苗榮霞，張 洋，李潔馨，王 幸

（西安工業(yè)大學電子信息工程學院，西安 710000）

1 引 言

由于隧道半封閉的環(huán)境，隧道內(nèi)外的亮度差較大，在進出隧道時視覺上會形成“黑洞效應(yīng)”和“白洞效應(yīng)”，致使駕駛?cè)藛T產(chǎn)生“視覺遲滯現(xiàn)象”。本著安全駕駛原則，必須提供隧道照明。隨著隧道規(guī)模與交通量的激增，照明系統(tǒng)的耗能也在逐年增大。對此，研究人員從照明燈具、控制方法等方面進行了諸多優(yōu)化研究。近年來，新建隧道大都采用節(jié)能型燈具以及自動控制技術(shù)，雖然在節(jié)能方面有了一定的進展，但是還存在著適應(yīng)性差和無法根據(jù)交通量及車輛行駛狀態(tài)等實際環(huán)境進行調(diào)光的問題。目前主要的控制方法有車進燈亮控制和按需照明控制等[1]。車進燈亮控制在交通流量較大時頻繁調(diào)光會造成開關(guān)損耗；按需照明控制在交通流量較小時則會因為大部分是無用照明而浪費能源[2-3]。針對此問題，設(shè)計一種基于交通流預測的控制方法，根據(jù)預測的交通流量選擇最佳控制方法。

2 基于交通流預測的照明控制方法

2.1 總體流程與算法結(jié)構(gòu)

所設(shè)計的控制方法總體流程如圖1 所示。在交通流量較大時，選擇按需照明的控制方法，保證隧道照明亮度；當交通流量較小時，選擇“車來燈亮車走燈暗”的控制方法，既保證通行安全，又可以降低耗能，同時也可以降低燈具的損耗以增加照明設(shè)備的使用壽命。

圖1 按需照明總體控制流程

LSTM 算法結(jié)構(gòu)如圖2 所示。LSTM 算法整體上由記憶單元、遺忘門、輸入門和輸出門等部分構(gòu)成。其中，記憶單元是LSTM 算法的核心，作為長期記憶的傳送帶，在圖中用C 表示。輸出門的輸出值h 可當作當前時刻的短期記憶。因此LSTM 具有長短期記憶能力[4]。

圖2 LSTM 算法結(jié)構(gòu)圖

LSTM 各個部分的作用以及表達式如表1 所示，綜合各表達式，便可共同構(gòu)建交通流預測模型。

表1 LSTM 各部分表達式

2.2 構(gòu)建數(shù)據(jù)集

選取某路段一段時間的交通量，時間間隔為5分鐘，共有數(shù)據(jù)920 個。選取其中700 個作為訓練集，剩余220 個作為測試集。部分數(shù)據(jù)如表2 所示。

表2 部分訓練數(shù)據(jù)集

在訓練過程中，對LSTM 模型的隱藏層級、隱藏層神經(jīng)元數(shù)目、學習效率等參數(shù)進行尋優(yōu)，同時觀測在不同參數(shù)設(shè)置下模型評價指標RMSE 的變動狀況。RMSE 為均方根誤差，其定義為：

表3 LSTM 預測模型參數(shù)表

根據(jù)表中各參數(shù)對預測模型做出調(diào)整，對數(shù)據(jù)進行訓練和測試。訓練集預測結(jié)果圖如圖3 所示。可見預測值與真實值兩者曲線將近重合，預測效果良好。測試集的訓練效果如圖4 所示。與圖3 相比可見，測試集的擬合效果相對訓練集較差，真實值相對于預測值有一定的滯后性，但是整體效果良好。

圖3 LSTM 模型訓練集預測結(jié)果對比

圖4 LSTM 模型測試集預測結(jié)果對比

同時對模型的訓練和測試集進行指標運算。預測結(jié)果如表4 所示。其中MAE 為平均絕對誤差；MAPE 為平均絕對百分比誤差。從數(shù)據(jù)可以看出訓練集的模型預測結(jié)果接近97.5%，測試集的模型預測結(jié)果高達95%，均有良好的訓練效果。

表4 訓練集模型預測結(jié)果表

3 模糊PID 控制算法及仿真

3.1 照明系統(tǒng)傳遞函數(shù)數(shù)學模型

隧道燈光照明模型是一個多輸入多輸出模型，隧道內(nèi)不同區(qū)段的燈光亮度是相互影響的。多輸入多輸出模型中照明亮度與輸入電壓的PWM 的占空比之間的離散時間的傳遞函數(shù)可定義為：

式中y(k)為系統(tǒng)輸出；u(k)為系統(tǒng)輸入；q-n為移位算子；a 為縮放增益，b 為偏移量。將設(shè)備的輸入電壓與LED 亮度的線性關(guān)系帶入上式模型，即得到照明系統(tǒng)的傳遞函數(shù)[7]：

3.2 模糊PID 控制算法

為了使節(jié)能效果與照明效果兼顧，選擇模糊PID 控制算法，其結(jié)構(gòu)圖如圖5 所示。控制器利用采集到的洞外環(huán)境亮度和車速運算出照明亮度值，并利用由隧道各區(qū)段安裝的傳感器測得的實際亮度作為反饋。將輸入量以及反饋輸入量的偏差值以及偏差變化率作為模糊控制器的輸入量，由模糊規(guī)則庫進行模糊推理，在線輸出△KP、△KI、△KD對KP、KI、KD三個參數(shù)進行自整定，利用整定后的參數(shù)對隧道內(nèi)各區(qū)段的照明設(shè)備進行PID 調(diào)光。

圖5 模糊PID 控制結(jié)構(gòu)圖

根據(jù)按需照明的亮度值，確定偏差和偏差變化率的論域。本研究中實際工程隧道長度為7920m，洞外亮度最大值約為3600cd/m2，隧道設(shè)計行車速度80km/h，按照現(xiàn)場條件確定入口段的亮度折減系數(shù)K 約為0.0372，并確定隧道入口段最大照明亮度為133.92cd/m2。按照上述參數(shù)，可設(shè)定偏差論域為[-120,120]，偏差變化率論域為[-60,60]，輸出△KP、△KI、△KD論域[8]分別為[-3,3]、[-3,3]、[-0.3,0.3]。為簡化模糊化過程，將模糊控制器的輸入輸出都分為{NB、NM、NS、Z、PS、PM、PB}7 個子級，所得到的輸入量隸屬度函數(shù)曲線如圖6 所示。

圖6 模糊輸入隸屬度函數(shù)設(shè)置

根據(jù)設(shè)定輸入輸出隸屬度函數(shù)，然后設(shè)定模糊控制規(guī)則，控制規(guī)則如表5 所示。偏差和偏差變化率作為模糊控制器的輸入，依據(jù)模糊控制規(guī)則，在線對PID 的三個參數(shù)進行調(diào)整。根據(jù)輸入誤差以及誤差變化率設(shè)定49 條模糊控制規(guī)則[9]。

表5 模糊控制規(guī)則表

3.3 算法仿真

仿真第一部分為按需照明控制，以入口段亮度調(diào)節(jié)為例，將實際光照強度作為輸入，基于隧道實際環(huán)境，入口段亮度折減系數(shù)為0.0372，光照強度和折減系數(shù)運算后作為模糊PID 控制的輸入；第二部分為車進燈亮控制，當檢測到有車輛行駛時，控制器輸出需求亮度，當無車輛行駛時，照明設(shè)備調(diào)至低耗能模式；第三部分為基于交通流預測控制，先根據(jù)預測的交通流量選擇控制方法，當交通流大于設(shè)定閾值，選擇按需照明控制方法，小于閾值則選擇車進燈亮控制方法。

模糊PID 輸出的按需照明控制和車進燈亮控制的輸出比較仿真結(jié)果如圖7 所示。仿真表明，模糊PID 控制算法可以對照明設(shè)備進行精確控制，達到需求亮度，且誤差較小。

圖7 不同控制方法對比圖

通過對比三種控制方法，經(jīng)相關(guān)計算，基于交通流預測的控制方法相較于車進燈亮控制方法開關(guān)損耗減少84.3%；相較于按需照明控制方法節(jié)能8.49%。優(yōu)化節(jié)能的效果顯著，達到了設(shè)計預期。

4 結(jié)束語

從控制方法入手進行優(yōu)化，提出基于交通流預測的隧道照明控制方法，利用模糊PID 算法對燈具進行控制。使用LSTM 交通流預測算法對車流量進行預測，測準確率高達95%以上，預測效果較好；利用預測的交通流量對未來一段時間的照明控制方法進行選擇?；诮煌黝A測的照明控制方法避免了傳統(tǒng)控制方法在具體應(yīng)用中存在的問題，更大發(fā)揮了智能控制的精度，在滿足照明需求的同時，最大程度節(jié)約耗能。