基于ZigBee和GPRS感知天氣的太陽能LED路燈控制系統

許夢羊，羅素芹，陳國棟，朱翔鷗

(溫州大學，浙江省低壓電器智能技術重點實驗室,浙江 溫州 325035)

基于ZigBee和GPRS感知天氣的太陽能LED路燈控制系統

許夢羊，羅素芹，陳國棟，朱翔鷗

(溫州大學，浙江省低壓電器智能技術重點實驗室,浙江 溫州 325035)

針對太陽能LED路燈的亮燈需求和電能完全依賴天氣的矛盾，提出了一種感知天氣的太陽能LED路燈控制系統，通過歷史天氣信息和太陽能歷史發電量，建立了神經網絡模型預測未來太陽能發電量，并通過ZigBee和GPRS數據通信網絡將預測的發電量信息發送給太陽能LED路燈終端控制器，路燈終端控制器根據預測發電量與蓄電池剩余電量，采用模糊控制策略，調整亮度，達到最佳的亮燈效果，尤其延長了連續陰雨天氣的亮燈時間。

太陽能路燈；發電量預測；感知天氣；ZigBee；GPRS

引言

目前絕大多數的太陽能LED路燈控制器都屬于單燈控制器，不提供組網功能，路燈的管理仍采用人為巡檢方式，消耗大量的人力、物力，而且實時性差，效率低。更重要的是，由于太陽能路燈每天充電量存在不確定性，依賴于天氣狀況，雖然有些太陽能LED路燈利用分時降功率技術、降電壓控制技術、定制控制策略等技術[4]實現節能運行，但沒有將天氣因素考慮在內，仍無法解決因連續陰雨天導致的太陽能LED路燈蓄電池充電不足，電能快速被用完的問題。文獻[8]中對此提出了一種感知天氣的太陽能路燈控制策略，根據當天和歷史的充電量來判斷天氣類型，并結合蓄電池的剩余電量，采用調整亮度、亮燈時長優先的控制策略，有效的延長了連續陰雨天氣的亮燈時間。然而，這種控制策略不能夠預判未來幾天的發電量，僅僅依賴于當天和歷史的充電量而不考慮未來幾天的發電量來調控路燈亮度是不夠完善的。

本文提出了一種基于ZigBee和GPRS通信的遠程監控系統，結合歷史天氣信息和天氣預報信息來調控太陽能LED路燈照明亮度的控制策略，實現遠程實時查詢、匯報、存儲路燈的亮燈、故障情況，能方便地根據實際晝夜情況、天氣情況，調整路燈的亮燈時間與亮度，具體結構如圖1所示。在遠程數據監控中心，通過歷史天氣信息和太陽能板歷史發電量信息，建立起天氣信息與太陽能板發電量的BP神經網絡模型，并結合從氣象臺得知的天氣預報信息，預測未來5天內的發電量，并通過數據通信網絡將預測的發電量發送給太陽能LED路燈控制器。太陽能LED路燈控制器根據預測的發電量并結合蓄電池的剩余電量，采用調整亮度，亮燈時長優先的控制策略，對太陽能LED路燈進行模糊控制，這樣既解決連續陰雨天氣，蓄電池的電能過快被用完的問題，又保證晴朗天氣和蓄電池的電能充足時，路燈全功率高亮度輸出。

圖1 路燈總體控制策略Fig.1 Overall control strategy of street lamp

1 系統結構

基于ZigBee和GPRS的太陽能LED路燈智能照明系統主要由遠程數據監控與發電量預測中心、路燈數據匯聚與管理中心、路燈終端控制模塊和太陽能LED路燈道路照明設施等幾部分組成，其總體結構如圖2所示。太陽能LED路燈道路照明設施與路燈終端控制模塊為一體化裝置，路燈終端控制模塊內存在ZigBee通訊節點，與相鄰的太陽能LED路燈內的路燈終端控制模塊的ZigBee節點自組網形成ZigBee無線監控網絡。ZigBee/GPRS網關實現路燈數據匯聚與管理，并建立起數據通信網絡，一方面ZigBee/GPRS網關負載底層ZigBee網絡的組建以及網絡的管理，另一方面通過GPRS模塊與Internet網絡建立數據通信，完成監控中心控制命令的下傳和各路燈狀態數據的上傳等工作。遠程監控與發電量預測中心實現對太陽能LED路燈的無線遠程狀態監控。一方面通過ZigBee無線監控網絡與ZigBee/GPRS網關形成的數據通訊網絡對網絡內所有太陽能LED路燈照明設施工作狀態數據的實時采集；另一方面，根據建立的BP神經網絡模型與氣象臺得知的天氣預報信息，預測未來5天發電量，并通過無線監控網絡向道路照明設施控制器發送太陽能LED路燈控制器，調控太陽能LED路燈亮度。

圖2 太陽能LED路燈監控系統Fig.2 Monitoring system of Solar LED Street Lamp

2 控制系統硬件設計

2.1路燈終端控制模塊

太陽能LED路燈道路照明設施與路燈終端控制模塊為一體化裝置，路燈之間的通訊采用ZigBee協議實現。ZigBee是一組基于IEEE802.15.4標準開發的有關組網、安全和應用軟件方面的通信技術，被業界認為是最有可能應用在工業監控、傳感器網絡、安全系統等領域的無線技術。

路燈終端控制模塊除了ZigBee通信功能之外，還具備太陽能LED路燈的基本控制功能。控制終端設有太陽能板、蓄電池以及LED負載的接口，控制終端的工作電壓來自于蓄電池。為了實現所需控制功能，控制終端還應包含處理器主模塊、充電模塊、放電模塊以及必要的驅動模塊?？刂平K端的組成結構如圖3所示。

圖3 太陽能LED路燈控制終端Fig.3 Control Terminal of Solar LED Street Lamp

2.2ZigBee/GPRS網關

ZigBee/GPRS網關作為路燈終端控制模塊與遠程監控與發電量預測中心的通信樞紐，一方面負責底層ZigBee網絡的組建以及網絡的管理，另一方面通過Internet與遠程數據監控中心建立數據通信。使用GPRS技術可以隨時通過網絡運行商的基站系統與Internet建立連接。

在本系統中，ZigBee/GPRS網關集成了ZigBee協調器節點與GPRS網關模塊，通過ZigBee無線網絡接收太陽能LED路燈功率、電流、電壓和蓄電池充放電狀態等數據，并通過GPRS網絡將相關數據上傳到遠程監控中心，完成實時監控功能；或者通過ZigBee網絡將遠程控制數據廣播到各路燈控制器節點，以完成相應的控制功能，具體結構如圖4所示。

圖4 太陽能LED路燈網關通信終端Fig.4 Gateway Communication Terminal of Solar LED Street Lamp

3 太陽能LED路燈控制策略

3.1太陽能路燈控制系統

太陽能LED路燈控制系統是一個模糊控制器，輸入為未來5天預測發電量及蓄電池剩余電量，輸出為LED燈的工作電流，控制LED燈的亮度。未來5天的預測發電量由路燈終端控制模塊通過ZigBee通信，從遠程數據監控與發電量預測中心得到；蓄電池剩余電量通過測量蓄電池在充電和放電時的內阻、極化電壓和端電壓得到。太陽能LED路燈控制器依據模糊量未來5天的預測發電量、蓄電池剩余電量，采用調整亮度，亮燈時長優先的控制策略，對太陽能LED路燈進行模糊控制，系統框圖如圖5所示。

圖5 太陽能路燈模糊控制系統Fig.5 Fuzzy control of Solar Street Lamp

由于LED的亮度與工作電流成非線性關系，工作電流減少1/2，亮度約下降30%。本文將輸出模糊量LED 燈亮度分為五個等級:“很亮”、“較亮”、“中亮”、“欠亮”和 “不亮”，其中“很亮”為 LED 燈額定工作電流下的亮度。為了實現天氣晴朗，充電量充足，燈盡量“亮”；陰雨天氣，充電量不足，亮燈時間盡量“長”控制策略，制定相應的控制規則，不僅考慮當天的蓄電池剩余電量，還要考慮未來5天的太陽能板發電量。

3.2太陽能板發電量預測

太陽能發電受氣候和環境的影響很大，如100 W的單晶硅太陽能電池，在陽光直射的情況下可以輸出70 W電功率，在陰天輸出電功率僅10 W左右，而雨天的輸出電功率僅3 W左右。目前，對太陽能發電系統的研究發現，其發電量主要與天氣類型、氣溫密切相關[1-3]。本文利用光伏發電系統歷史發電量數據與歷史天氣數據建立BP神經網絡來設計太陽能發電量預測模型。然而，歷史天氣數據中給出的天氣參數一般為一些比較模糊的天氣類型描述：如晴天、晴天到多云、陰天、陰天有小雨、小雨轉大雨等不是能被神經網絡算法所接受的精確值[5]。因此，在使用神經網絡算法前必須考慮如何量化天氣類型。

本文提出用云層的厚度程度來量化天氣類型，并且將歷史溫度與云層信息、預測日溫度與云層信息和歷史發電量信息一起作為神經網絡的輸入，以提高在天氣類型變化時神經網絡的預測精度；在網絡中間隱含層中，采用雙曲正切函數sigraoid作為傳遞函數，此外隱含層神經元個數的選擇直接關系到神經網絡的規模和精度，可以根據Kolmogorov定理[6]，當如果輸入變量的個數為n，隱含層神經元個數可取為2n+1個；網絡的輸出層為預測的發電量，采用S型對數函數losing作為傳遞函數，使其輸出位于[0.1,0.9]之間，便于數據處理。由此可見，本文所設計的BP神經網絡模型如圖6所示。

圖6 基于BP神經網絡模型的發電量預測模型Fig.6 Forecast model of Electric power output based on BP neural network model

3.3蓄電池剩余電量

蓄電池剩余電量是一個模糊量，不容易直接測量，一般是通過放電法來測量。蓄電池剩余電量與蓄電池內阻、端電壓和極化電壓有關，可通過在線測量蓄電池內阻、端電壓和極化電壓，預測蓄電池剩余電量。蓄電池內阻與荷電程度有較高的相關性[9](0.88左右)，通過測量電池內阻可較準確地預測其剩余電量，并可在電池的整個使用期內在線測量。

蓄電池內阻測量方法是給蓄電池加上比極化過程變化快的交流信號(如1 kHz)，測量電池端電壓、電流以及兩者之間的夾角，得到蓄電池的內阻，從而預測蓄電池的剩余電量[9]。本文將蓄電池剩余電量分為五個狀態:“滿”、“較滿”、“中”、“少”、“虧電”，由于蓄電池剩余電量處于30%以下時處于虧電狀態，因此設計其隸屬度函數如圖7所示。

圖7 蓄電池剩余電量的隸屬度函數Fig.7 Subordinating degree function of residual electricity in storage battery

4 仿真測試

根據溫州氣象臺提供的天氣數據，對2016年全年日照時間最少的1季度(3月1日至5月30日)，進行太陽能LED路燈運行仿真，并與利用分時降功率技術(固定型下半夜半功率型路燈)的太陽能LED路燈和文獻[8]中的對未來一天的發電量進行預測的太陽能LED路燈作對比，仿真結果見表1，普通型太陽能LED路燈的亮燈率只有79%，文獻[8]中的太陽能LED路燈和本文中的感知天氣型太陽能LED路燈的亮燈率都為100%。由表可見，與常見的利用分時降功率技術節能的路燈相比，對未來發電量進行預測的路燈都有效的提高了亮燈率，對預測未來五天發電量的路燈與文獻[8]中的路燈相比，路燈較亮的天數多，而中亮的天數少，可見本文中的感知天氣型太陽能LED路燈能更早的預知陰雨到來與結束，保證了亮燈率的同時有效的提高了路燈亮度效果。

表1 2016年3月至5月路燈運行仿真結果統計

5 結語

本文設計的基于ZigBee和GPRS的感知天氣太陽能LED路燈照明 控制系統通過無線傳感網絡及相應的管理平臺使城市照明管理機構對傳統獨立式安裝的每一盞路燈的工作狀況實現全方位的分布式自動/人工監視和控制，實現了對太陽能LED路燈照明工作狀態的最優化管理，提高了道路照明的智能化程度，保證了在連續的陰雨天氣下，路燈有很高的亮燈率；同時也解決了連續的陰雨天所導致的蓄電池電量不足而可能引起的一系列問題，對保護蓄電池、延長蓄電池使用壽命也有著重大的意義。

[1] SOZEN Adnan, ARCAKHOGLU Erol, OZALP Mehmet, et al.Forecasting based on neural network approach of solar potential in Turkey[J]. Renewable Energy, 2005, 30(7):1075-1090.

[2] KERMANSHAHI Bahman. Recurrent neural network for forecasting next 10 years loads of nine Japanese utilities[J]. Neurocomputing, 1998, 23(1-3): 125-133.

[3] 丁明，王磊，畢銳. 基于改進BP神經網絡的光伏發電系統輸出功率短期預測模型[J]. 電力系統保護與控制,2012,11:93-99.

[4] 張露艷，余有靈，張志明，等. 智能道路照明系統控制策略探討[J].電腦知識與技術，2011,22: 5490-5491.

[5] 陳昌松，段善旭，殷進軍. 基于神經網絡的光伏陣列發電預測模型的設計[J]. 電工技術學報，2009，24(9)：153-158.

[6] 李冬輝，王鶴雄，朱曉丹，等. 光伏并網發電系統幾個關鍵問題的研究[J]. 電力系統保護與控制，2010，38(21): 208-214.

[7] 高明裕，張紅巖. 蓄電池剩余電量在線測量[J]. 電測與儀表，2000，37(9): 28-31.

[8] 羅素芹，李常青，魏亞坤. 感知天氣的太陽能LED路燈控制系統[J].照明工程學報，2014，25(2)：39-42.

[9] 竇林平. 國內LED照明應用探討[J]. 照明工程學報，2011，22(6): 51-58.

SolarLEDStreetLampChargeControllerwiththePerceptionofWeatherChargeBasedonZigBeeandGPRS

XU Mengyang, LUO Suqin, CHEN Guodong, ZHU Xiangou
(WenzhouUniversity,TheKeyLaboratoryofLow-VoltageApparatusIntellectualTechnologyofZhejiang,Wenzhou325035,China)

To solve the contradiction between lighting requirement of solar LED street lamp and power depending on weather, a Solar LED Street Light Charge Controller with the Perception of Weather Charge is designed. Neural Network Model is built to make a prediction of future solar power through the historical weather information and previous generation of solar power. The prediction of power generation is sent to terminal controller of solar LED street lamp through data communication network based on ZigBee and GPRS. Fuzzy control strategy is used to adjust the brightness of LED light by the terminal controller through the predicted power generation and remaining power of battery, and the best lighting effect is achieved. What’s more, the continuous lighting time of rainy weather is increased.

solar LED street lamp; prediction of electric power generation; perception of weather; ZigBee; GPRS

TM923

A

10.3969j.issn.1004-440X.2017.05.012