基于最小二乘支持向量机的城市路灯开关时间预测

郑维宏　黄本雄　王　非

(1.福建星网锐捷通讯股份有限公司　福州　350002)(2.华中科技大学电信学院　武汉　430074)

基于最小二乘支持向量机的城市路灯开关时间预测

郑维宏1黄本雄2王非2

(1.福建星网锐捷通讯股份有限公司福州350002)(2.华中科技大学电信学院武汉430074)

摘要路灯照明是城市基本公共设施不可或缺的元素。近年来,城市路灯每年以10%～20%的速度增长。现有的城市路灯开关控制大多是根据模板表定时触发,在正常天气时能满足照明需求,但经常早晨关灯晚,晚上开灯早,造成能源的浪费;在恶劣天气时不能自动提早开灯或延迟关灯,需要工作人员手动下发开关灯命令,但路灯完全点亮需要10～15分钟,而这时天空已经变得很暗,严重影响市民的正常生活,甚至可能造成交通事故。本文结合现有路灯开关控制的不足,提出将基于最小二乘支持向量机的预测应用到路灯开关控制中,提前得到未来的开关灯时间,不仅为路灯控制提供一定的决策支持,也能节约能源。

关键词路灯开关控制; 预测; 小样本; 最小二乘支持向量机

Class NumberTN715

1引言

路灯照明在市民出行、社会秩序和交通安全中处于特别重要的位置。根据英国的大范围考察表明,良好的路灯照明,能大量减少夜晚交通意外的发生[1]。经常有报道称因路灯不亮引起行人掉入下水道或司机翻车等事故[1]。路灯的首要目的是照明,保障市民的正常、安全出行。

由于社会的快速发展,能源问题早已是全世界面对的严重危机,也引起越来越多人的注意[2]。近年来城市路灯得到快速发展,普通地市级都已拥有几万盏路灯[3]。国内电力生产总值的10%～20%消耗在照明上,而照明用电中的30%是城市路灯照明[4]。国家能源局发布2014年全社会用电量为55,233亿千瓦时,城市路灯若按每天平均照明12小时,则每分钟大约消耗2.3亿千瓦时,折合标准煤为8.12万吨,排放二氧化碳超过20.31万吨。

目前,路灯控制方式主要采取以下几种:

1) 定时控制:依据城市的地理位置,参考天文台提供的“民用晨昏蒙影时刻”,并依照道路照明标准的规定,采用科学的手段计算出“整年的路灯开关时间表”,每天定时控制路灯[5～6]。这种方式在正常天气时,通常会早晨关灯晚,晚上开灯早,造成能源的浪费;在傍晚或清晨出现异常天气如雨雪雾等,会提早天黑或推后天亮,可是路灯却无法预先自动开启或延后关闭,然而此时经常是上下班高峰时间,无法满足照明的需求,给市民的正常出行造成不便,甚至可能导致交通事故[7]。这种方式缺乏科学性,不助于路灯的科学化管理,另外城市面积大,有时各地区的光照有很大的区别,有时东边还是万里晴空而西边却已经阴云密布了。

2) 光感控制:根据光照的强弱决定路灯是否开启,不用人工调整,但若遇到粉尘多、闪电、汽车灯光、落叶等,就易误导传感器,使信号不准确,造成误开关灯,不仅会浪费能源,而且频繁开关会损坏灯具[8～9]。

由此可以得出,现有的路灯开关存在的问题:不能合理科学地设置开关灯时间,根据“整年开关时间模版表”自动控制路灯开关,在正常天气时,通常早晨关灯晚,晚上开灯早,造成能源的浪费;在异常天气时,不能根据具体天气提前开灯或延迟关灯,手动下发开灯命令,因路灯整个启动周期长,故当路灯完全点亮时,天空亮度已较低,给市民的出行生活带来不便,更严重的可能会造成交通事故。

针对现有路灯开关控制存在的能源浪费和异常天气不能延迟关灯或提前开灯等情况,本文提出将预测应用到路灯开关控制中,提前就预测出未来的开关灯时间,而且能节约能源,若全国城市路灯节省照明1分钟,每年大约就能节省电能2.3亿千瓦时。

本实验因通讯故障、设备检修等原因,造成历史样本数据较少。统计模型、神经网络、非参数回归都适用于样本数较多的环境,当样本数较少时,其效果不佳;路灯开关时间并不具有指数增长的趋势,故灰色理论也并不适合;专家系统需要拥有路灯开关灯时间这方面的知识和经验,但本实验环境也不满足;GA通常用于寻找最优参数中,且随机性大。时间序列预测法是针对的情况依据时间排序且要求连续的指标数值进行预测,但本实验中由于设备故障,采集的数据并不是时间连续的,有时甚至连续丢失一个月的数据,故时间序列法也不合适本实验需求。

支持向量机适用于小样本、非线性,符合本实验数据的特征,最小二乘支持向量机是在支持向量机上的改进,计算复杂度更小,参数更少,优化更简单,故本文选择最小二乘支持向量机来进行建模训练。

2最小二乘支持向量机的基本理论

f(x)=w·Φ(x)+b

(1)

其中,w是权值向量,b是偏置值。

按结构最小化原则,LSSVM优化目的可表示成:

(2)

其中,e∈RN×1为误差向量,e=(y-f(x))2,C为惩罚参数,且C>0,控制对误差的惩罚程度。引入拉格朗日函数:

L(w,b,e,α)=Q(w,b,e)

(3)

α表示拉格朗日乘子。由KKT条件得

(4)

对于上式,消去w和ei,得到下面的方程组:

(5)

其中,

(6)

根据Mercer条件,令Ω=ZZT,利用核函数K(xi,xj)=Φ(xi)TΦ(xj)得,

Ωij=Φ(xi)TΦ(xj)=K(xi,xj)

(7)

故LSSVM的优化问题就转变成求得上述方程组的解,且该方程组可以用最小二乘的方法计算,得到LSSVM的回归函数为

(8)

其中

(9)

3基于最小二乘支持向量机的路灯开关时间预测方法

3.1路灯开关时间的影响因素

路灯开关时间是依据光照度数值来决定的,不同道路有不同的标准。光照主要受季节和天气等因素的影响。

1) 季节因素:图1表示了不同季节光照度的不同变化趋势,为了说明方便,一年四季每季各选了一天的光照度变化情况。可以明显看出,夏季日照时间长,日出时间早,日落时间晚,光照度最先开始逐渐变大,最晚开始逐渐变小。

图1　不同季节的光照度变化对比

2) 天气因素:图2展示了同月不同天气的光照度变化曲线,这里只选取了三种天气:晴天、多云、阴天。图2(a)表示上升变化情况,图2(b)表示下降变化情况,可以看出即使在同一个月,不同气象下光照度的变化情况是不一样的,晴天光照度下降速率最快。并且可看到阴天的光照度曲线有多个波峰波谷点,可见天气变化多端对光照度数值影响很大。

通过实验得出天气的数值映射不同,预测误差不同,通过分析历史样本数据中天气与光照度的关系以及相关资料分析,本文采用的是按晴空指数的单调变化进行数值映射。

图2　同月不同天气的光照度变化对比

3.2预测模型结构

给定样本对{Xt,Yt},t=1,2,…,N,利用训练样本对LSSVM训练得到回归函数为

Yt=∑αiK(Xi,Xt)+b

(10)

由前面的分析可知,影响路灯开灯时间的影响因素有月份M,日落时间ST,气象W,光照度变化趋势TE,故

X={M,ST,W,TE}

(11)

气象信息包含很多种:云量Cloud、温度变化Temp、天气状况Con、湿度变化Humi、风向Wind、风速WS、PM2.5等,即

W={Cloud,Temp,Con,Humi,Wind,WS,PM}

(12)

3.3数据准备

1) 数据归一化:通过式(13)将样本数据归一到[0,1],将不同分量的数据处在相同的数量级上。

(13)

2) 输入变量的选择:影响光照度变化的因素很多,通过相关度分析,确定最高温度Tmax、最低温度Tmin、天气状况Con、日落时间ST为模型的输入变量,开灯时间为模型的输出变量。

3.4核函数的选择

在使用LSSVM时需要把原来的非线性低维空间通过核函数转变到高维的线性空间,核函数不同导致构造的学习机不同。

核函数主要可分为两类:局部和全局。局部核函数拟合能力强、泛化性能弱,典型的为RBF;全局核函数泛化能力强、拟合能力弱,典型的有线性。故为了弥补单一核函数存在的不足,本文选择RBF和线性组成混合核函数。

Kmix=pKRBF+(1-p)Klin(0

(14)

其中p用来调节RBF和线性对混合核函数的影响。

选择不同核函数时模型的预测平均相对误差的箱形图如图3所示。可以看出在本实验中,ploy和lin的四分位间距明显高很多,RBF和混合的四分位间距的高度基本相同,但是混合核函数的位置偏下,故可看出混合核函数的性能最优。在本文中,通过实验对比,p取0.5。

图3　不同核函数预测的相对误差的箱形图

3.5模型参数的优化

故有两个参数:惩罚因子C、RBF核函数的宽度σ2。网格搜索法的优势就是能够同时确定参数的最优值。交叉验证法在使用中要求较多的样本数据,而本文因样本数据少,故选择的是网格搜索法。

3.6开关灯时间预测步骤

利用LSSVM建立的回归模型对每天的路灯开关时间进行回归拟合。算法的流程如图4所示。

图4　模型整体流程

Step1:分析实验背景,选取对待预测的指标有重要影响因素的变量,为了简化计算的复杂度和提高模型的精度,对各因素执行相关性分析,选取与输出关联性大的作为模型的输入;

Step2:样本数据(包括气象数据、光照度数据和日落时间数据)的预处理,删除不满足条件的异常数据,平滑噪声,然后形成训练和测试样本集;

Step3:选择RBF和线性组成的混合核函数,利用网格搜索法决定学习机的运行参数,建立LSSVM的预测模型;

Step4:利用样本数据训练LSSVM模型;

Step5:利用测试数据实行推广性能实验。

4算例分析

下面利用某城市的历史光照数据以及中国天气网的气象数据进行模型训练,样本数据集共为178天记录,且时间跨度为1年,故样本数据分布散。本文选用其80%数据进行训练,剩下20%数据进行预测,将预测所得结果与真实数据进行对比。

图5显示了预测效果,a、c、d是仅仅根据日落时间、中国天气网预报的最高温、最低温、天气状况进行模型训练后得到的预测效果,b是在此基础上增加光照度到达200lux时的时间点参与训练。可以得出SVM在小样本预测中的效果比神经网络要好,神经网络易产生局部最优值,且经常出现“过学习”,导致训练误差小而预测误差大。LSSVM是对SVM的扩展,预测精度比SVM稍好。加上光照度趋势后预测效果更好。

图5　预测效果箱形图

5结语

根据的路灯控制存在的问题,本文将预测引入到路灯开关控制中,提前就预测出未来的路灯开关时间,为路灯控制提供了一种决策支持,且能节约能源。相比日落就开灯,根据本文的预测算法,每盏路灯平均每天能节约7分33秒的照明时间,全国每年大约能节约17.26亿千瓦时。并且可以根据不同的区域,训练模型得到对应区域的开关灯时间,不必全城统一开关,保证道路照明的合理性。

因实验数据的小样本特性,选用最小二乘支持向量机进行模型训练,结果样本特点,提出了天气的数值化映射、模型的建立、核函数的选择和参数的优化。

参 考 文 献

[1] 张华.从城市整体环境出发确立城市照明统一管理体制[J].道路照明,2004,8(3):34-38.

ZHANG Hua. Departure from the city to establish the overall environment of urban lighting unified management system[J]. City Lighting,2004,8(3):34-38.

[2] 冯玉如.城市LED道路照明的二次节能技术及其集控管理系统[J].自动化应用与技术,2010,29(5):118-122.

FENG Yuru. The Technology of Secondary Energy Conservation for Urban LED Road Lighting and its Centralized Control Management System[J]. Techniques of Automation and Applications,2010,29(5):118-122.

[3] 张惠玲,王晓雯.城市道路照明设置与节能探讨[J].重庆交通大学学报(自然科学版),2007,16(10):106-109.

ZHANG Huiling, WANG Xiaowen. Discussion on Setting and Energy Saving of the Urban Road Lighting[J]. Journal of Chongqing Jiaotong University(Natural Science),2007,16(10):106-109.

[4] 于书敏,贾存良.路灯节能智能控制器的设计[J].照明工程,2009,20(4):78-82.

YU Shumin, JIA Cunliang. Design of Energy Economizer of Intelligent Street Lamp[J]. Journal of Illuminating Engineering,2009,20(4):78-82.

[5] 左国良.定时控制的路灯调节光能延寿电路[J].智能建筑电气技术,2009,3(2):53-57.

ZUO Guoliang. Timing Controlled Energy Saving and Prolonging Circuit for Streetlights[J]. Electrical Technology of Intelligent Buildings,2009,3(2):53-57.

[6] Joshi M, Madri R, Sonawance S, et al. Time Based Intensity Control for Energy Optimization Used for Street Lighting[C]//India Educators’ Conference(TIIEC),2013:211-215.

[7] 景春国,何荣富,舒冬梅.异常天气城市路灯照明控制策略[J].电力系统自动化,2006,30(20):81-83.

JING Chunguo, HE Rongfu, SHU Dongmei. Urban Streetlight Illumination Control Strategy in Bad Weather[J]. Automation of Electric Power Systems,2006,30(20):81-83.

[8] Pandhatipande A, Caicedo D, Xiangyu Wang. Sensor-Driven Wireless Lighting Control: System Solutions and Services for Intelligent Buildings[J]. Sensors Journal, IEEE,2014:4207-4215.

[9] Huang Yong. Research of Real-Time Optical Intensity Sensing System with Wireless Sensor Network[C]//Wireless Communications, Networking and Mobile Computing(WiCOM),2011:1-3.

[10] 刘京礼.鲁棒最小二乘支持向量机研究与应用[M].北京:经济管理出版社,2012:1-10.

LIU Jinli. Robust LSSVM Research and Application[M]. Beijing: Economic Management Publishing House,2012:1-10.

Urban Lights On/Off Time Prediction Based on Least Squares Support Vecter Machinee

ZHEN Weihong1HUANG Benxiong2WANG Fei2

(1. Fujian Star-net Communication Co., Ltd, Fuzhou350002)(2. School of EIC, Huazhong University of Science and Technology, Wuhan430074)

AbstractIn recent years, street light is an important part of urban infrastructure, play an important role in traffic safety, public order and the public life of the city. The number of city lamps cause 10-20 percent of growth rate annual. Existing street light switch time based on the template, in normal weather could meet the lighting needs, but resulting a waste of energy. It couldn’t automatically turn on the lights in advance or delay in inclement weather and may cause travel inconvenience. Combined with lack of existing street switch, this paper proposes put prediction into street light switch time, that not only can provide support for street lamp control, but also can save energy.

Key Wordsstreet light control, prediction, small sample, least squares support vector machine

收稿日期:2015年12月7日,修回日期:2016年1月30日

作者简介:郑维宏,男,高级工程师,研究方向:通信、物联网及其应用。黄本雄,男,博士,教授,博士生导师,研究方向:通信与信息系统。王非,男,博士,副教授,研究方向:通信与信息系统。

中图分类号TN715

DOI:10.3969/j.issn.1672-9722.2016.06.009