鄭維宏　黃本雄　王　非

(1.福建星網銳捷通訊股份有限公司　福州　350002)(2.華中科技大學電信學院　武漢　430074)

基于最小二乘支持向量機的城市路燈開關時間預測

鄭維宏1黃本雄2王非2

(1.福建星網銳捷通訊股份有限公司福州350002)(2.華中科技大學電信學院武漢430074)

摘要路燈照明是城市基本公共設施不可或缺的元素。近年來,城市路燈每年以10%～20%的速度增長?，F有的城市路燈開關控制大多是根據模板表定時觸發(fā),在正常天氣時能滿足照明需求,但經常早晨關燈晚,晚上開燈早,造成能源的浪費;在惡劣天氣時不能自動提早開燈或延遲關燈,需要工作人員手動下發(fā)開關燈命令,但路燈完全點亮需要10～15分鐘,而這時天空已經變得很暗,嚴重影響市民的正常生活,甚至可能造成交通事故。本文結合現有路燈開關控制的不足,提出將基于最小二乘支持向量機的預測應用到路燈開關控制中,提前得到未來的開關燈時間,不僅為路燈控制提供一定的決策支持,也能節(jié)約能源。

關鍵詞路燈開關控制; 預測; 小樣本; 最小二乘支持向量機

Class NumberTN715

1引言

路燈照明在市民出行、社會秩序和交通安全中處于特別重要的位置。根據英國的大范圍考察表明,良好的路燈照明,能大量減少夜晚交通意外的發(fā)生[1]。經常有報道稱因路燈不亮引起行人掉入下水道或司機翻車等事故[1]。路燈的首要目的是照明,保障市民的正常、安全出行。

由于社會的快速發(fā)展,能源問題早已是全世界面對的嚴重危機,也引起越來越多人的注意[2]。近年來城市路燈得到快速發(fā)展,普通地市級都已擁有幾萬盞路燈[3]。國內電力生產總值的10%～20%消耗在照明上,而照明用電中的30%是城市路燈照明[4]。國家能源局發(fā)布2014年全社會用電量為55,233億千瓦時,城市路燈若按每天平均照明12小時,則每分鐘大約消耗2.3億千瓦時,折合標準煤為8.12萬噸,排放二氧化碳超過20.31萬噸。

目前,路燈控制方式主要采取以下幾種:

1) 定時控制:依據城市的地理位置,參考天文臺提供的“民用晨昏蒙影時刻”,并依照道路照明標準的規(guī)定,采用科學的手段計算出“整年的路燈開關時間表”,每天定時控制路燈[5～6]。這種方式在正常天氣時,通常會早晨關燈晚,晚上開燈早,造成能源的浪費;在傍晚或清晨出現異常天氣如雨雪霧等,會提早天黑或推后天亮,可是路燈卻無法預先自動開啟或延后關閉,然而此時經常是上下班高峰時間,無法滿足照明的需求,給市民的正常出行造成不便,甚至可能導致交通事故[7]。這種方式缺乏科學性,不助于路燈的科學化管理,另外城市面積大,有時各地區(qū)的光照有很大的區(qū)別,有時東邊還是萬里晴空而西邊卻已經陰云密布了。

2) 光感控制:根據光照的強弱決定路燈是否開啟,不用人工調整,但若遇到粉塵多、閃電、汽車燈光、落葉等,就易誤導傳感器,使信號不準確,造成誤開關燈,不僅會浪費能源,而且頻繁開關會損壞燈具[8～9]。

由此可以得出,現有的路燈開關存在的問題:不能合理科學地設置開關燈時間,根據“整年開關時間模版表”自動控制路燈開關,在正常天氣時,通常早晨關燈晚,晚上開燈早,造成能源的浪費;在異常天氣時,不能根據具體天氣提前開燈或延遲關燈,手動下發(fā)開燈命令,因路燈整個啟動周期長,故當路燈完全點亮時,天空亮度已較低,給市民的出行生活帶來不便,更嚴重的可能會造成交通事故。

針對現有路燈開關控制存在的能源浪費和異常天氣不能延遲關燈或提前開燈等情況,本文提出將預測應用到路燈開關控制中,提前就預測出未來的開關燈時間,而且能節(jié)約能源,若全國城市路燈節(jié)省照明1分鐘,每年大約就能節(jié)省電能2.3億千瓦時。

本實驗因通訊故障、設備檢修等原因,造成歷史樣本數據較少。統(tǒng)計模型、神經網絡、非參數回歸都適用于樣本數較多的環(huán)境,當樣本數較少時,其效果不佳;路燈開關時間并不具有指數增長的趨勢,故灰色理論也并不適合;專家系統(tǒng)需要擁有路燈開關燈時間這方面的知識和經驗,但本實驗環(huán)境也不滿足;GA通常用于尋找最優(yōu)參數中,且隨機性大。時間序列預測法是針對的情況依據時間排序且要求連續(xù)的指標數值進行預測,但本實驗中由于設備故障,采集的數據并不是時間連續(xù)的,有時甚至連續(xù)丟失一個月的數據,故時間序列法也不合適本實驗需求。

支持向量機適用于小樣本、非線性,符合本實驗數據的特征,最小二乘支持向量機是在支持向量機上的改進,計算復雜度更小,參數更少,優(yōu)化更簡單,故本文選擇最小二乘支持向量機來進行建模訓練。

2最小二乘支持向量機的基本理論

f(x)=w·Φ(x)+b

(1)

其中,w是權值向量,b是偏置值。

按結構最小化原則,LSSVM優(yōu)化目的可表示成:

(2)

其中,e∈RN×1為誤差向量,e=(y-f(x))2,C為懲罰參數,且C>0,控制對誤差的懲罰程度。引入拉格朗日函數:

L(w,b,e,α)=Q(w,b,e)

(3)

α表示拉格朗日乘子。由KKT條件得

(4)

對于上式,消去w和ei,得到下面的方程組:

(5)

其中,

(6)

根據Mercer條件,令Ω=ZZT,利用核函數K(xi,xj)=Φ(xi)TΦ(xj)得,

Ωij=Φ(xi)TΦ(xj)=K(xi,xj)

(7)

故LSSVM的優(yōu)化問題就轉變成求得上述方程組的解,且該方程組可以用最小二乘的方法計算,得到LSSVM的回歸函數為

(8)

其中

(9)

3基于最小二乘支持向量機的路燈開關時間預測方法

3.1路燈開關時間的影響因素

路燈開關時間是依據光照度數值來決定的,不同道路有不同的標準。光照主要受季節(jié)和天氣等因素的影響。

1) 季節(jié)因素:圖1表示了不同季節(jié)光照度的不同變化趨勢,為了說明方便,一年四季每季各選了一天的光照度變化情況。可以明顯看出,夏季日照時間長,日出時間早,日落時間晚,光照度最先開始逐漸變大,最晚開始逐漸變小。

圖1　不同季節(jié)的光照度變化對比

2) 天氣因素:圖2展示了同月不同天氣的光照度變化曲線,這里只選取了三種天氣:晴天、多云、陰天。圖2(a)表示上升變化情況,圖2(b)表示下降變化情況,可以看出即使在同一個月,不同氣象下光照度的變化情況是不一樣的,晴天光照度下降速率最快。并且可看到陰天的光照度曲線有多個波峰波谷點,可見天氣變化多端對光照度數值影響很大。

通過實驗得出天氣的數值映射不同,預測誤差不同,通過分析歷史樣本數據中天氣與光照度的關系以及相關資料分析,本文采用的是按晴空指數的單調變化進行數值映射。

圖2　同月不同天氣的光照度變化對比

3.2預測模型結構

給定樣本對{Xt,Yt},t=1,2,…,N,利用訓練樣本對LSSVM訓練得到回歸函數為

Yt=∑αiK(Xi,Xt)+b

(10)

由前面的分析可知,影響路燈開燈時間的影響因素有月份M,日落時間ST,氣象W,光照度變化趨勢TE,故

X={M,ST,W,TE}

(11)

氣象信息包含很多種:云量Cloud、溫度變化Temp、天氣狀況Con、濕度變化Humi、風向Wind、風速WS、PM2.5等,即

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

(12)

3.3數據準備

1) 數據歸一化:通過式(13)將樣本數據歸一到[0,1],將不同分量的數據處在相同的數量級上。

(13)

2) 輸入變量的選擇:影響光照度變化的因素很多,通過相關度分析,確定最高溫度Tmax、最低溫度Tmin、天氣狀況Con、日落時間ST為模型的輸入變量,開燈時間為模型的輸出變量。

3.4核函數的選擇

在使用LSSVM時需要把原來的非線性低維空間通過核函數轉變到高維的線性空間,核函數不同導致構造的學習機不同。

核函數主要可分為兩類:局部和全局。局部核函數擬合能力強、泛化性能弱,典型的為RBF;全局核函數泛化能力強、擬合能力弱,典型的有線性。故為了彌補單一核函數存在的不足,本文選擇RBF和線性組成混合核函數。

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

(14)

其中p用來調節(jié)RBF和線性對混合核函數的影響。

選擇不同核函數時模型的預測平均相對誤差的箱形圖如圖3所示?？梢钥闯鲈诒緦嶒炛?ploy和lin的四分位間距明顯高很多,RBF和混合的四分位間距的高度基本相同,但是混合核函數的位置偏下,故可看出混合核函數的性能最優(yōu)。在本文中,通過實驗對比,p取0.5。

圖3　不同核函數預測的相對誤差的箱形圖

3.5模型參數的優(yōu)化

故有兩個參數:懲罰因子C、RBF核函數的寬度σ2。網格搜索法的優(yōu)勢就是能夠同時確定參數的最優(yōu)值。交叉驗證法在使用中要求較多的樣本數據,而本文因樣本數據少,故選擇的是網格搜索法。

3.6開關燈時間預測步驟

利用LSSVM建立的回歸模型對每天的路燈開關時間進行回歸擬合。算法的流程如圖4所示。

圖4　模型整體流程

Step1:分析實驗背景,選取對待預測的指標有重要影響因素的變量,為了簡化計算的復雜度和提高模型的精度,對各因素執(zhí)行相關性分析,選取與輸出關聯(lián)性大的作為模型的輸入;

Step2:樣本數據(包括氣象數據、光照度數據和日落時間數據)的預處理,刪除不滿足條件的異常數據,平滑噪聲,然后形成訓練和測試樣本集;

Step3:選擇RBF和線性組成的混合核函數,利用網格搜索法決定學習機的運行參數,建立LSSVM的預測模型;

Step4:利用樣本數據訓練LSSVM模型;

Step5:利用測試數據實行推廣性能實驗。

4算例分析

下面利用某城市的歷史光照數據以及中國天氣網的氣象數據進行模型訓練,樣本數據集共為178天記錄,且時間跨度為1年,故樣本數據分布散。本文選用其80%數據進行訓練,剩下20%數據進行預測,將預測所得結果與真實數據進行對比。

圖5顯示了預測效果,a、c、d是僅僅根據日落時間、中國天氣網預報的最高溫、最低溫、天氣狀況進行模型訓練后得到的預測效果,b是在此基礎上增加光照度到達200lux時的時間點參與訓練?？梢缘贸鯯VM在小樣本預測中的效果比神經網絡要好,神經網絡易產生局部最優(yōu)值,且經常出現“過學習”,導致訓練誤差小而預測誤差大。LSSVM是對SVM的擴展,預測精度比SVM稍好。加上光照度趨勢后預測效果更好。

圖5　預測效果箱形圖

5結語

根據的路燈控制存在的問題,本文將預測引入到路燈開關控制中,提前就預測出未來的路燈開關時間,為路燈控制提供了一種決策支持,且能節(jié)約能源。相比日落就開燈,根據本文的預測算法,每盞路燈平均每天能節(jié)約7分33秒的照明時間,全國每年大約能節(jié)約17.26億千瓦時。并且可以根據不同的區(qū)域,訓練模型得到對應區(qū)域的開關燈時間,不必全城統(tǒng)一開關,保證道路照明的合理性。

因實驗數據的小樣本特性,選用最小二乘支持向量機進行模型訓練,結果樣本特點,提出了天氣的數值化映射、模型的建立、核函數的選擇和參數的優(yōu)化。

參 考 文 獻

[1] 張華.從城市整體環(huán)境出發(fā)確立城市照明統(tǒng)一管理體制[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] 馮玉如.城市LED道路照明的二次節(jié)能技術及其集控管理系統(tǒng)[J].自動化應用與技術,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] 張惠玲,王曉雯.城市道路照明設置與節(jié)能探討[J].重慶交通大學學報(自然科學版),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] 于書敏,賈存良.路燈節(jié)能智能控制器的設計[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] 左國良.定時控制的路燈調節(jié)光能延壽電路[J].智能建筑電氣技術,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] 景春國,何榮富,舒冬梅.異常天氣城市路燈照明控制策略[J].電力系統(tǒng)自動化,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] 劉京禮.魯棒最小二乘支持向量機研究與應用[M].北京:經濟管理出版社,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

作者簡介:鄭維宏,男,高級工程師,研究方向:通信、物聯(lián)網及其應用。黃本雄,男,博士,教授,博士生導師,研究方向:通信與信息系統(tǒng)。王非,男,博士,副教授,研究方向:通信與信息系統(tǒng)。

中圖分類號TN715

DOI:10.3969/j.issn.1672-9722.2016.06.009