測試集。多層感知機(Multi-layer Perceptron，MLP)[22]作為經典的機器學習算法，已經得到了廣泛的應用，在工程上經過實踐證明，對各種非線性模型有著較好的擬合能力，例如利用輻照度、溫度、太陽天頂角、風速和相對濕度的歷史數據進行訓練，從而預測光伏發電量[23]。極限梯度提升樹(eXtreme Gradient Boosting，XGBoost)[24]是基于梯度提升決策樹的一種集成學習模型，通過不斷迭代擬合殘差，提升弱分類器性能，可生成準確率較高的模型，近三年來XGBoost被廣泛應用于短期降水預測、交通流量預測等回歸建模問題[24, 25]。因此選用這兩種算法與LSTM進行建模效果對比。MLP的隱含層為6層，每層包含16個神經元。XGBoost參數為500棵決策樹，每棵樹最大深度為5。實驗模型運行10次，取測試集結果準確率的平均值進行對比，如表2所示。可以看出，在測試集上LSTM的NRMSE 為0.13194，MAE為0.69785 km，均小于XGBoost與MLP的結果。其次，LSTM獲得的R2為0.85725，相較于其他兩種算法有著更高的預測精度。這主要由于XGBoost與MLP算法不能很好地學習時間序列中前后特征的依賴關系，而LSTM通過逐步輸入數據，讓信息在神經元中依次傳遞，能夠較好地捕捉過去一段時間內濕度、PM2.5、PM10和累積風速的變化特征，并結合當前氣象數據來預測能見度，取得更好的效果。

表2 三種算法的平均性能指標對比Table 2 Average performance indicators of the three algorithms

2.2 智慧路燈節能效果評估

從測試集中隨機選取一段連續的時間作為展示，來評估路燈的照明效果與節能效果。在本研究中，為方便比較智慧路燈相對于傳統路燈的性能提升，白天與夜晚判別依據采用與傳統路燈一樣的時間判別法。

假設所研究的LED路燈單盞功率為200 W，在天氣正常、視野良好、能見度較高時，根據DIALux路燈照明仿真軟件[26]，只需要維持在70%的照度就可以達到所需的15 lx的路面照明需求。根據文獻[9]、[10]和文獻[27]，在相同能見度下，當路燈色溫不斷降低時，光線透霧率逐漸升高，透霧率和色溫高低呈負相關性。因此，我們擬定如表3和表4所示的夜間和白天的控制策略，其中當能見度下降時，路燈色溫逐漸降低，照度逐漸提升。實際情況下可根據具體路燈規格，調節不同控制等級下照度與色溫的具體數值。

表3 夜間路燈控制策略Table 3 Night street lamp control strategy

表4 白天路燈控制策略Table 4 Daytime street lamp control strategy

分別畫出路面能見度、定時路燈與智慧路燈控制曲線，如圖4所示。定時路燈的控制策略為當前實際應用中最常見的路燈控制方式，根據當前時間選擇路燈的開關狀態。對于定時路燈，由于不能進行智慧調光，為了保證低能見度下道路照明安全性，路燈照度和色溫需要依據異常天氣情況的照明標準設計，在8:00—18:00之間判斷為白天，路燈關閉；在18:00至次日8:00之間判斷為夜晚，路燈開啟。路燈照度選擇100%，色溫選擇4 500 K。從圖4中可以看出，對于傳統定時路燈，由于不能進行自適應調光，為了滿足異常天氣、低能見度時的道路照明需求，傳統路燈在工作時間內不論天氣情況，需要一直維持在100%照度的高亮度工作模式，造成性能過剩。與此同時，在非定時工作時間內如果出現了惡劣天氣，能見度下降，路燈也不能及時點亮，影響了道路交通安全。而使用本控制方法的智慧路燈在天氣正常、視野良好、能見度較高時，智慧路燈只需以70%的功率運行，就可滿足路面達到15 lx的照明需求[21]。一旦出現異常天氣能見度降低時，智慧路燈能夠自動做出響應，調高亮度、降低色溫，增強路燈光線的穿透能力，使得路面照度依舊滿足需求。一旦識別到低能見度天氣，在白天傳統路燈無法工作的時段，智慧路燈也能運行。本文的控制方法在節約能源的同時，還保障了路面交通安全。

圖4 路燈照明效果對比Fig.4 Comparison of street lamp effects

根據中間視覺模型，不同色溫的路燈具有不同的照度效果，在計算時需要引入照度修正系數[28]。計算式如式(11)，式中P為路燈最大功率，n為照明時長，α為調光等級，β為照度修正系數，見表5[29]。

表5 路燈照度修正系數Table 5 Street lamp illuminance correction factor

(11)

統計圖4展示時間段內的定時路燈照明時間與智慧路燈照明時間，以路燈亮度百分比作為功率節約系數，可算得一盞智慧路燈在2013年12月14日至12月24日內的功耗Po為21.36 kW；在該時間段內，一盞定時控制路燈能耗Po為26.44 kW，相比之下一盞智慧路燈10天內可節能5.08 kW，能耗降低：

(26.44-21.36)/26.44×100%=19%

由于在低能見度情況下使用了更低色溫的照明模式，光線穿透力更強，路面交通安全性也得到了提升。

3 結語

為了電力能源節約以及滿足突發的低能見度情況下的道路照明需求，本文提出了一種可以根據當前道路能見度狀況自動調節照度與色溫的智慧路燈控制方法，在滿足道路照明需求的情況下，盡可能降低能耗，同時兼顧安全性與節能性。該路燈無需安裝高成本的能見度儀，而是采用了低成本氣象傳感器采集氣象因子數據。利用氣象因子數據，使用長短期記憶神經網絡構建道路能見度預測模型。本文所采用LSTM模型獲得能見度預測值與真實值之間的NRMSE為0.13194、MAE為0.69785 km、R2為0.85725，比起MLP與XGBoost所搭建的模型預測誤差更小，同時預測精度更高。進而，根據透霧率和路燈色溫高低呈負相關性，結合所獲得的能見度等級與環境光照度，本方法進行自適應調光實現智慧路燈控制。通過設置仿真實驗，相對于傳統定時控制路燈，本方法所研究的智慧路燈在仿真時段內節約了19%的功率消耗。